Optimasi SVR dengan Ant Colony Optimization untuk Prediksi Tingkat Produksi Susu Segar (Studi Kasus pada Koperasi Susu SAE Pujon, Malang)

  

Vol. 2, No. 10, Oktober 2018, hlm. 3343-3352 http://j-ptiik.ub.ac.id

Optimasi SVR dengan Ant Colony Optimization untuk Prediksi Tingkat

Produksi Susu Segar

  

(Studi Kasus pada Koperasi Susu SAE Pujon, Malang)

_{1 2 3} Karuniawan Susanto , Rekyan Regasari Mardi Putri , Sutrisno

  Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya _{1 2 3} Email: karuniawansanz@gmail.com, rekyan.rmp@ub.ac.id, trisno@ub.ac.id

  

Abstrak

  Susu merupakan pangan asal ternak yang memiliki kandungan gizi lengkap dan seimbang dimana gizi proteinnya lebih tinggi daripada protein nabati. Konsumsi susu serta olahannya berperan dalam hal meningkatkan kualitas sumber daya manusia di Indonesia yang masih rendah. Oleh karena itu, peran industri pengolahan susu di Indonesia sangat penting dalam hal menyediakan dan mencukupi kebutuhan gizi masyarakat. Salah satu industri pengolahan susu di Indonesia adalah koperasi susu SAE Pujon, Malang. Agar dapat berperan dengan baik, tingkat produksi susu segar pada koperasi SAE Pujon ini adalah hal penting yang perlu untuk dioptimalkan. Tingkat produksi yang kurang tepat akan mengakibatkan kerugian, seperti kerugian dalam bentuk materi ataupun kehilangan konsumen. Berdasarkan permasalahan tersebut dibutuhkan metode support vector regression yang dioptimasi dengan ant colony optimization yang diimplementasikan ke dalam sebuah sistem. Optimasi dilakukan untuk menentukan parameter SVR yang paling optimal. Parameter SVR yang dioptimasi yaitu (sigma), C (kompleksitas),

  (epsilon), cLR (konstanta learning rate) dan (lambda). Range nilai parameter ACO agar mendapatkan nilai parameter SVR yang optimal adalah q = 0,5-1, = 0,01-0,04,

  = 0,01-0,04, = 0,001-0,004, = 0,001-0,004. Prediksi tingkat produksi susu segar pada koperasi susu SAE Pujon bulan Januari sampai Desember tahun 2016 yang dilakukan menggunakan metode SVR-ACO menghasilkan MAPE sebesar 3,30425%.

  Kata kunci: prediksi, tingkat produksi susu, support vector regression, optimasi, ant colony optimization

Abstract

  

Milk is a food of livestock that has a complete and balanced nutrition where its protein nutrition is

higher than vegetable protein. The consumption of milk and its products play a role in improving the

quality of human resources in Indonesia that is still low. Therefore, the role of milk manufacture industry

in Indonesia is very important in terms of providing and sufficient nutrition needs of the people. One of

the milk manufacture industry is dairy cooperatives of SAE Pujon, Malang. In order to be able to play

a role well, the production rates of fresh milk in dairy cooperatives of SAE Pujon is important things

that need to be optimized. Improper production rates will result in losses, such as loss in the form of

material or loss of consumers. Based on these problems, it takes support vector regression method

optimized with ant colony optimization that is implemented into a system. Optimization is done to

determine the most optimal SVR parameter. The optimized SVR parameter are

  (sigma), C

  (complexity),

   (epsilon), cLR (learning rate constants) and (lambda). Range of ACO parameter values

  to obtain optimal SVR parameter value is q0 = 0,5- 1, α = 0,01-0,04, = 0,01-0,04, ρ = 0,001-0,004, δ

= 0,001-0.004. The milk production rates forecasting in dairy cooperatives of SAE Pujon from January

until December 2016 by using SVR-ACO resulted MAPE value of 3,30425% .

  

Keywords: forecasting, milk production rates, support vector regression, optimization, ant colony optimization

  susu. Beberapa faktor yang mempengaruhi 1.

