Peramalan Jumlah Pemakaian Air di PT Pembangkit Jawa Bali Unit Gresik dengan Extreme Learning Machine dan Ant Colony Optimization Anim Rofi’ah1 , Imam Cholissodin2 , Candra Dewi3

  

Vol. 2, No. 11, November 2018, hlm. 5030-5039 http://j-ptiik.ub.ac.id

Peramalan Jumlah Pemakaian Air di PT Pembangkit Jawa Bali Unit

Gresik dengan Extreme Learning Machine dan Ant Colony Optimization

_{1 2 3}

  , Imam Cholissodin , Candra Dewi Anim Rofi’ah

  Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya _{1 2 3} Email: animrof@gmail.com, imamcs@ub.ac.id, dewi_candra@ub.ac.id

  

Abstrak

  PT. PJB Unit Gresik memanfaatkan air laut sebagai tenaga pembangkit listrik tenaga uap. Air memiliki kelebihan mudah didapat dan lebih ramah lingkungan. Namun air laut membutuhkan proses pemurnian terlebih dahulu agar dapat digunakan. Penggunaan air laut dalam pembangkit listrik sering mengalami masalah pengurangan air yang diakibatkan masalah-masalah tertentu seperti kebocoran pipa, adanya tempering, dan pembuangan gas-gas yang masih mengandung air sehingga siklus membutuhkan penambahan air agar turbin tetap bekerja. Untuk mengantisipasi kekurangan air yang dapat menghambat proses tersebut dibutuhkan suatu sistem cerdas yang dapat memperkirakan jumlah air yang dibutuhkan oleh proses pembangkitan. Salah satu metode peramalan adalah Extreme Learning Machine (ELM), untuk memaksimalkan hasil peramalan dilakukan optimasi dengan algoritme Ant Colony Optimization yang dapat digunakan dalam optimasi input weight dan bias sebagai parameter ELM. Setelah melakukan optimasi untuk parameter ELM maka dilakukan proses training dan testing untuk mendapatkan hasil peramalan. Penelitian ini menggunakan 103 data. Berdasarkan penelitian yang telah dilakukan, didapatkan parameter optimal yaitu jumlah semut 30, batas parameter bobot awal adalah 0 sampai 1, jumlah data training dan data testing 82 data dan 21 data (80%:20%), serta iterasi maksimum adalah 500. Dari parameter tersebut didapatkan nilai MAPE untuk ELM-ACO sebesar 0.170% dengan waktu komputasi selama 3799.200 ms dan untuk algoritme ELM menghasilkan nilai MAPE 4.851% dnegan waktu komputasi selama 162.400 ms, sehingga optimasi parameter ELM mampu meningkatkan hasil peramalan.

  

Kata kunci: peramalan, pemakaian air, extreme learning machine, optimasi, ant colony optimization

Abstract

PT. PJB Unit Gresik using seawater as a steam power plant. Water has advantages such as it

is high availability and environmentally friendly. However, seawater requires a refining process in

order to be used. Using seawater as a power plant often experiences water-reduction problems caused

by certain problems, such a pipeline leakage, tempering, and removal of gases that still contain water

so that additional water is required to keep the turbin working. To anticipate the lack of water that can

inhibit the process, an intelligent system required to estimate the amount of water that generation

process needed. One of forecasting method is Extreme Learning Machine (ELM), to maximize

forecasting results with optimization algorithm Ant Colony Optimization that can be used in the

optimization input weight and bias of ELM parameters. After optimization process for ELM parameters,

then the next process is training and testing to get forecasting result. This study uses 103 data. Based

on the research, the optimal parameter number of ants is 40, the parameter range of the input weight

is 0 to 1, the using 82 of training data and 21 testing data (80%: 20%), and the maximum iteration is

500. From these parameters obtained the MAPE value for ELM-ACO is 0.170% with 3799.200 ms

running time and for the ELM algorithm the MAPE value is 4.851% with 162.400 ms, so the optimization

of ELM parameters can improve the forecasting results.

  

Keywords: forecasting, water usage, extreme learning machine, optimization, ant colony optimization

Fakultas Ilmu Komputer Universitas Brawijaya

  

5030

1. PENDAHULUAN

  2. TINJAUAN PUSTAKA

  Metode ini dikembangkan untuk memperbaiki kekurangan-kekurangan dari metode yang telah ada sebelumnya yang menggunakan fungsi gradien dalam menentukan bobot awal dan bias awal. ELM menggunakan bobot awal dan bias yang ditentukan secara random sehingga lebih memiliki kelebihan pada learning speed (Sun, et al., 2008). Konfigurasi sederhana algoritme ELM ditunjukkan pada Gambar 1.

