Prediksi Jumlah Follower Official Account Line Menggunakan Regresi dan Algoritma Genetika

  

Vol. 1, No. 11, November 2017, hlm. 1312-1320 http://j-ptiik.ub.ac.id

Prediksi Jumlah Follower Official Account Line Menggunakan Regresi dan

₁ Algoritma Genetika ₂

  3 Nizar Riftadhi Prabandaru , Rekyan Regasari Mardhi Putri , Agus Wahyu Widodo

  Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya _{1 3} Email: nizarprabandaru@gmail.comb.ac.id, a_wahyu_w@ub.ac.id

  

Abstrak

Penelitian ini menggunakan official account LINE IKI MALANG sebagai studi kasus penelitian.

  Berdasarkan hasil wawancara, official media ini belum memiliki dasar perubahan harga pada setiap berubahnya harga jasa pemasaran official media ini. Sehingga penulis mencoba memberikan bantuan dengan memberi dasar pada setiap perubahan harga jasa pemasaran pada official media ini dengan prediksi jumlah follower pada setiap bulannya. Metode yang digunakan adalah metode regresi yang dibangun dengan algoritma genetika. Regresi digunakan untuk memprediksi, sedangkan algoritma genetika digunakan untuk mengoptimasi variabel yang mempengaruhi hasil prediksi. Untuk mendapati hasil prediksi yang optimal, maka pada setiap variabel yang dioptimasi nanti diuji pada rentan angka tertentu. Namun pada hasil pengujian diperoleh hasil akurasi yang kurang optimal yaitu 7,801E-03 dikarenakan data yang ada masih sangat minim sehingga hasil prediksi kurang sesuai dengan hasil sebenarnya.

  Kata kunci: regresi, follower, sosial media, IKI MALANG, prediksi, LINE

Abstract

This research used a case study of LINE IKI MALANG official account. The result of the interview

showed that LINE IKI MALANG did not have a basis of its marketing service price change. Therefore,

the author tried to provide assistance by giving a basis for any price change of the marketing service

based on the predicted number of its followers on each month. The method used in this research was a

regression method built with genetic algorithm. Regression was used to predict the followers, while the

genetic algorithm was used to optimize the variables that influenced the predicted result. To find optimal

predictive results, every optimized variable will be tested on a particular vulnerable numbers. But from

the experiment, the researcher got a non-optimal result which was 7,801E-03 because of the minimum

data so that the prediction was not close to the training data.

  Keywords: regression, followers, social media, IKI MALANG, prediction, LINE (Farokatarina F. dan Widyastuti Dhyah, 2014).

1. Besarnya data pengguna sosial media ini PENDAHULUAN

  dimanfaatkan oleh para pemilik Usaha Kecil dan Aplikasi sosial media Line merupakan salah

  Menengah untuk memasarkan dagangannya. Hal satu aplikasi yang cukup populer saat ini dan ini dikarenakan sosial media merupakan media bahkan sudah digunakan oleh lebih dari 600 juta paling ampuh untuk memasarkan dagangannya. orang di seluruh dunia diakses

  Menurut data yang telah dihimpun pada 19 November 2016). Line sendiri

  UprightDecision, rata-rata transaksi online yang

  merupakan aplikasi buatan NH Corporation asal sudah terjadi di Indonesia kebanyakan terjadi negara Jepang dan dirilis pada Juni 2011 lalu melalui media sosial (Siswanto Tito, 2013). (id.wikipedia.org, diakses pada 19 November

  Banyaknya pemilik UKM yang ada di 2016). Berdarkan data yang dihimpun oleh indonesia khususnya di kota malang membuka

  pada tanggal 3 September

  potensi bagi pemilik account sosial media yang 2013, masyarakat indonesia yang sudah ada di kota malang itu untuk menjadi media mengunduh Line sampai 14 juta orang

  Fakultas Ilmu Komputer Universitas Brawijaya

1312 pemasaran UKM yang berbayar. Di sini penulis mengambil studi kasus dari official account line