   PENDAHULUAN peluang yang cukup baik tersebut yaitu susu

  merupakan kebutuhan pokok yang dibutuhkan Salah satu industri yang mempunyai peluang oleh seluruh kelompok usia terutama untuk anak yang cukup baik adalah industri pengolahan

  Fakultas Ilmu Komputer Universitas Brawijaya

3343

• anak. Selain itu banyak produk yang dapat dibuat dari susu seperti makanan, minuman, keju, mentega, yogurt, dll. Konsumsi susu serta olahannya tersebut berperan dalam hal meningkatkan kualitas sumber daya manusia (SDM) di Indonesia yang masih rendah (Hatta, et al, 2014). Jika konsumsi susu meningkat maka kualitas sumber daya manusia akan meningkat karena susu merupakan pangan asal ternak yang memiliki kandungan gizi lengkap dan seimbang dimana gizi proteinnya lebih tinggi daripada protein nabati (Hatta, et al, 2014). Oleh karena itu, peran industri pengolahan susu di Indonesia sangat penting dalam hal menyediakan dan mencukupi kebutuhan gizi masyarakat.

  memecahkan masalah optimasi dengan cara menemukan jalur terbaik. Algoritma ini memiliki beberapa kelebihan yaitu bersifat

  2.1 Tingkat Produksi

  2. TINJAUAN PUSTAKA

  menunjukkan bahwa nilai NMSE metode SVR- ACO lebih kecil dibandingkan dengan metode T-SVR dan BPNN yaitu 0.2470 : 0.6187 : 0.3022 (Hu, et al, 2010).

  Resource Prediction . Penelitian tersebut

  diimplementasikan (Deng, et al, 2015) serta memiliki natural self learning yang sangat kuat sehingga sangat tepat jika digunakan untuk permasalahan optimasi (Tianshi & Yalei, 2014). Metode SVR-ACO sebelumnya pernah digunakan untuk menyelesaikan masalah Grid

  highly parallelism , mudah dipahami dan

  optimization merupakan teknik untuk

  Salah satu industri pengolahan susu di Indonesia adalah koperasi susu SAE Pujon, Malang. Koperasi susu SAE Pujon adalah salah satu industri pengolahan susu yang memproduksi susu segar yang terletak di jalan Brigjen Abdul Manan Wijaya 15 Pujon, Malang.

  Algoritma support vector regression adalah salah satu metode untuk meramalkan data non- linear (Soebroto, et al, 2015). Pada penelitian sebelumnya, metode SVR digunakan untuk prediksi harga emas di Pert Mint, Australia dengan cara melihat data sebelumnya untuk membentuk fungsi regresi. Permasalahan pada penelitian ini adalah harga emas di pasar memainkan peranan penting karena belakangan ini emas telah menjadi alat investasi jangka pendek maupun jangka panjang. Melalui penelitiannya, Dubey membuktikan bahwa prediksi harga emas menggunakan SVR memberikan nilai MAPE terbaik dibandingkan menggunakan metode ANFIS yaitu sebesar 0.0063055 (Dubey, 2016). Untuk menghasilkan prediksi yang optimal perlu dilakukan optimasi pada parameter SVR karena hasil akurasi prediksi yang buruk disebabkan oleh kurangnya pengetahuan untuk menentukan nilai parameter SVR dan cara terstruktur untuk menentukan nilai parameter SVR tidak berjalan dengan baik (Hong, et al, 2011). Algoritma ant colony

  MAPE yang dihasilkan sebesar 4.491 (Sankar & Prabakaran, 2012).

  latar belakang penelitian ini adalah susu mempunyai peranan penting dalam menjadi sumber pendapatan di India melalui koperasi susu. Jadi peramalan ini perlu dilakukan untuk mencapai dan mempertahankan target pada sektor industri susu. Pada penelitian ini peramalan dilakukan dengan cara melihat data produksi susu sebelumnya lalu menggunakan metode ARIMA sebagai metode penyelesaian masalah. Penggunaan metode ARIMA dalam penelitian ini mendapatkan hasil akurasi yang belum maksimal. Hal ini dibuktikan dengan nilai

  Milk Production in Tamilnadu. Yang menjadi

  Peramalan produksi susu pernah dibahas pada penelitian sebelumnya yaitu Forecasting

  Agar dapat berperan dengan baik, tingkat produksi susu segar pada koperasi SAE Pujon ini adalah hal penting yang perlu untuk dioptimalkan. Tingkat produksi yang kurang tepat akan mengakibatkan kerugian, seperti kerugian dalam bentuk materi ataupun kehilangan konsumen. Kerugian dalam bentuk materi disebabkan oleh tingkat produksi yang berlebihan, atau dengan kata lain barang yang diproduksi melebihi permintaan konsumen. Sedangkan kerugian dalam hal kehilangan konsumen disebabkan oleh tingkat produksi yang terlalu rendah atau kurangnya persediaan barang. Hal inilah yang membuat sebuah perusahaan tidak mencapai keuntungan yang maksimal. Oleh karena itu koperasi susu SAE Pujon membutuhkan sebuah sistem cerdas yang dapat memprediksi tingkat produksi susu segar secara optimal.