  Neural Network (SLFNs). Metode ini pertama kali diperkenalkan oleh Huang pada tahun 2004.

  suatu metode pembelajaran feedforward sederhana dengan satu hidden layer atau lebih sering disebut Single Hidden Layer Feedforward

  2.2 Extreme Learning Machine (ELM) Extreme Learning Machine (ELM) adalah

  Air merupakan sumber energi yang murah dan mudah didapat, pada air terdapat energi potensial dan energi kinetik. Kebutuhan air adalah jumlah air yang di energi yang dimiliki air dapat dimanfaatkan dan di gunakan dalam wujud energi mekanis dan energi listrik (Jatmiko, et al., 2012). Pembangkit Listrik Tenaga Uap (PLTU) merupakan pembangkit listrik yang mengendalikan energi kinetik dari uap air untuk menghasilkan tenaga listrik. Bentuk dari PLTU terdiri dari generator yang dihubungkan dengan turbin, untuk memutar turbin diperlukan suatu energi kinetik dari uap panas atau kering. Konsumsi energi pada peralatan dalam PLTU berasal dari putaran turbin karena uap panas. Untuk menghasilkan uap, perlu adanya proses pemanasan air dengan melakukan pembakaran. Untuk menghasilkan uap panas itu, diperlukan air yang diproses dengan cara boiling. Air yang digunakan adalah air yang memiliki standar tertentu.

  2.1 Air

  Air memiliki memiliki berbagai manfaat dalam kehidupan. Salah satu pemanfaatan air untuk penghematan energi yaitu dengan menggunakan air sebagai tenaga pembangkit listrik. Penggunaan air sebagai pembangkit listrik dapat menghasilkan besaran energi yang disesuaikan dengan besaran aliran air (debit) (Harjanto, et al., 2014). Air dapat diunakan dalam pembangkit listrik tenaga air (PLTA) atau pembangkit listrik tenaga ualp (PLTU).

  Penggunaan air sebagai energi pembangkit memiliki lebih banyak keuntungan dibandingkan bahan bakar minyak, karena air lebih ramah lingkungan dan juga lebih mudah didapat. Air laut yang digunakan untuk pembangkitan tenaga tidak dapat langsung digunakan, sehingg air laut membutuhkan proses pemurnian air (make-up water) agar dapat digunakan. Air yang telah dimurnikan tersebut akan digunakan untuk menggerakan turbin dalam proses pembangkitan listrik.

  Berdasarkan permasalahan tersebut, perlu diterapkan suatu peramalan jumlah pemakaian air pada PT. PJB Unit Gresik menggunakan meode Extreme Learning Machine dan Ant

  menemukan jalur terbaik. Kelebihan ACO yaitu mudah dipahami dan diimplemntasikan (Deng, et al., 2015) serta memiliki natural self learning yang sangat kuat (Tianshi & Yalei, 2014) sehingga sangat tepat digunakan dalam optimasi parameter ELM.

  Cololony Optimization dapat digunakan untuk

  Sistem peramalan serupa pernah dilakukan dalam prediksi penutupan harga saham harian Bank BRI dengan ELM, namun dalam penelitian ini mendapakan hasil yang belum optimal. Hal ini dibuktikan dengan nilai RMSE yang dihasilkan sebesar 21.58. Untuk menghasilkan peramalan yang baik perlu dilakukan optimasi pada parameter ELM, karena hasil yang kurang baik bisa kadi diakibatkan karena pemilihan nilai parameter yang kurang tepat. Algoritme Ant

  mengandung air menyebabkan air yang telah diubah menjadi uap sering melebihi jumlah yang seharusnya dan menjadikan perusahaan kekurangan air murni sebagai tenaga pembangkit listrik. Penambahan air sangat perlu dilakukan untuk memenuhi kebutuhan air yang hilang karena masala-masalah dalam sistem tersebut. Untuk itu PT. PJB perlu melakukan perkiraan jumlah air yang dibutuhkan agar proses terus berjalan.

  tempering , dan pembuangan gas yang masih

  Penggunaan air sebagai pembangkit tenaga listrik sudah diterapkan pada PT. Pembangkit Jawa Bali (PJB) Unit Gresik sebagai tenaga pembangkit uap. Namun jumlah pemakaian air sering tidak terawasi dikarenakan sering terjadinya kebocoran pada pipa, spray atau

  Colony Optimization.

• = matriks Moore-Penrose Generalized Invers dari matriks = matriks target

  Menentukan node semut

  Menghitung hasil keluaran hidden layer dengan Persamaan (1).