  IKI MALANG yang memiliki basis di kota malang. Account ini sudah berdiri dari tanggal 7 Juli 2015 2 tahun lalu. Hingga saat ini account tersebut telah memiliki sekitar 91.458 follower (IKI MALANG, diakses pada 7 Desember 2016). Official account ini sendiri sudah menentukan harga dasar harga apabila ada pemilik UKM yang ingin memasarkan dagangannya di account ini.

  daerah Malang Raya. Official account LINE IKI MALANG sendiri baru berdiri pada tanggal 7 Juli 2015 atau sekitar 1 setengah tahun yang lalu.

  account dalam memetakan harga jual jasa

  sebagai studi kasus untuk membantu pemilik

  Official account IKI MALANG dipilih

  account sosial media LINE yang berbasis di Malang Raya.

  IKI MALANG diakses pada tanggal 7 Desember 2016). Angka tersebut bisa dikatakan sudah melebihi jumlah follower rata-rata

  account

  Perkembangan follower di account ini sangatlah cepat untuk daerah regional Malang. Terbukti baru 15 bulan berdiri, account ini sudah memiliki follower sebanyak 91.458 (Official

  account LINE yang berbasis atau bertempat di

  Namun harga yang ditentukan di account IKI MALANG belum memiliki dasar sebagai penentu apakah harga harus naik ataukah turun.

  IKI MALANG merupakan official

  2.1 IKI MALANG Gambar 1 Logo IKI MALANG

  2. KAJIAN PUSTAKA

  Terkait dengan masalah yang sudah dipaparkan diatas, penelitian ini diharapkan dapat memperoleh hasil akurasi yang maksimal dengan mengaplikasikan metode Regresi Linier dan Algoritma Genetika. Sehingga nantinya setelah didapatkan hasil prediksi perkembangan jumlah follower, pemilik account official sosial media line dapat menentukan harga jual jasa pemasaran pada accountnya secara berkala.

  Berdasarkan penelitian yang sudah pernah dilakukan sebelumnya, metode regresi menunjukkan bahwa metode tersebut lebih baik digunakan dalam memprediksi jumlah produksi daripada metode fuzzy mamdani (Wati dkk, 2013). Selain itu, berdasarkan penelitian Bonde (2010) yang membandingkan Algoritma Strategi Evolusi dan Algoritma Genetika menunjukkan bahwa Algoritma Genetika memberikan akurasi yang lebih baik daripada Algoritma Strategi Evolusi.

  Dalam menyelesaikan permasalahan akibat tidak adanya dasar yang jelas dalam menentukan harga jual jasa pemasaran. Untuk menentukan harga jual jasa pemasaran sendiri tidak bisa dilakukan secara mendadak karena dapat menyebabkan turunnya kepercayaan customer atau pelanggan terhadapa kondisi naik turunnya harga jasa pemasaran. Sehingga digunakan metode regresi linier yang dibangun dengan algoritma genetika untuk memprediksi perkembangan jumlah pengikut account official Line guna membantu pemilik account official Line dalam menentukan harga jasa pemasaran. Metode regresi dirasa cocok dan biasa digunakan dalam memprediksi hasil di masa depan. Algoritma Genetika sendiri disini digunakan untuk memperoleh kromosom terbaik untuk diolah dalam rumus Regresi Linier.

  Sebagai contoh harga awal pada tanggal 16 Agustus 2015 yang digunakan untuk menjualkan jasa publikasinya adalah tiga puluh ribu untuk publikasi beranda dan empat puluh ribu untuk publikasi secara broadcast atau penyebaran langsung kepada pengikut account. Harga ini mengalami kenaikan yang tidak menentu pada setiap bulannya. Pada 24 Oktober 2015 harga baru kembali berubah, namun hanya harga penyebaran langsung ke pengikut yaitu naik menjadi lima puluh ribu. Di bulan November 2015, harga sama sekali tidak mengalami perubahan. Harga jasa publikasi ini baru berubah pada 1 Desember 2015 yang kemudian mengalami lima kali perubahan hingga Akhir Januari 2016. Akibat dari tidak ada dasarnya perubahan harga jasa pemasaran ini dapat berdampak pada kepercayaan pelanggan pemilik UKM yang ingin memasarkan UKMnya di official account line IKI MALANG.

  pemasaran berdasarkan prediksi jumlah follower atau pengikut official account IKI MALANG. Hingga saat ini dalam menentukan harga jual jasa publikasinya, admin IKI MALANG

  Mendefinisikan individu.