  Tingkat produksi adalah ukuran yang menunjukkan banyaknya barang atau jasa yang dibuat atau diproduksi. Di dalam suatu perusahaan yang bergerak dalam bidang produksi, tingkat produksi akan suatu barang merupakan hal yang penting untuk dioptimalkan. Karena jika tingkat produksi optimal, perusahaan akan menghasilkan tingkat

  ∗ ∗ ∗

  (c)

  =

• produksi sesuai dengan besarnya kebutuhan dan

  permintaan konsumen (Purnomo, Wibowo &

  =

• (4)

  Maulidiah, 2015). Kesesuaian antara tingkat produksi dengan besarnya kebutuhan dan Keterangan:

  E i = nilai error

  permintaan konsumen akan berpengaruh pada

  y i = nilai aktual data latih

  keuntungan yang akan dihasilkan oleh

  ∗

  perusahaan. Jika tingkat produksi barang dalam = lagrange multiplier = lagrange multiplier suatu perusahaan lebih besar daripada

  R ij = matriks hessian

  permintaan konsumen, maka akan ada barang

  ∗

  yang tersisa dimana hal ini menyebabkan = variabel tunggal, bukan bentuk dari perkalian dengan kerugian bagi perusahaan. Sebaliknya, jika

  ∗

  tingkat produksi barang dalam suatu perusahaan = variabel tunggal, bukan lebih kecil daripada permintaan konsumen, bentuk dari perkalian dengan maka perusahaan tidak bisa memenuhi permintaan konsumen yang berdampak pada

  = learning rate kehilangan konsumen. = parameter epsilon

  ε

  = parameter kompleksitas

  C

2.2 Support Vector Regression (SVR)

  Support Vector Regression (SVR) adalah

  4. Kembali ke langkah kedua sampai kondisi

  metode pengembangan dari Support Vector iterasi maksimum atau max (| |) < dan

  Machine (SVM) untuk kasus regresi yang ∗

  max (| |) < dikembangkan oleh Vapnik et. al pada tahun

  5. Fungsi regresinya yaitu:

  1997 (Sarhani & Afia, 2016). Algoritma SVR

  ∗

  2

  (5) ( ) = ∑ ( − )( ( , ) + )

  =1

  memetakan input data ke dalam ruang fitur berdimensi tinggi melalui fungsi kernel non- Keterangan: linear lalu menemukan fungsi regresi linearnya

  ∗

  = lagrange multiplier dan menyelesaikannya di dalam ruang fitur = lagrange multiplier tersebut (Lixing, et al, 2010). Salah satu metode

  x i = data ke-i

  yang digunakan untuk mendapatkan garis

  x = data ke-j

  pemisah / hyperplane yang optimal dalam = variabel skalar

  λ

  metode SVR adalah metode sekuensial yang dikembangkan oleh Vijayakumar. Berikut

  6. Selesai.

  adalah langkah-langkahnya (Vijayakumar & Wu, 1999):

  2.3 Support Vector Regression

• – Ant Colony

  1. Inisialisasi parameter sigma

  ( ),

  Optimization

  kompleksitas(C), epsilon ( ), konstanta algoritma SVR-ACO dapat

  Flowchart learning rate (cLR) dan lambda(

  ).

  ∗ dilihat pada Gambar 1 di bawah ini.

  2. Inisialisasi = 0, = 0, Hitung matrik R ij

  2

  untuk i,j = 1,...,n (1)

  = ( ( , ) + )

  Keterangan:

  R ij = matriks hessian _i x = data ke-i x j = data ke-j

  = variabel skalar

  λ 3.