  3. Menghitung nilai evaluasi dengan MAPE.

  2.3 Ant Colony Optimization (ACO) Ant Colony Optimization (ACO) pertama

  kali diperkenalkan oleh Dorigo dan Stuzzle di awal tahun 1990 yang didasarkan pada perilaku dari koloni semut. ACO adalah strategi optimasi yang bersifat stochastic. ACO adalah populasi semut yang bergerak secara independen. Komunikasi antar semut dalam suatu koloni menggunakan jejak yang ditinggalkan berupa

  pheromone. Pheromone adalah zat yang seiring

  waktu berjalan akan menguap (Ariyasingha & Fernando, 2015). Langkah-langkah metode ACO (Dorigo, et al., 2006):

  1. Inisialisasi parameter ACO 2.

  a. Menentukan posisi node semut pertama ( ) secara acak dengan nilai 0 sampai 9.

  = matriks input yang telah dinormalisasi = matriks transpose dari bobot

  b.

  Menentukan nilai ( ) secara acak dengan nilai [0,1] (Hong, et al., 2011).

  c.

  Menentukan node selanjutnya

   Jika ≤ 0, yi w

  β Hidden layer xin xi 2 xi

  1 … … … …

  Output layer Input layer

  = jumlah data uji = matriks bias 2.

  (5) Keterangan: = matriks keluaran hidden layer

  Gambar 1 Arsitektur ELM

  1 1+exp (−( + ( ( ,1)))

  =

  1. Menghitung nilai matriks keluaran pada hidden layer

  = hasil peramalan B. Proses Testing

  Langkah-langkah algoritme ELM (Liang, et al., 2006): A.

  Proses Training 1.

  Inisialisasi input bobot dan bias dengan nilai random [0,1]

2. Menghitung semua keluaran di hidden

  ) + (2)

  Keterangan: = matriks keluaran hidden layer

  = eksponen pangkat minus data ke- x luaran hidden layer = (∑ ×

  −

  (1) Keterangan: ( ) = fungsi aktivasi sigmoid

  1 1+ −

  ( ) =

  layer dengan fungsi aktivasi

  = [1,2,..,N], N adalah jumlah data = [1,2,..,M], M adalah jumlah hidden neuron = jumlah input neuron = bobot bias = input 3. Menghitung Moore-Penrose

  Generalized Invers = × (3) = × (4)

  Keterangan: = matriks output bobot dari hidden layer ke output layer = matiks keluaran hidden layer

  =1

  (6)

  ( , ) = arg max {[ ( , )] × [ ( , )] }

   Jika ( , ) , maka

  ∈ ( )

  1

  (11)

  ∆ ( , ) =

   Jika > 0,  Jika ( , ) ∉ , maka Tentukan nilai

  ∆ ( , ) = 0 Keterangan:

  Keterangan: = nilai random antara 0 sampai 1

  = node awal 0 = nilai tetapan siklus semut = node selanjutnya

  = nilai intensitas feromon = nilai intensitas feromon

  = node awal ∆ ( , ) = matriks perubahan intensitas

  = node selanjutnya feromon global = tetapan pengendali intensitas

  = MAPE global best tour feromon

  5. Kosongkan jalur kunjungan setiap semut = tetapan pengendali visibilitas 6.

  Menentukan stoping condition Nilai ditentukan secara acak sesuai

  2.4 Normalisasi dengan batas yang telah ditentukan.

  Normalisasi dilakukan dengan tujuan  Jika ( ), menyelaraskan data agar jarak antar data tidak

  [ ( , )] ×[ ( , )]

  terlalu besar, normalisasi dilakukan dengan min-

  ∑ [ ( , )] ×[ ( , )] ( ) (7)

  ( , ) = { max normalization dengan range [0, 1] (Saranya 0, & Manikandani, 2013).

  Jika ∉ ( ), ( , ) = 0 (8)

  −

  (12) ′ =

  −

  Keterangan: Keterangan:

  = nilai intensitas feromon = node awal

  ′ = data hasil normalisasi = node selanjutnya

  = data yang akan dinormalisasi = tetapan pengendali intensitas

  = data terbesar dataset feromon = data terkecil dataset

  = tetapan pengendali visibilitas

  d. Update nilai pheromone lokal

  Jika dilakukan proses normalisasi, maka (9) setelah selesai melakukan perhitungan ELM

  ( , ) = (1 − ) × ( ( , )) +

  perlu dilakukan proses denormalisasi. Berikut Keterangan: merupakan rumus denormalisasi: = node awal

  ′

  (13)

  = ( − ) +

  = node selanjutnya

  2.6 Nilai Evaluasi

  = penguapan jejak feromon lokal = nilai intensitas feromon Nilai evaluasi adalah nilai yang digunakan untuk mengukur kesalahan dalam peramalan.

