2744 Optimasi Fuzzy Time Series Dengan Algoritme Genetika Untuk Meramalkan Jumlah Pengangguran di Jawa Timur

  Vol. 2, No. 8, Agustus 2018, hlm. 2744 http://j-ptiik.ub.ac.id

• – 2752

  

Optimasi Fuzzy Time Series Dengan Algoritme Genetika Untuk

Meramalkan Jumlah Pengangguran di Jawa Timur

_{1 2 3 1,2,3}

Radifah , Budi Darma Setiawan , Randy Cahya Wihandika

  Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya

  

Abstrak

  Pengangguran menjadi salah satu masalah penting yang terjadi di Indonesia. Pengangguran yang tinggi berdampak pada tingkat perekonomian dan kemiskinan warga Indonesia khususnya di Jawa Timur. Karena dengan meningkatnya jumlah pengangguran dapat mengurangi pendapatan dan produktivitas masyarakat. Beberapa faktor penyebab meningkatnya jumlah pengangguran membuat pemerintah mengalami kesulitan dalam mengatasi jumlah pengangguran tiap tahunnya yang mengalami naik turun. Sehingga dengan memprediksi jumlah pengangguran di Jawa Timur dapat mempermudah pemerintah dalam mengatasi jumlah pengangguran dan memperluas tenaga kerja khususnya di Jawa Timur. Pada penelitian ini, dilakukan peramalan menggunakan Fuzzy Time Series menggunakan Algoritme Genetika. Nilai parameter algoritme genetika terbaik adalah dengan melakukan pengujian terhadap parameter algoritme genetika dan menghasilkan nilai rata-rata fitness terbaik. Hasil pengujian parameter algoritme genetika adalah dengan ukuran populasi ke 525, kombinasi crossover rate dan

  

mutation rate ke 0,8 dan 0,2 dan pada generasi ke 1100 dengan nilai rata-rata fitness paling optimal yaitu

13,840314614 dengan nilai Root Mean Square Error (RMSE) sebesar 0,0722526928.

  Kata kunci: Peramalan, Pengangguran, Fuzzy Time Series, Algoritme Genetika.

  

Abstract

Unemployment becomes one of the important points that are occurred in Indonesia. High

unemployment rate has an impact on the economic and poverty levels of Indonesians especially in East

  

Java. The increase number of unemployment can reduce the income and productivity of society. Several

factors that are causing the increase of unemployment make the government difficult to overcome the

numbers of unemployment annually that experience ups and downs. So, by predicting the number of

unemployment in East Java, it can facilitate the government in overcoming the unemployment rate and

expanding the workforce especially in East Java. The method that is used in this study is Fuzzy Time

Series that use Genetic Algorithm. The best genetic algorithm parameter values are by testing to the

genetic algorithm parameters and producing the best average fitness value. The result of genetic

algorithm parameter test are with the population size of 525, the combination of crossover rate and

mutation rate of 0,8 and 0,2 and at generation of 1200 which reaches the most optimal average fitness

value is 13,840314614 with Root Mean Square Error(RMSE) value equal to 0,0722526928.

  Keywords: Forecasting, Unemployment, Fuzzy Time Series, Genetic Algorithm.

  pengangguran. Pengangguran menjadi salah satu 1. pokok penting yang terjadi di Indonesia.

   PENDAHULUAN

  Pengangguran yang tinggi berdampak pada Pembangunan ekonomi merupakan suatu tingkat perekonomian dan kemiskinan warga usaha untuk meningkatkan taraf hidup

  Indonesia khususnya di Jawa Timur. Karena masyarakat dan memperluas kesempatan kerja dengan meningkatnya jumlah pengangguran untuk menghasilkan pendapatan yang merata. dapat mengurangi pendapatan dan produktivitas

  Dalam memenuhi hal tersebut maka dibutuhkan masyarakat. suatu pekerjaan, namun untuk mendapatkan