  Untuk setiap data training, i = 1 sampai n hitung :

  ∗ (2)

  (a)

  = − ∑ ( − ) =1 ∗ ∗ ∗

  }

  (b)

  = min {max[ ( − ), − ] , − = min {max[ (− − ), − ] , − }

  (3)

  = nilai tetapan siklus semut

  q

  = nilai intensitas feromon

  τ Mulai r = node awal u = node selanjutnya α = tetapan pengendali intensitas

  Optimasi nilai

  feromon

  parameter SVR β = tetapan pengendali visibilitas dengan ACO

  Nilai S ditentukan secara acak sesuai dengan range yang telah ditentukan, nilai S

  Proses training SVR

  digunakan untuk dasar perhitungan distribusi di bawah ini: N

  Iterasi max

   Jika S ∈ J(r) ,

  ACO [ ( , )] . [ ( , )]

  P(r,u) = (7) ∑ [ ( , )] .[ ( , )]

  ∈ ( )

  Y

   J(r) , P(r,u) = 0 (8)

   Jika S

  ∉ Nilai parameter SVR optimal (

  σ, C, ε, cLR, λ)

  Keterangan : = nilai intensitas feromon

  τ r = node awal Prediksi tingkat produksi u = node selanjutnya susu segar

  = tetapan pengendali intensitas

  α

  feromon = tetapan pengendali visibilitas

  β Selesai

  Kemudian gunakan seleksi Roulette Wheel untuk menentukan u=S

  Gambar 1 Flowchart Algoritma SVR-ACO c.

  Berikut ini adalah langkah-langkah metode Update nilai feromon lokal (setiap SVR-ACO (Lixing, et al, 2010): semut ketika mengunjungi kota berikutnya wajib update feromon

  1. Tentukan parameter SVR dan batas lokal) : maksimum-minimum parameter yang akan dioptimasi dengan ACO.

  2. ), Tentukan nilai tetapan siklus semut (q

  (9) ( , ) = (1 − )( ( , )) + tetapan pengendali intensitas feromon (

  α),

  tetapan pengendali visibilitas (

  β), tetapan

  Keterangan : penguapan jejak feromon local dan global

  r = node awal

  (

  ρ dan δ), jumlah semut (m), jumlah iterasi u = node selanjutnya (Nc max ), nilai feromon awal ( ).

  τ

  = tetapan penguapan jejak

  ρ 3.

  Penyusunan jalur kunjungan tiap semut - feromon lokal optimasi parameter (

  σ, C, ε) : = nilai intensitas feromon τ

  a.

  Tentukan posisi node pertama secara = nilai intensitas feromon awal

  τ

  acak untuk setiap semut sebagai nilai r b. Tentukan node selanjutnya (nilai u) d.

  Setelah mendapatkan node semut baru, dengan random q = [0,1], lalu maka node semut tersebut menjadi bandingkan dengan q : nilai r berikutnya. Ulangi langkah b

  , sampai seluruh node semut terlewati.  Jika ≤ 4.

  Setelah semua node dikunjungi, hitung {[ ( , )] [ ( , )] } (6)

  NMSE lalu simpan solusi terbaik (global , tentukan nilai S

   Jika > best ).

  5. Keterangan : Lakukan update nilai feromon global pada semut yang memiliki nilai NMSE terkecil :

  q = nilai random antara 0 sampai

  1 ( , ) = (1 − ) . ( , ) + ∆ ( , )

  (10) Dimana ada kondisi :

  (15) Keterangan :

  2.5 Nilai Evaluasi

  Nilai evaluasi adalah nilai yang digunakan untuk mengecek seberapa besar kesalahan dalam melakukan prediksi. Penelitian ini menggunakan nilai evaluasi MAPE (Mean Absolute

  Percentage Error ). Berikut adalah penjabaran

  rumus MAPE (Fattahi, 2016):

  =

  1 ∑ |

  − | × 100%

  =1

  n

  ( − )) +

  = banyaknya data

  A i = data aktual ke-i P i = data prediksi ke-i

  3. DATA PENELITIAN

  Data yang digunakan dalam penelitian ini adalah data penjualan susu segar per bulan mulai dari tahun 2014 sampai tahun 2016. Data tersebut diperoleh dari koperasi susu SAE Pujon, Malang sekaligus sebagai studi kasus dalam penelitian ini dengan melakukan wawancara dengan bagian Humas koperasi susu SAE Pujon, Malang.

  4. PENGUJIAN DAN ANALISIS

  Terdapat 14 pengujian yang dilakukan terhadap sistem. 14 pengujian tersebut meliputi pengujian parameter ACO, pengujian iterasi ACO, pengujian parameter SVR, pengujian jumlah fitur data, dan pengujian iterasi SVR. Setiap pengujian dilakukan percobaan sebanyak 10 kali untuk mendapatkan nilai MAPE rata- rata.