  = nilai intensitas feromon awal Dalam penelitian ini menggunakan evaluasi

  e. Perbarui node awal dengan node yang Mean Absolute Percentage Error (MAPE).

  didapat. Ulangi langkah b sampai Berikut adalah rumus MAPE (Bratu, 2012): seluruh node semut terlewati. Pada

  ( − ′ ) ∑ ( ) ×100

  =1

3. Konversi nilai parameter ELM

  (14) =

  Keterangan: 4. Update pheromone global pada semut

  = nilai data aktual dengan nilai MAPE terkecil = nilai hasil prediksi

  ′ (10)

  ( , ) = (1 − ) × ( ( , )) + ∆ ( , )

  = jumlah data Dimana ada kondisi: seluruh node dilewati.

3. METODE

   Konversi nilai parameter bobot awal dan

  3.1 Data Penelitian bias sesuai batas yang telah ditentukan.

  −

  Data yang digunakan dalam penelitian ini (15)

  = [( ) × ( − )] + −

  adalah data historis jumlah pemakaian air harian

  − sebagai tenaga pembangkit listrik pada PT.

  (16)

  = [( ) × ( − )] + −

  Pembangkit Jawa Bali Unit Gresik dari tanggal Keterangan:

  1 Januari 2017 sampai dengan 31 Juli 2017. Data = hasil optimasi ACO jumlah air per dua hari berjumlah sebanyak 103 data. Penelitian ini menggunakan 3 buah fitur

  = nilai minimal optimasi ACO yaitu X1, X2, dan X3. Fitur X1 merupakan data jumlah pemakaian air 6 hari sebelumnya, fitur

  = nilai maksimal optimasi ACO X2 merupakan jumlah pemakaian air 4 hari

  = batas atas parameter input weight sebelumnya, dan fitur X3 merupakan jumlah pemakaian air 2 hari sebelumnya.

  = batas bawah parameter input weight

  3.2 Perancangan Algoritme

  = batas atas parameter bias Tahapan- tahapan proses ELM-ACO adalah

  = batas bawah parameter bias optimasi parameter bobot awal dan bias ELM,

  3. proses training dan proses teseting. Training ELM

  Training ELM digunakan sebagai proses

  Langkah-langkah peramalan dengan ELM dan learning dalam mengenali pola dari data. ACO dapat dijabarkan sebagai berikut:

   Menggunakan parameter yang didapat 1. dari optimasi ACO

  Normalisasi data Normalisasi data bertujuan untuk

   Menghitung keluaran hidden layer dengan menggunakan Persamaan 2. menyelaraskan data agar memiliki batasan yang

  output weight

   Menghitung sama, yaitu 0 sampai 1 dengan menggunakan menggunakan Persamaan 3 dan Persamaan 16. Persamaan 4.

2. Optimasi ACO

   Menghitung tingkat error menggunakan Optimasi ACO digunakan untuk MAPE. mengoptimasi parameter input weight dan bias feromon global

   Memperbaharui pada ELM, sehingga peramalan yang dihasilkan menggunakan Persamaan 10 oleh ELM lebih optimal. Proses optimasi ELM  Cek kondisi berhenti terbagi menjadi:

   Inisialisasi parameter ACO, yaitu jumlah 4.

  Testing ELM semut, ordinate [0, 9], maksimum iterasi,

  Testing ELM digunakan dalam melakukan

  tetapan penguapan pheromone, tetapan pengujian seberapa baik ELM dapat pengendali visibilitas, tetapan pengendali menghasilkan peramalan

  pheromone, pheromone awal, dan

   Menghitung matriks keluaran hidden tetapan siklus semut.

  layer dengan menggunakan

   Menentukan node semut awal dengan Persamaan2. memilih acak salah satu node

   Menghitung bobot output  Menentukan node yang akan dikunjungi 5.

  Denormalisasi hasil peramalan oleh semut dengan fungsi Roulette Wheel Denormalisasi hasil peramalan mengunakan dengan menggunakan Persamaan 7 atau

  min-max denormalization dengan

  Persamaan 8 Persamaan 17, setelah mendapat hasil

   Update pheromone local, yaitu peramalan dapat melakukan evaluasi dengan perubahan feromon pada vertex yang MAPE menggunakan Persamaan 18. telah dilaui semut menggunakan Persamaan 9

  Diagram alir algoritme ELM-ACO  Memperbaharui node awal dengan node ditunjukkan pada Gambar 2. yang dikunjungi, setelah memperbarui node awal ulangi langkah tersebut sampai

  9

  8 Mulai

  7

  6

  5 e at

  4 Data pemakaian jumlah air in

  3 rd o

  2

  1 Optimasi ACO

  3 6 9 12 15 18 21 24 27 30 33 36 Kunjungan Node ke-

  ELM Gambar 3 Representasi jalur semut optimal

  Pada Gambar 3 menunjukkan bahwa semut

  MAPE

  mengunjungi ordinate 5 sebagai node awal yang dilalui, kemudian semut mengunjungi ordinate 0 sebagai node yang terpilih untuk dikunjungi semut berdasarkan nilai probabilitas. Selanjutnya ordinate 0 akan menjadi node awal

  Maksimum

  semut untuk menuju node selanjutnya yang akan

  jumlah semut &&iterasi dikunjungi hingga seluruh node dikunjungi T sampai dengan node terakhir yaitu node ke-36.