  ) ' (

  n

  = Jumlah data pada periode n a = Konstanta (nilai Y’ apabila X = 0) b = Koefesien regresi (nilai peningkatan ataupun penurunan)

  2.5 Mean Squared Error (MSE) Mean Squared Error adalah metode analisa

  yang digunakan untuk membandingkan antara nilai prediksi dan nilai awal. Jika nilai MSE yang diperoleh semakin kecil, maka semakin kecil pula perbedaan nilai prediksi dan nilai aslinya. Berikut fungsi MSE (Wackerly, Mendenhall):

   

    ⁿ _{i i i}

  y y n MSE ₁ ²

  1 (2)

  = Jumlah data pada periode 1

  Keterangan : MSE = Nilai eror MSE n = Jumlah populasi Y = Jumlah data latih Y’

  = Hasil prediksi i = Indeks jumlah data

  2.6 Algoritma Genetika

  Algoritma Genetika berasal dari kota New York, Amerika Serikat yang ditemukan oleh John Holland sekitar tahun 1970-an. Buku berjudul “Adaption in Natural and Artificial

  Systems

  ” pada tahun 1975 yang ia buat bersama murid-muridnya menjadi bukti temuannya. Algoritma Genetika berkonsepkan seperti hukum alam pada umumnya dimana individu yang lebih baik nantinya akan menjadi solusi yang dipilih sebagai solusi optimal dari suatu masalah (Rahmi, Mahmudy dan Setiawan, 2015).

  Tahapan dari Algoritma Genetika diawali dengan tahap inisialisasi. Tahap inisialisasi ini ialah dengan membuat individu individu baru yang acak dengan kromosom tertentu. Selanjutnya melakukan reproduksi untuk mendapatkan offspring dari individu yang ada di populasi. Kemudian setelah didapatkan individu baru dari hasil reproduksi, hitung nilai fitness tiap individu agar ditemukan kromosom terbaik. Terakhir melakukan tahap seleksi yaitu memilih individu terbaik yang dipertahankan (Mahmudy 2013). Berikut adalah hal

  X

  1

  menentukan berdasarkan jumlah

  Berdasarkan Kamus Besar Bahasa Indonesia karya Salim (2002), prediksi berarti memperkirakan atau menduga keadaan yang akan terjadi di masa yang akan datang (Rahmi, Mahmudy dan Setiawan, 2015). Prediksi

  follower account . Hal ini menyebabkan dalam 1 bulan

  bisa terjadi 2 sampai 3 kali pergantian harga. Terbukti pada bulan Desember 2015 dan bulan Januari 2016 kemarin terjadi 5 kali perubahan harga, sedangkan pada bulan November 2016 tidak ada perubahan harga sejak bulan Oktober 2016.

  Disini penulis mencoba membantu admin mengatasi masalah agar dalam penentuan harga memiliki dasar yang jelas untuk menaikkan harga seiring berkembangnya jumlah follower

  official account IKI MALANG.

  2.2 Follower Follower merupakan kata yang banyak

  digunakan oleh netizen atau pengguna sosial media saat ini. Jika diartikan dalam bahasa indonesia, follower adalah pengikut yang jika dihubungkan pada sosial media merupakan pengikut dari sebuah account sosial media itu sendiri. Ungkapan Follower ini sudah digunakan sejak sosial media Twitter digunakan.

  2.3 Prediksi Follower

  follower berarti memperkirakan perkembangan jumlah follower di masa yang akan datang.

  X

  Hingga saat ini penggunaan follower sebagai objek prediksi belum pernah digunakan sebelumnya.

  Pada hasil wawancara yang terdapat di lampiran, prediksi follower hanya menggunakan metode praduga saja.