  4.1 Pengujian Range Parameter q q merupakan pembanding untuk

  menentukan jalur semut selanjutnya . Berdasarkan hasil pengujian range parameter q ,

  Gambar 2 Grafik Pengujian Range Parameter q

  (14)

  = ( ′

   Jika (r,u) ∈ global best tour, maka ∆ ( , ) =

  Jika proses normalisasi dilakukan, pada akhirnya akan dilakukan juga proses denormalisasi untuk mengembalikan data pada range semula, yaitu dengan mencari nilai y. Berikut merupakan rumus denormalisasi:

  1

  (11)  Jika (r,u) ∉ global best tour, maka

  ∆ ( , ) = 0 (12)

  Keterangan:

  r = node awal u = node selanjutnya τ

  = nilai intensitas feromon

  δ

  = tetapan penguapan jejak feromon global

  ∆τ(r,u) = matriks perubahan intensitas

  feromon global

  L ^{gb = NMSE globalbest} 6.

  Kosongkan jalur kunjungan setiap semut 7. Ulangi langkah 3 sampai 6. Jika iterasi sudah maksimum, tentukan NMSE minimum setiap jalur node semut pada setiap iterasi.

  8. Nilai NMSE minimum tersebut adalah node semut terbaik yang dapat digunakan oleh metode SVR untuk menghasilkan suatu fungsi regresi.

9. Selesai.

2.4 Normalisasi

  Normalisasi data bertujuan untuk menskalakan data pada range tertentu. Pada penelitian ini teknik normalisasi data yang digunakan adalah min-max normalization dan data diskalakan pada range 0 sampai 1. Berikut merupakan penjabaran rumus min-max

  normalization (Saranya & Manikandan, 2013): ′

  = −

  −

  (13) Keterangan:

  ′

  = data hasil normalisasi = data yang akan dinormalisasi = data terbesar dari dataset = data terkecil dari dataset diperoleh rata-rata nilai MAPE minimum yaitu 6,384 dengan range parameter q = 0,5-1. Hal ini menunjukkan bahwa semakin besar nilai parameter q , nilai error rate semakin kecil. Sebaliknya semakin kecil nilai parameter q , nilai error rate semakin besar.

  4.2 Pengujian Range Parameter Alfa (

  4.4 Pengujian Range Parameter Rho (

  Gambar 4 Grafik Pengujian Range Parameter Beta ( ) Gambar 5 Grafik Pengujian Range Parameter Rho ( )

  4.6 Pengujian Jumlah Ant pada ACO Gambar 3 Grafik Pengujian Range Parameter Alfa ( )

  error rate .

  = 0,001-0,004. Hal ini menunjukkan bahwa nilai yang terlalu kecil atau terlalu besar menyebabkan meningkatnya

  . Semakin besar nilai delta, feromon menguap dengan cepat dan pencarian solusi menjadi semakin random atau eksplorasi semakin meningkat . Berdasarkan hasil pengujian range parameter delta, diperoleh rata-rata nilai MAPE minimum yaitu 4,543 dengan range parameter

  0 < < 1

  lokal dengan batas

  Delta adalah tetapan penguapan feromon

  )

  4.5 Pengujian Range Parameter Delta (

  adalah tetapan penguapan feromon lokal dengan batas 0 < < 1. Semakin besar nilai rho, feromon menguap dengan cepat dan pencarian solusi menjadi semakin random atau eksplorasi semakin meningkat (Engelbrecth, 2007) . Berdasarkan hasil pengujian batas parameter rho, diperoleh rata-rata nilai MAPE minimum yaitu 5,637 dengan range parameter = 0,001-0,004. Hal ini menunjukkan bahwa nilai yang terlalu kecil atau terlalu besar menyebabkan meningkatnya error rate.

  Rho

  )

  = 0,01-0,04. Hal ini menunjukkan bahwa nilai yang terlalu kecil atau terlalu besar menyebabkan meningkatnya error rate.

  )

  ), diperoleh rata-rata nilai MAPE minimum yaitu 4,672 dengan range parameter

  range parameter Beta (

  Berdasarkan pengujian

  atau biasa disebut tetapan informasi heuristik dengan batas > 0.

  Beta adalah tetapan pengendali visibilitas

  )

  4.3 Pengujian Range Parameter Beta (

  MAPE minimum yaitu 4,997 dengan range parameter = 0,01-0,04. Hal ini menunjukkan bahwa nilai yang terlalu kecil atau terlalu besar menyebabkan meningkatnya error rate.

  Berdasarkan hasil pengujian range parameter alfa ( ), diperoleh rata-rata nilai

  terlalu besar akan memberikan intensitas feromon yang berlebihan. Hal ini akan mengakibatkan cepatnya konvergensi namun hasil yang diperoleh tidak optimal (Engelbrecht, 2007) .