  Hasil dari Grafik tersebut jalur yang terbentuk

  Y

  adalah 5, 0, 7, 1, 6, 4, 8, 7, 2, 5, 7, 1, 2, 7, 1, 2, 4, 5, 0, 6, 0, 7, 8, 8, 7, 2, 5, 8, 2, 2, 3, 4, 0, 4, 6, 8.

  Parameter ELM optimal

  Sehingga jika dikonversi menjadi parameter bobot input untuk menggunakan node ke-1

  11 sampai node ke-3, yaitu ordinate 5, 0, dan 7.

  Testing ELM

  Dengan menggunakan Persamaan 15 maka didapatkan hasil = 0.507.

  11 MAPE 4. PENGUJIAN DAN ANALISIS

  Terdapat 4 pengujian yang dilakukan dalam penelitian ini. Penelitian tersebut meliputi

  Hasil peramalan

  pengujian iterasi ACO, pengujian jumlah semut, pengujian batas parameter ELM, dan pengujian jumlah data latih. Setiap pengujian dilakukan percobaan sebanyak 10 kali untuk mendapatkan

  Selesai nilai rata-rata MAPE.

  Gambar 2 Diagram alir ELM-ACO

  4.1 Pengujian Jumlah Semut

  Pengujian jumlah semut digunakan untuk Contoh representasi jalur yang dilalui salah mengetahui jumlah semut yang dapat satu semut yang optimal untuk optimasi bobot menghasilkan paramater input weight dan bias awal dan bias dengan jumlah node yang yang paling optimal untuk menghasilkan nilai dikunjungi sebanyak 36 node dapat dilihat pada peramalan yang paling tepat. Pada pengujian ini Gambar 3. Parameter-parameter ACO yang jumlah semut yang digunakan dalam pengujian digunakan diantaranya maksimum iterasi = 300, adalah 5, 10, 15, 20, 25, 35, dan 40. Nilai jumlah semut = 35 nilai

  = 0.1 dan = 0.9 serta parameter lain yang digunakan pada pengujian node yang dikunjungi sebanyak 36. Node yang ini yaitu 500 iterasi, range input weight [0, 1], dikunjungi oleh semut teresbut akan dikonversi banyak data training dan tetsting 80%:20%. menjadi nilai parameter input weight dan bias

  Grafik hasil pengujian jumlah semut ditunjukkan sebagai parameter awal dari ELM. pada Gambar 4. Gambar 4 Grafik pengujian jumlah semut

  Berdasarkan Gambar 4, hasil pengujian jumlah semut menunjukkan bahwa variasi jumlah semut dapat berpengaruh pada nilai MAPE yang dihasilkan. Semakin banyak jumlah semut yang digunakan maka nilai MAPE yang dihasilkan juga semakin kecil, yang berarti bahwa nilai kesalahan peramalan juga semakin kecil. Hal ini disebabkan karena semakin banyak jumlah semut maka titik yang dieksplorasi semakin besar sehingga kemungkinan menghasilkan solusi optimasi yang terbaik semakin besar. Dari percobaan tersebut didapatkan bahwa rata-rata nilai MAPE terkecil didapatkan pada jumlah semut ke-40 dengan nilai MAPE 0.170.

  6

  1 1,5

  1

  2

  3

  4

  5

  7

  40 M AP E Jumlah semut

  8

  9

  10 M AP E Percobaan Pengujian batas parameter input weight

  [-1,1] [0,1] 0,2 0,4 0,6 0,8

  30 50 100 150 200 300 400 500 MAP E

  Iterasi Pengujian jumlah iterasi

  Pengujian jumlah semut 0,5

  35

4.2 Pengujian batas parameter input weight

  input weight [0, 1], banyak data training 82 dan Berdasarkan Gambar 6, menunjukkan bahwa jumlah maksimum iterasi berpengaruh pada nilai error yang dihasilkan dari proses peramalan. Pengujian jumlah iterasi dapat menunjukkan maksimum iterasi yang menghasilkan nilai parameter input weight yang paling optimal untuk melakukan proses peramalan. Berdasarkan pengujian yang telah dilakukan, jumlah maksimum iterasi yang baik adalah 500 dengan nilai rata-rata MAPE 0.161%. Semakin banyak iterasi yang ditetapkan hasil MAPE yang didapatkan juga semakin kecil, hal ini dikarenakan eksploitasi solusi optimal juga semakin besar sehingga kemungkinan ditemukannya terbaik juga semakin besar.