  2.4 Metode Regresi

  Metode ini adalah metode yang menggunakan data yang sudah ada sebelumnya untuk diolah dan selanjutnya memprediksi masa yang akan datang (Makridakis, Steven & Victor, 1999).

  Secara sederhana regresi merupakan sebuah hubungan secara linier antara variabel independen atau variabel bebas (x1, x2, ...., xn) dengan variabel dependen atau variabel tak bebas (Y). Bentuk umum dari refresi berganda : _{n n}

   x b x b x b a y     .... ' _{2 2 1 1}

  (1) Keterangan : Y’

• – hal yang terdapat pada proses algoritma genetika : 1.

  = Variabel dependen atau variabel tidak bebas (nilai prediksi) X = Variabel independen atau variabel bebas

2.6.1 Representasi Kromosom

  MSE fitness 1 

  2. Mendifinisikan nilai fitness.

  2.6.4 Nilai Fitness

  Nilai fitness merupakan suatu ukuran tingkat kebaikan sebuah solusi yang dihasilkan oleh suatu individu. Nilai fitness yang tinggi yang dihasilkan oleh sebuah individu memiliki kemungkinan menghasilkan solusi terbaik. Untuk Menghitung nilai

  fitness

  dalam pembentukan model regresi linier, digunakan Persamaan 2.5 sebagai berikut :

• – variabel keputusan yang digunakan dalam solusi (Mahmudy, 2013). Dalam berbagai macam kasus, representasi sebuah solusi menjadi kromosom sangant menentukan kualitas dari solusi yang dihasilkan (Mahmudy, Marian & Luong 2012).

  3. METODOLOGI PENELITIAN

  (5) Dimana MSE (Mean Squared Error) merupakan nilai eror.

  Penelitian ini merupakan penelitian implementasi yang mana nantinya diharapkan hasil dari penelitian ini dapat berguna bagi para pengusaha account official sosial media.

  Tahapan secara umum mengenai metode prediksi jumlah follower menggunakan Regresi Linier dan Algoritma Genetika akan dijelaskan di dalam metodologi penelitian. Adapun tahapan tahapan tersebut ialah mulai dari analisis kebutuhan, pengumpulan data, perancangan, implementasi, pengujian dan evaluasi hasil.

P1 -44 -19

  Berikut diagram tahapan penelitian yang tersaji pada Gambar 2.

2.6.2 Persilangan (Crossover)

  Gambar 2 Blok Diagram Tahap Penelitian

  3.1 Analisis Kebutuhan

  (3)

  Evaluasi Hasil Analisis kebutuhan

  43

  3. Menentukan proses pembangkitan populasi awal.

  Menentukan proses seleksi yang akan digunakan.

  Representasi kromosom merupakan proses pengkodean dari penyelesaian asli suatu permasalahan. Solusi dari suatu masalah harus dipetakan (encoding) menjadi string kromosom. String kromosom ini terususun atas sejumlah gen yang menggambarkan variabel

  Tabel 1 Contoh Representasi Kromosom Parent a b1 b2

  84 P2 -14 -59

  88 P3 -78

  99 Pada Tabel 2.2, kromosom dibentuk dengan

       

  membangkitkan nilai random pada interval [- 100,100] (Rahmi dkk, 2015).

  Metode crossover yang digunakan adalah metode Extended Intermediete Crossover. Pada tahap ini harus sudah diketahui terlebih dahulu

  crossover rate(Cr). Besarnya Cr mempengaruhi

  hasil produksi persilangan dari dua induk yang telah dipilih. Contoh apabila Cr = 0,5 maka 0,5x3 = 1,5 (dibulatkan ke atas menjadi 2) offspring atau child (Mahmudy, 2013). Kemudian memilih dua induk secara acak dari populasi yang ada. Lalu membangkitkan nilai α secara acak pada interval yang telah ditentukan.

  Berikut rumus pencarian crossover pada Persamaan 2.3.