  . Nilai alfa yang

  digunakan untuk memperkuat intensitas dari feromon dengan batas > 0

  Alfa adalah konstanta positif yang

  Gambar 6 Grafik Pengujian Range Parameter Delta ( ) Gambar 7 Grafik Pengujian Jumlah Ant pada ACO

  Berdasarkan hasil pengujian jumlah ant pada ACO, semakin banyak jumlah ant belum

  4.8 Pengujian Batas Parameter Sigma ( σ)

  tentu menghasilkan nilai prediksi yang terbaik namun nilai prediksi terbaik didapatkan dengan jumlah ant tertentu. Terlalu banyak jumlah ant . tidak terlalu bermanfaat karena lebih lama untuk memperkuat feromon pada jalur yang bagus daripada jalur yang buruk (Engelbrect, 2007). Terlalu banyak jumlah ant juga mengakibatkan meningkatnya eksplorasi sehingga solusi yang dihasilkan tidak optimal Hasil pengujian ini . menunjukkan bahwa pada jumlah ant 10 menghasilkan nilai MAPE terkecil. Pada jumlah

  Gambar 10 Grafik Pengujian Batas Parameter Sigma ( σ) ant 10 nilai rata-rata MAPE yang dihasilkan adalah 5,159.

  Parameter sigma mempengaruhi kinerja kernel RBF. Bila nilai sigma terlalu

4.7 Pengujian Jumlah Iterasi ACO

  diperhitungkan mengakibatkan perilaku eksponensial menjadi hampir linear. Bila nilai

  sigma terlalu diabaikan, fungsi akan mengalami kekurangan pengaturan ( S oebroto, et al, 2015 .

  Berdasarkan hasil pengujian batas parameter

  sigma , batas parameter sigma pada range 1

  sampai 9,999 menghasilkan nilai rata-rata MAPE yang terbaik. Nilai rata-rata MAPE yang dihasilkan pada range tersebut adalah 4,699.

  4.9 Pengujian Batas Parameter Gambar 8 Grafik Pengujian Jumlah Iterasi ACO

  Kompleksitas (C)

  Berdasarkan hasil pengujian jumlah iterasi ACO di atas dapat disimpulkan bahwa semakin banyak jumlah iterasi ACO maka belum pasti menghasilkan nilai rerata MAPE yang terbaik . Hal ini dikarenakan sifat dari algoritma ACO adalah stochastic atau random . Jumlah iterasi ACO optimal yang didapatkan adalah 1300 dengan nilai rata-rata MAPE 5,196 . Di samping itu semakin banyak jumlah iterasi ACO, semakin lama waktu komputasi yang dibutuhkan. Grafik

  Gambar 11 Grafik Pengujian Batas Parameter

  waktu komputasi iterasi ACO dapat dilihat pada

  Kompleksitas (C) Gambar 9.

  Parameter C adalah parameter yang menunjukkan nilai penalty yang diberikan ketika terjadi kesalahan dari model regresi yang dihasilkan. Semakin kecil nilai C, maka nilai

  penalty yang diberikan semakin kecil. Dan sebaliknya. Berdasarkan hasil pengujian, range 100 sampai 999 menghasilkan nilai rerata MAPE yang terbaik. Nilai rata-rata MAPE yang dihasilkan pada range tersebut adalah 4,472. Hal ini menunjukkan bahwa prediksi yang dihasilkan cukup baik apabila range nilai C besar, tetapi jika nilai C terlalu besar menyebabkan model regresi menjadi tidak stabil dan error rate meningkat.

  4.10 Pengujian Batas Parameter Epsilon ( ε)

  berkaitan dengan

  Gambar 13 Grafik Pengujian Batas Parameter cLR Gambar 15 Grafik Pengujian Jumlah Fitur Data Gambar 14 Grafik Pengujian Parameter Lambda (

  Gambar 12 Grafik Pengujian Batas Parameter Epsilon ( ε)

  Berdasarkan hasil pengujian jumlah fitur data, nilai rata-rata MAPE terkecil didapatkan dari jumlah fitur sebanyak 4. Nilai rerata MAPE yang didapatkan dengan jumlah fitur sebanyak 4 adalah sebesar 3,432. Hal ini menunjukkan

  4.13 Pengujian Jumlah Fitur Data

  Nilai rerata MAPE yang dihasilkan pada range tersebut adalah 3,441. Hal ini menunjukkan bahwa batas optimal parameter lambda yang dapat menghasilkan nilai prediksi terbaik adalah antara 0,001 sampai 0,009.