  dilakukan dikarenakan pada beberapa penelitian terkait extreme learning machine yang pernah dilakukan menggunakan range antara 0 sampai 1, dan ada beberapa peneliti yang menggunakan range -1 sampai 1. Sehingga pengujian ini dilakukan untuk mendapatkan batas bobot awal yang paling optimal diantara kedua batas tersebut Nilai

  parameter lain yang digunakan pada pengujian ini yaitu 500 iterasi, 30 jumlah semut, serta perbandingan data training dan tetsting adalah 80%:20%. Grafik hasil pengujian batas parameter input weight ditunjukkan pada Gambar 5.

  Gambar 5 Grafik Pengujian batas parameter input weight

  Berdasarkan Gambar 5, hasil pengujian batas parameter input weight didapatkan bahwa batas parameter mempengaruhi rata-rata nilai MAPE hasil peramalan. Dari percobaan ini didapatkan bahwa batas parameter [0, 1] menghasilkan hasil peramalan yang lebih optimal dengan nilai kesalahan 0.170%, dibandingkan dengan hasil yang didapat dengan batas [-1, 1] dengan nilai MAPE sebesar 0.313%. Hal ini dapat disebabkan karena fungsi aktivasi yang digunakan yaitu sigmoid biner. Pemilihan fungsi aktivasi berpotensi mempengaruhi batas parameter yang digunakan.

  4.3 Pengujian Jumlah Iterasi

  Pengujian jumlah iterasi bertujuan untuk mengetahui banyak iterasi yang menghasilkan parameter bobot dan bias yang paling optimal untuk menghasilkan nilai error yang paling terbaik. Pada pengujian ini banyak iterasi yang diuji adalah 30, 50, 100, 150, 200, 300, 400 dan 500 iterasi. Nilai parameter lain yang digunakan pada pengujian ini yaitu 40 jumlah semut, range

  Pengujian batas parameter input weight digunakan untuk menentukan batas parameter yang paling optimal dalam peramalan ELM. Pada pengujian ini batas nilai parameter yang digunakan sebagai range dari input weight adalah [-1, 1] dan [0, 1], pengujian ini

  30

  Gambar 6 Grafik pengujian jumlah iterasi 0,5

  1 1,5 2 2,5

  5

  10

  15

  20

  25

  21 data tetsting. Grafik hasil pengujian jumlah iterasi ditunjukkan pada Gambar 6.

  Pengujian perbandingan jumlah data latih digunakan untuk mengetahui jumlah data latih yang paling optimal dalam melakukan pembelajaran untuk melakukan peramalan dengan nilai error yang kecil Pada percobaan

  ini perbandingan yang digunakan adalah perbandingan data latih dengan data uji sebanyak 41, 52, 62, 72, dan 82 dari jumlah data sebanyak 103 dengan persentase 40% : 20%, 50% : 20%, 60% : 20%, 70% : 20% dan 80% : 20% . Nilai parameter lain yang

  digunakan pada pengujian ini yaitu 40 jumlah semut, range input weight [0, 1], dan 500 iterasi . Grafik hasil pengujian pebandingan data training ditunjukkan pada Gambar 6.

  Gambar 7 Grafik pengujian jumlah data training

  Berdasarkan Gambar 7, hasil perbandingan jumlah data latih didapatkan bahwa perbandingan data latih mempengaruhi hasil peramalan. Data latih digunakan dalam proses

  training atau proses pembelajaran dan proses dalam mengenali pola dalam metode ELM.

  Berdasarkan percobaan didapatkan bahwa nilai kesalahan paling kecil didapatkan pada jumlah data latih sebanyak 82 dengan nilai rata-rata MAPE 0.170%. Hal ini membuktikan bahwa semakin banyak data latih maka kesalahan akan semakin kecil, ini dikarenakan data training digunakan sebagai metode pembelajaran, sehingga semakin banyak pola yang dikenali maka semakin akurat juga peramalan yang dihasilkan.