  ) ( ) ( _{2 1 2 2 1 2 1 1} P P a P C P P a P C

  Pengumpulan data Perancangan Implementasi Pengujian

2.6.3 Mutasi

  Berdasarkan objek yang akan diteliti, kebutuhan yang utama adalah data mengenai perkembangan jumlah follower berdasarkan waktu tertentu secara berkala. Selain data, dasar pengetahuan mengenai perkembangan harga jual jasa pemasaran juga diperlukan. Maka dilakukan

  ) min (max ' _{i i i i}  r x x  

  Untuk menjaga keragaman populasi, biasanya digunakan mutasi (Mahmudy, 2013). Berikut rumus mutasi pada Persamaan 2.4.

  (4) wawancara seperti yang terlampir di lampiran wawancara.

  3.2 Pengumpulan Data

  3.4 Implementasi

  Tahap ini merupakan tahap akhir dari penelitian yang digunakan untuk memberikan saran kepada penelitian selanjutnya. Saran didapat dari hasil kesimpulan penelitian.

  3.8 Saran

  Dari penarikan kesimpulan yang sudah didapatkan, terdapat evaluasi hasil dalam penelitian ini sehingga kekurangan dan kesalahan yang mungkin terdapat dalam penelitian nantinya diharap memiliki solusi perbaikan pada penelitian selanjutnya. Baik dari segi metode maupun objek yang diangkat.

  Kesimpulan dapat diperoleh setelah tahapan tahapan penelitian dilakukan hingga tahapan pengujian. Sehingga dapat melakukan pengambilan kesimpulan untuk menjawab perumusan permasalahan.

  3.7 Kesimpulan

  Tahap ini mengevaluasi hasil dari pengujian parameter dan sistem yang telah diimplementasikan. Nantinya evaluasi hasil ini digunakan untuk mengambil kesimpulan dan penentuan pengambilan saran untuk penelitian kedepannya.

  3.6 Evaluasi Hasil

  Sistematika pengujian yang dilakukan ialah menguji dengan meningkatkan parameter tertentu, kemudian di bandingkan dengan hasil uji coba sebelumnya. Sehingga dapat ditemukan apakah jika populasi lebih banyak maka menghasilkan hasil prediksi yang lebih baik atau tidak dan seterusnya dilakukan pengujian pada parameter yang lain seperti jumlah rasio mutasi (Mr), rasio pindah silang atau Crossover (Cr) dan jumlah generasinya.

  Tahap pengujian dilakukan untuk menguji kelayakan sistem sehingga nantinya dapat diimplementasikan secara ril. Pengujian dilakukan untuk menemukan hasil terbaik berdasarkan pengaruh dari setiap parameter yang ada pada metode yang digunakan.

  3.5 Pengujian

  Dalam tahap implementasi, tahapan ini mengacu dari hasil perancangan sistem yang telah dirancang pada tahap perancangan. Implementasi program menggunakan bahasa pemrograman JAVA.

  Nantinya hasil dari model perancangan ini akan diimplementasikan pada tahap implementasi.

  Penelitian ini menggunakan data perkembangan jumlah follower yang didapat dari hasil wawancara kepada salah satu pemilik

  proses dengan menggunakan metode regresi dan algoritma genetika. Nantinya diharapkan output yang dihasilkan yaitu berupa prediksi perkembangan jumlah follower dapat membantu pemilik account official dalam memperkirakan kisaran harga jual jasa pemasaran di bulan berikutnya.

  follower , kemudian data tersebut nantinya di

  Tahapan ini akan menggambarkan model sistem yang akan dibuat. Perancangan pada program sendiri akan dimulai dari data data masukkan yaitu data perkembangan jumlah

  Gambar 3 Diagram Perancangan

  output pada Gambar 3.

  Berikut ambaran diagram proses perancangan mulai dari input, proses hingga

  3.3 Perancangan

  official sosial media.

  Data yang digunakan adalah data perkembangan jumlah follower per bulan dikarenakan perkembangan harga jual jasa pemasaran dilakukan secara berkala perbulan berdasarkan jumlah follower yang ada. Sehingga data bulanan adalah data yang mungkin untuk dijadikan bahan penelitian. Sumber data didapat dari hasil wawancara dengan pemilik account

  Selain data, dibutuhkan juga pengetahuan berupa metode kenaikan harga jual jasa pemasaran selama sebelum adanya penelitian ini.

  account official sosial media IKI MALANG.