  lambda pada range 0,001 sampai 0,009 menghasilkan nilai rerata MAPE yang terbaik.

  semakin bagus, namun jika terlalu besar mengakibatkan lambatnya konvergensi dan proses learning menjadi tidak stabil (Vijayakumar, 1999) . Berdasarkan hasil pengujian parameter lambda, batas parameter

  augmented factor. Semakin besar nilai lambda

  lambda

  Parameter epsilon merupakan parameter yang berpengaruh terhadap batas kesalahan model regresi. Jika epsilon nilainya kecil, maka batas kesalahan model regresi juga kecil

  Parameter

  4.12 Pengujian Batas Parameter Lambda ( λ)

  Konstanta learning rate (cLR) berbanding lurus dengan nilai gamma (learning rate). Semakin kecil nilai cLR, semakin lama juga proses learning yang dilakukan . Berdasarkan hasil pengujian batas parameter cLR, batas parameter cLR pada range 0,001 sampai 0,009 menghasilkan nilai rerata MAPE yang terbaik. Nilai rerata MAPE yang dihasilkan pada range tersebut adalah 4,101. Hal ini menunjukkan bahwa batas optimal parameter cLR yang dapat menghasilkan nilai prediksi terbaik adalah antara 0,001 sampai 0,009.

  4.11 Pengujian Batas Parameter cLR

  hasil pengujian parameter epsilon, batas parameter epsilon pada range 0,1 sampai 0,9 menghasilkan nilai rerata MAPE yang terbaik. Nilai rerata MAPE yang dihasilkan pada range tersebut adalah 3,299.

  support vector -nya (Chai, 2011) . Berdasarkan

  Semakin besar nilai epsilon, semakin rendah presisi suatu pola regresi dan semakin sedikit

  .

  λ) Tahun 2016

  Gambar 16 Grafik Pengujian Jumlah Iterasi SVR Gambar 17 Grafik Waktu Komputasi Iterasi SVR Gambar 18 Grafik Prediksi Tingkat Produksi Susu Segar

  Berdasarkan hasil penelitian optimasi parameter SVR menggunakan Ant Colony

  training sebanyak dua tahun yaitu tahun 2014

  Untuk pengembangan lebih lanjut, saran yang dapat diberikan adalah menambah jumlah data training yang digunakan. Karena pada penelitian ini, peneliti hanya menggunakan data

  = 0,01-0,04, = 0,01-0,04, = 0,001-0,004, = 0,001-0,004. Di samping itu error rate yang dihasilkan sistem tergolong kecil. Hal ini ditunjukkan dengan nilai MAPE sebesar 3,30425%. Hasil prediksi tersebut dapat disimpulkan memiliki akurasi tinggi karena nilai MAPE kurang dari 10%.

  nilai parameter yang didapatkan adalah q = 0,5- 1,

  Optimization yang menghasilkan parameter Support Vector Regression yang optimal. Range

  susu segar koperasi SAE Pujon,, besaran nilai parameter Ant Colony Optimization yang berbeda sesuai dengan batas-batasnya mempengaruhi nilai error rate yang dihasilkan oleh sistem. Berdasarkan hasil pengujian, didapatkan range parameter Ant Colony

  Optimization untuk prediksi tingkat produksi

  5. KESIMPULAN

  bahwa jumlah fitur data yang ideal untuk mengenali pola terhadap periode prediksi adalah sebanyak 4 fitur atau dengan kata lain prediksi dengan hasil terbaik adalah prediksi menggunakan data 4 bulan sebelumnya.

  = 0,001-0,004, range parameter = 0,001-0,004. Selain itu dapat disimpulkan bahwa jumlah iterasi ACO yang optimal adalah sebanyak 1300 dan jumlah ant yang optimal sebanyak 10. Kemudian berdasarkan hasil pengujian setiap parameter SVR, didapatkan batas parameter SVR yang optimal. Batas parameter sigma yaitu antara 1 sampai 9,999, batas parameter C antara 100 sampai 999, batas parameter epsilon antara 0,1 sampai 0,9, batas parameter cLR antara 0,001 sampai 0,009, dan batas parameter lamda antara 0,001 sampai 0,009. Jumlah fitur sebanyak 9 dan iterasi SVR yang optimal sebanyak 1500. Pada Gambar 22 di bawah ini disajikan grafik hasil prediksi tingkat produksi susu segar tahun 2016 menggunakan hasil pengujian yang optimal yang menghasilkan MAPE sebesar 3,30425%.