  4.5 Analisis Global Hasil Pengujian

  Berdasarkan pengujian yang telah dilakukan didapatkan parameter-parameter optimal dengan nilai MAPE terbaik. Pada pengujian pertama terkait pengaruh jumlah semut yang digunakan pada proses komputasi menunjukkan bahwa jumlah semut mempengaruhi hasil peramalan, dengan nilai MAPE terkecil yang didapatkan 0.170%. Pada pengujian kedua terkait batas parameter input weight , dari percobaan ditemukan bahwa nilai range bobot awal yang paling optimal adalah anatara 0 sampai 1, dengan nilai rata-rata MAPE 0.170%. Pengujian ketiga terkait pengujian maksimum iterasi pada ACO. Pada percobaan ini didapatkan bahwa iterasi berpengaruh dalam menghasilkan optimasi bobot awal dan bobot bias parameter ELM, hal ini dibuktikan dengan adanya penurunan nilai MAPE pada setiap peningkatan iterasi dan didapatkan nilai MAPE terendah pada iterasi 500 dengan nilai 0.161%. Pengujian keempat adalah pengujian jumlah data latih, dari percobaan dihasilkan bahwa semakin banyak jumlah data latih maka hasil peramalan juga semakin baik. Jumlah data latih optimal dari pengujian jumlah data latih adalah menggunakan 82 data latih dengan nilai rata-rata MAPE 0.170%. Perbandingan algoritme ELM dengan ELM-ACO ditunjukkan pada Tabel 1, dan grafik hasil perbandingan ELM dengan ELM-ACO ditunjukkan pada Gambar 8.

4.4 Pengujian Jumlah Data Training

  Tabel 1. Perbandingan ELM dengan ELM-ACO Percobaan ke-i Nilai MAPE Waktu Komputasi

  ELM ELM- ACO ELM ELM- ACO

  1 3.281 0.179 0.179 0.179 2 4.232 0.117 0.117 0.117 3 5.338 0.004 0.004 0.004 4 6.887 0.244 0.244 0.244 5 5.113 0.126 0.126 0.126 6 4.213 0.069 156 3902 7 4.881 0.177 172 3808 8 4.914 0.051 172 3782 9 4.227 0.244 156 3771 10 5.426 0.489 172 3770

  Rata-rata 4.851 0.170 162.40 3799.20 0,1 0,2 0,3 0,4 0,5 0,6

  40% 50% 60% 70% 80% M AP E

  Data Latih Pengujian jumlah data training

  Gambar 8 Perbandingan ELM dengan ELM-ACO

  3

  6

  7

  8

  9

  10 M AP E Percobaan Perbandingan ELM dengan ELM- ACO

  500000 700000 900000 1100000

  1300000 1500000 1700000 1900000

  1

  5 7 9 11 13 15 17 19 21 Ju ml ah ai r (Li ter )

  4

  Data Perbandingan Data Aktual dengan Hasil Peramalan ELM-ACO

  Hasil Peramalan ELM-ACO Data Aktual 500000 700000 900000

  1100000 1300000 1500000 1700000 1900000

  1

  3

  5 7 9 11 13 15 17 19 21 Ju ml ah ai r (Li ter )

  Data Perbandingan Data Aktual dengan Hasil Peramalan ELM

  Hasil Peramalan ELM Data Aktual

  5

  3

ELM ELM-ACO

  weight dan bias, melakukan pelatihan ELM

  Gambar 9 Grafik perbandingan data aktual dengan hasil peramalan ELM-ACO Gambar 10 Grafik perbandingan data aktual dengan hasil peramalan ELM

  5. KESIMPULAN

  Berdasarkan hasil penelitian peramalan jumlah pemakaian air dengan metode Extreme

  Learning Machine dan Ant Colony Optimization,

  maka didapatkan kesimpulan sebagai berikut: 1.

  Untuk menerapkan metode Extreme

  Learning Machine dan Ant Colony Optimization untuk peramalan jumlah

  pemakaian air adalah dengan melakukan optimasi pada parameter ELM, yaitu input

  Dari 10 kali percobaan yang dilakukan didapatkan rata-rata nilai MAPE masing-masing algoritme adalah 4.373% untuk algoritme ELM dan 1.863% untuk algoritme ELM-ACO. Sedangkan untuk perbandingan dengan data aktual kesalahan yang dihasilkan dari peramalan ELM-ACO lebih kecil yaitu 110565.7 liter dibandingkan dengan peramalan dengan ELM dengan kesalahan sebesar 256552.9 liter. ELM- ACO menghasilkan peramalan yang lebih baik karena adanya optimasi input weight dan bias sehingga hasil yang didapat merupakan parameter ELM terbaik, sedangkan pada algoritme ELM input weight dan bias didapat secara acak. Sehingga optimasi parameter dengan ACO memberikan hasil yang lebih baik dibandingkan ELM tanpa optimasi. Untuk perbandingan data aktual dengan hasil peramalan ditunjukkan pada Gambar 9 dan Gambar 10.