  Input (data perkembangan jumlah follower ) Proses (Regresi dan Algoritma Genetika) Output (Hasil Prediksi)

  4.

   IMPLEMENTASI

  5. PERANCANGAN

  Berikut tampilan antarmuka user dengan

4.1 Formulasi Permasalahan sistem.

  Dalam memprediksi perkembangan jumlah pada official account sebuah sosial

  follower

  media sebelumnya belum pernah ada. Sehingga disini penulis menggunakan metode Regresi Linier sederhana yang akan dikembangkan dengan Algoritma Genetika agar akurasi yang mendapatkan akurasi yang maksimal dalam kasus prediksi seperti yang sudah dilakukan Rahmi dkk (2015) pada penelitiannya yang

  Gambar 6 Tampilan Form Daftar Dokumen

  berjudul “Prediksi Harga Saham Menggunakan Metode Regresi Linier Yang Dibangun Dengan Algoritma Genetika”.

  Berikut data yang berhasil dihimpun dari hasil wawancara dengan pemilik sebuah official

  account sosial media line IKI MALANG yang tersaji pada Tabel 4.

  Tabel 4 Data Jumlah Follower Official Account Line

IKI MALANG

  No. Bulan Perkembangan jumlah follower perbulan

  1. Juli 2015 3518

  2. Agustus 2015 8142

  3. September 2015 5346

  4. Oktober 2015 7771 Gambar 7 Tampilan Halaman Utama .

  18. Desember 2016 3589

4.2 Alur Penyelesaian

  Untuk memprediksi jumlah follower, digunakan metode Regresi yang dioptimasi dengan Algoritma Genetika. Berikut alur penyelesaiannya seperti pada Gambar 5.

  Mulai Input data

  Gambar 8 Tampilan Hasil Inisialisasi parameter 6.

   PENGUJIAN Metode Regresi yang telah

  6.1 Hasil dan Analisa Uji Coba Jumlah dioptimasi dengan Algoritma

  Populasi Genetika

  Pada pengujian ukuran populasi bertujuan untuk mengetahui ukuran populasi yang paling

  Hasil prediksi optimal untuk permasalahan prediksi jumlah follower. Banyaknya jumlah ukuran populasi

  yang akan diuji adalah 5 dan 10 karena data yang dapat dihimpun dari hasil wawancara hanya 18

  Selesai

  bulan data perkembangan jumlah follower mulai dari awal berdiri hingga bulan November 2016.

  Gambar 5 Diagram Alur Penyelesaian

  Kombinasi crossover rate (Cr) dan Mutation

  rate (Mr) yang digunakan adalah 0,2 dan 0,1 dengan jumlah generasi sebanyak 250.

• – rata fitness yang didapat dari percobaan setiap populasi. Dari hasil pengujian, didapati bahwa semakin besar jumlah populasi, maka semakin baik rata
• – rata fitness yang dihasilkan. Berikut hasil pengujian ukuran jumlah populasi pada Gambar 9.
• – rata fitness, namun kembali naik pada percobaan 5000 periode.

  Mr yang diuji dengan nilai antara 0-1. Jumlah

  Percobaan nomor Uji Coba Kombinasi Crossover Rate dan Mutation Rate

  1 2 3 4 5 6 7 8 9 1011 Rata- rata fitness

  Jumlah Generasi Uji Coba Jumlah Generasi 0,002 0,004

  Rata- rata fitness

  0,001 0,002 0,003

  Jumlah populasi Percobaan Populasi Ukuran populasi

  rata fitness

  5

  0,001 0,002

  Pengujian jumlah periode dilakukan untuk menguji jumlah periode yang paling optimal untuk mendapatkan hasil prediksi yang optimal. Jumlah populasi, banyaknya generasi dan kombinasi crossover rate dan mutation rate yang digunakan merupakan hasil terbaik dari hasil uji coba pada masing