  = 0,01-0,04, range = 0,01-0,04, range parameter

  Range parameter q = 0,5-1, range parameter

  Setelah seluruh pengujian dilakukan, didapatkan range parameter ACO yang optimal.

  4.15 Analisis Global

  Berdasarkan hasil pengujian jumlah iterasi SVR, semakin banyak jumlah iterasi SVR belum tentu menghasilkan nilai rata-rata MAPE minimum, namun nilai rata-rata MAPE minimum didapatkan dari jumlah iterasi SVR tertentu. Nilai rerata MAPE terkecil didapatkan dari jumlah iterasi SVR sebanyak 1500 yaitu 3,491. Hal ini menunjukkan semakin banyak iterasi SVR dapat menyebabkan overfit. Selain itu, semakin banyak jumlah iterasi SVR, semakin banyak juga waktu yang dibutuhkan untuk melakukan komputasi. Grafik waktu komputasi iterasi SVR dapat dilihat pada Gambar 17 di bawah ini.

  4.14 Pengujian Jumlah Iterasi SVR

• – 2015. Semakin banyak jumlah data training yang digunakan, prediksi yang dihasilkan semakin baik juga.

DAFTAR PUSTAKA

  on Electrical and information Technologies .

  International Conference on Soft Computing , pp.610-619.

  Vijayakumar, S., Wu, Si., 1999. Sequential Support Vector Classifiers and Regression.

  International Conference on Intelligent Sytems Design and Engineering Applications .

  Colony Optimization For Interval Pumping of Pumping Unit. Fifth

  , Vol.2, No.2, pp.79-86. Tianshi, L., Yalei, M., 2014. Improved Ant

  dan Ilmu Komputer (JTIIK)

  Prediksi Tinggi Muka Air (TMA) Untuk Deteksi Dini Banjir Menggunakan SVR- TVIWPSO. Jurnal Teknologi Informasi

  Soebroto, A.A., Cholissodin, I., Wihandika, R.C., Frestantiya, M.T., Arief, Z.E., 2015.

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

  Normalization Techniques for Privacy Preserving Data Mining. International

  pp.10-15 Saranya, C., Manikandan, G., 2013. A Study on

  Multidisciplinary Research Journal ,

  Sankar, T.J., Prabakaran, R., 2012. Forecasting Milk In Tamilnadu. International

  Chai, Y., 2011. A Coal Mine Gas Concentration Prediction Method Based On Particle Swarm Optimization Support Vector Regression. IEEE, pp.334-337.

  Deng, X., Zhang, L., Lin, H., Luo, L., 2015.

  Purnomo, H.B., Wibowo, Y., Maulidiah, K., 2015. Perencanaan Produksi Kerupuk Puli Dengan Metode Program Dinamik Di UD Rizky Jember. Agrointek, Vol.9,No. 1.

  on Computer, Communication, Control and Automation .

  Lixing, D., Jinhu, L., Xuemei, L., Lanlan, L., 2010. Support Vector Regression and Ant Colony Optimization For HVAC Cooling Load Prediction. International Symposium

  Hu, G., Hu, L., Song, J., Li, P., Che, X., Li, H., 2010. Support Vector Regression and Ant Colony Optimization for Grid Resource Prediction. pp.1-8.

  Hatta, W., Sudarwanto, M.B., Sudirman, I., Malaka, R., 2014. Survei Karakteristik Pengolahan dan Kualitas Produk Dangke Susu Sapi di Kabupaten Enrengkang, Sulawesi Selatan. JITP, Vol.3, No.3.

  Journal Of Optimization In Civil Engineering , Vol.6(1), pp.63-75.

  Fattahi, H., 2016. A Hybrid Support Vector Regression With Ant Colony Optimization Algorithm In Estimation Of Safety Factor For Circular Failure Slope. International

  Intelligence : An Introduction. South Africa : John Wiley and Sons, Ltd.

  . Engelbrecth, A.P., 2007. Computational

  Computer Communication and Informatics

  Dubey, A.D., 2016. Gold Price Prediction Using Support Vector Regression and ANFIS Models. International Conference on

  Neurocomputing , 148, pp.46-53.

  Pheromone Mark Ant Colony Optimization With A Hybrid Node Based Pheromone Update Strategy.

  Sarhani, M., Afia, A.E., 2016. Feature Selection and Parameter Optimization of Support Vector Regression for Electric Load Forecasting. 2nd International Conference