  2

  input weight dan bias yang digunakan dalam training ELM. Kemudian menghitung nilai error menggunakan MAPE, bagi semut

  yang memiliki nilai error terkecil dilakukan pembaruan pheromone . Setalah mendapatkan input weight dan bias paling optimal maka proses selanjutnya adalah

  tetsing ELM untuk menghasilkan peramalan

  jumlah pemakaian air 2. Berdasarkan pengujian dan analisis yang telah dilakukan, didapatkan bahwa parameter optimal untuk jumlah semut adalah 40, jumlah iterasi 500, batas parameter bobot terbaik adalah antara 0 sampai 1, dan data training yang digunakan 82 data serta 21 data testing dengan persentase 80% : 20%. Hasil dari penelitian mendapatkan nilai error yang cukup rendah

  2

  4

  6

  8

  1

  dan melakukan testing ELM. Proses diawali dengan menentukan parameter-parameter ACO, kemudian semua semut akan memilih titik yang akan dilewati oleh semut. Setelah seluruh jalur dilewati, langkah selanjutnya adalah mengubah nilai tersebut sesuai batasan yang ditentukan untuk parameter dengan algoritme Ant Colony Optimization yang dapat memberikan solusi yang lebih baik dalam melakukan optimasi parameter pada peramlan jumlah pemakaian air dengan

  Extreme Learning Machine. Kesalahan pada

  Hong, W. C., Dong, Y., Chen, L. Y. & Lai, C.

  Tianshi, L. & Yalei, M., 2014. Improved Ant Colony Optimization for Interval Pumping of Pumping Unit. Fifth

  Sun, Z. L., Choi, T. M., Au, K. F. & Yu, Y., 2008. Sales Forecasting using Extreme Learning Machine with Application in Fashion Reatiling. Elsevier Decision Support System, Issue 46, pp. 411-419.

  Journal of Engineering and Technology (IJET), 5(3).

  Saranya, C. & Manikandani, G., 2013. A Study on Normalization Techniques for Privacy Preserving Data Mining. International

  on Neural Networks, 17(6), pp. 1411- 1423.

  Liang, N. Y. et al., 2006. A Fast and Accurate Onine Sequential Learning Algorithm for Feedforward Networks. IEE Transaction

  Pemanfaatan Pemandian Umum Untuk Pembangkit Tenaga Listrik Mikrohidro ( PLTMh ) Menggunakan Kincir Tipe Overshot. Jurnal Emitor, 12(11), pp. 50- 58.

  Jatmiko, Asy’ari, H. & P., A. H., 2012.

  Y., 2011. SVR with Hybrid Chaotic Genetic Algorithm for Tourism Demand Forecasting. Applied Soft Computing, Volume 11, pp. 1881-1890.

  Studi Perencanaan Pembangkit Listrik Tenaga Air Tipe Run Off River Di Sungai Kladen Pacitan Menggunakan Metode Flow Duraton Cuvre Majemuk.

  metode ELM-ACO yang dihitung dengan MAPE menghasilkan nilai MAPE sebesar 0.170% yang mana lebih rendah dibandingkan dengan metode ELM sendiri dengan nilai MAPE 4.851%.

  Harjanto, S., L., L. M. & Purwati, E., 2014.

  Ant Colony Optimization: Artifical Ants as A Computational Intelegence Technique. IEEE Computational, pp. 28- 39.

  Dorigo, M., Birattari, M. & Stutzle, T., 2006.

  Neurocomputing, Volume 148, pp. 46- 53.

  Pheromone Mark Ant Colony Optimization with a Hybrid Node Based Pheromone Update Strategy.

  Bratu, M., 2012. The Reduction of Uncertainty in Making Decision by Evaluating the Macroeconomic Forecasts Performance in Romania. Econimic Research, pp. 239- 262. Deng, X., Zhang, L., Lin, H. & Luo, L., 2015.

  Performance Analisys of The Multi- Objective Ant Colony Optimization Algorithms for The Traveling Salesman Problem. Swarm and Evolutionary Computation, Volume 23, pp. 11-26.

  DAFTAR PUSTAKA Ariyasingha, I. & Fernando, T., 2015.

  3. Hasil dari pengujian menunjukkan bahwa metode ELM-ACO membutuhkan waktu komputasi yang lebih lama yaitu dengan waktu 3799.200 milisecoond dibandingkan dengan metode ELM yang hanya membutuhkan waktu 162.400 milisecoond . Namun hasil dari peramalan ELM-ACO lebih baik dibandingkan dengan ELM saja.

  International Conference on Intelligence System Design and Engineering Aplication.