  6.4 Hasil Uji Coba Jumlah Periode

  Pada Gambar 11, grafik menunjukkan bahwa rata - rata fitness tertinggi ada pada kombinasi nomor 3 yaitu Cr sekian dan Mr sekian. Percobaan ini menghasilkan rata

  Gambar 11 Grafik Uji Coba Kombinasi Crossover Rate dan Mutation Rate

  populasi dan generasi yang digunakan adalah hasil terbaik dari pengujian jumlah populasi dan pengujian banyaknya generasi yaitu populasi sebanyak 10 dan jumlah generasi sebanyak 5000. Berikut hasil uji coba kombinasi Cr dan Mr pada Tabel 11.

  kombinasi yang paling optimal dalam mendapatkan hasil prediksi. Kombinasi Cr dan

  mutation rate (Mr) dilakukan untuk menguji

  Pengujian kombinasi crossover rate (Cr) dan

  6.3 Hasil Uji Coba Kombinasi Crossover rate dan Mutation rate

  Pengujian dilakukan sebanyak 10 kali setiap populasinya kemudian dicari rata

10 Rata-

  Gambar 9 Grafik Hasil Uji Coba Jumlah Populasi

  Pada Gambar 6.1 dapat dilihat grafik bahwa ukuran populasi 10 menghasilkan rata

• – rata

• rata fitness dibawah 0,0015.

6.2 Hasil dan Analisa Uji Coba Jumlah Generasi

  Pengujian Generasi dilakukan untuk mendapatkan banyaknya jumlah generasi yang paling optimal dalam melakukan prediksi perkembangan jumlah follower. Ukuran generasi yang akan diuji ialah kisaran 50 hingga 5000. Ukuran populasi menggunakan ukuran populasi dengan rata

• – rata fitness terbaik setelah melakukan uji coba ukuran populasi yaitu sejumlah 10 dengan kombinasi crossover rate
• – rata fitness tertinggi atau hampir 0,0025.
• – masing pengujian. Jumlah populasi 10, banyaknya generasi 5000 dan kombinasi Cr dan Mr 0,2:0,8. Berikut hasil pengujian jumlah periode pada Gambar 12.

  (cr) dan mutation rate (mr) 0,2 : 0,1. Hasil

  fitness sebesar lebih dari 0,0015 yang berarti

  percobaan uji coba banyaknya generasi tersaji pada Gambar 10.

  Gambar 10 Grafik Hasil Uji Coba Jumlah Generasi

  Pada Gambar 10 dapat dilihat semakin tinggi jumlah generasi yang digunakan untuk memperoleh hasil prediksi, semakin optimal hasil yang didapatkan meskipun pada percobaan 1000 periode sempat mengalami penurunan rata

  memiliki hasil yang lebih optimal daripada ukuran populasi 5 yang hanya menghasilkan rata

8 A

  Berdasarkan hasil uji coba dari penelitian skripsi dengan judul Prediksi Perkembangan Jumlah Follower Official Account Line Untuk Penentuan Harga Jual Jasa Pemasaran Menggunakan Metode Regresi dan Algoritma Genetika ini, dapat disimpulkan bahwa: 1.

  3

  4

  Gambar 12 Hasil Uji Coba Jumlah Periode

  5

  6

  7

  Seperti pada penelitian sebelumnya dengan judul Prediksi Harga Saham Berdasarkan Data Historis Menggunakan Model Regresi yang Dibangun Dengan Algoritma Genetika, dalam kasus ini Algoritma Genetika mampu menentukan koefisien terbaik sehingga dapat menghasilkan prediksi perkembangan jumlah follower yang hampir mendekati data aslinya.

  7.1 Kesimpulan

  1

  7 Kesimpulan dan Saran

  (MSE) yang dihasilkan pada prediksi di bulan tersebut adalah 1070,683. Sedangkan MSE terendah yang didapat dari hasil uji diatas adalah 128,1861 yang terjadi pada bulan Oktober 2016 sehingga dapat menghasilkan hasil yang hampir mendekati data aslinya yaitu 2163 dimana data hasil prediksi adalah 1888,58 atau jika dibulatkan sekitar 1889 yang memiliki selisih sekitar 274.

  xi s T it le Axis Title Uji Coba Jumlah Periode 2000 4000 6000 8000

6.5 Analisa Hasil

  Setelah didapati parameter

  fitness terbaik.

  Pada Gambar 6.4 dapat dilihat grafik uji coba jumlah periode bulanan. Pada gambar dapat dilihat grafik fitness terbaik semakin meningkat pada perhitungan periode mulai 1 hari hingga 6 hari dimana kenaikan signifikan terjadi pada perhitungan periode 6 hari. Namun pada perhitungan periode 7 hari, grafik yang menunjukkan fitness terbaik mengalami penurunan. Dari grafik tersebut dapat dibuktikan bahwa periode sejumlah 6 hari menghasilkan

  2

• – parameter terbaik untuk mengoptimalkan hasil dari metode regresi yang dibangun dengan algoritma evolusi, selanjutnya dilakukan pengujian akurasi hasil prediksi dari data training yang ada sebagai proses evaluasi. Berikut perbandingan hasil prediksi menggunakan algoritma genetika dengan hasil sebenarnya pada Gambar 13.

  Genetic Algorithms and Evolutions 0,002 0,004 0,006 0,008

  Bonde G., 2010. Stock Price Predictions Using

  8. DAFTAR PUSTAKA

  7.2 Saran

  3. Pada metode yang digunakan yaitu regresi dan Algoritma Genetika, perubahan parameter seperti jumlah populasi, kombinasi cr dan mr, jumlah generasi yang digunakan dan banyaknya periode sangat mempengaruhi hasil prediksi.

  2. Nilai fitness terbaik yang dihasilkan masih terbilang cukup kecil yaitu 7,801E-03. Hal ini dikarenakan jumlah data yang digunakan masih sangat sedikit.

  Pada Gambar 13 menunjukkan grafik perbandingan antara data latih dengan data hasil prediksi menggunakan regresi dan algoritma genetika. Terdapat perbedaan hasil yang sangat siknifikan pada data Juni 2016 dimana data asli perkembangan jumlah follower adalah sejumlah 4923 follower dan data hasil prediksi adalah sejumlah 7535 follower. Mean Squared Eror

  Jumlah Follower

  Bulan Hasil Pengujian Akurasi

  Gambar 13 Grafik Perbandingan Hasil Prediksi Dengan Data Latih

  Berdasarkan kesimpulan yang telah dihimpun di atas, ada yang menjadi perhatian penulis agar penelitian dengan objek yang sama dapat dikembangkan lagi yaitu data yang digunakan haruslah lebih banyak sehingga semakin banyak populasi yang digunakan untuk pengujian bisa ditemukan akurasi yang lebih baik dari sekedar menggunakan 10 populasi.

  Strategies

  Farokatarina F., 2014. Line Sebagai Media Penyampaian Pesan

  Holland JH., 1992. Adaption in Natural and

  Artificial Systems

  Lestari, YD., 2017. Jaringan Syaraf Tiruan Untuk Prediksi Penjualan Jamur Menggunakan Algoritma Backpropagation

  Makridakis, Steven & Victor., 1999. Metode dan Aplikasi Peramalan Jilid 1 Mahmudy, W., 2013. Algoritma Evolusi Pratama, F., 2015. 5 Aplikasi Chatting Paling

  Populer di Beberapa Negara Rahmi, A., Mahmudy, WF., & Setiawan., 2015. Prediksi Harga Saham Berdasarkan Data Historis Menggunakan Model Regresi yang Dibangun dengan Algoritma Genetika. Siswanto, T., 2013. Optimalisasi Sosial Media

  Sebagai Media Pemasaran Usaha Kecil menengah Saputro, Mahmudy & Dewi., 2015.

  Implementasi Algoritma Genetika Untuk Optimasi Penggunaan Lahan Pertanian

  Salim, P., 2002. Kamus Bahasa Indonesia Kontemporer

  Wati, S., 2013. Perbandingan Metode Fuzzy Dengan Regresi Linear Berganda Dalam Peramalan Jumlah Produksi