  Menurut Dinas Tenaga Kerja Transmigrasi suatu pekerjaan tersebut masih menjadi masalah dan Kependudukan Jawa Timur pada bulan Mei utama yang disebabkan dengan adanya 2016, jumlah tingkat pengangguran terbuka kesenjangan dan ketebatasan lapangan pekerjaan hingga bulan Februari 2016 mencapai 849.330 yang tersedia sehingga meningkatkan jumlah orang atau sekitar 4,14% dari jumlah angkatan

  Fakultas Ilmu Komputer kerja sebesar 20.497.900 orang. Meskipun jumlah pengangguran di tahun 2016 mengalami penurunan dibandingkan pada tahun 2015 (Sobtv, 2016).

  Menurut laporan BPS Jatim, Tingkat Pengangguran Terbuka (TPT) Jawa Timur pada bulan Agustus 2016 sedikit meningkat disbanding bulan Februari 2016 dari 4,14% menjadi 4,21%, namun ada kemungkinan pada tahun selanjutnya akan mengalami kenaikan pengangguran selalu mengalami naik turun (BPS, 2016).

  Bab 2 Dasar Teori. Menjelaskan teori-teori yang mendukung dan mendasari penulisan penelitian tentang Meramalkan Jumlah Pengangguran Menggunakan Metode Optimasi Fuzzy Time Series di Jawa Timur.

  unemployment ) yang berarti tenaga kerja

  Pengangguran terselubung (disguised

  Pengangguran merupakan orang yang tergolong dalam angkatan kerja yang belum memiliki pekerjaan tetapi ingin mendapatkan suatu pekerjaan. Dalam masalah pengangguran yang paling utama adalah ekonomi makro yang menyebabkan tingkat pendapatan nasional dan tingkat kemakmuran kurang tercapai secara maksimal. Berdasarkan pengertian tentang pengangguran diatas, pengangguran dapat dibedakan menjadi 3 kelompok, yaitu : a.

  2.1 Pengangguran

  2. DASAR TEORI

  Bab 5 Kesimpulan. Menjelaskan kesimpulan dari hasil artikel yang dibuat.

  Bab 4 Pengujian dan Analisis. Menjelaskan pengujian terhadap parameter-parameter algoritma genetika dan analisis dari tiap pengujian yang dilakukan.

  pengangguran di Jawa Timur dari hasil perancangan yang dilakukan.

  Fuzzy Time Series untuk meramalkan jumlah

  Bab 3 Perancangan dan Implementasi. Menjelaskan perancangan dari system yang akan di rancang dan implementasi metode Optimasi

  1 Pendahuluan. Menjelaskan latarbelakang dan tujuan dari Meramalkan Jumlah Pengangguran Menggunakan Optimasi Fuzzy Time Series di Jawa Timur.

  Beberapa penyebab meningkatnya jumlah pengangguran adalah tidak ada biaya untuk melanjutkan pendidikan bagi lulusan SMA atau SMK yang berpotensi jumlah pengangguran bertambah, minimimnya informasi tentang tenaga kerja yang tersedia dan kebutuhan usaha dari sisi kualitas yang masih rendah di Jawa Timur. Dengan beberapa faktor tersebut pemerintah mengalami kesulitan dalam mengatasi jumlah pengangguran tiap tahunnya yang mengalami naik turun. Sehingga dengan memprediksi jumlah pengangguran di Jawa Timur dapat mempermudah pemerintah dalam mengatasi tingkat pengangguran dan memperluas tenaga kerja khususnya di Jawa Timur.

  Artikel ini disusun dengan struktur sebagai berikut: Bab

  algoritme genetika guna untuk mendapatkan tingkat akurasi yang tinggi dan tingkat kesalahan yang rendah. Pada penelitian ini diharapkan dapat membantu pemerintah dalam memprediksi jumlah pengangguran tahun mendatang, pekerjaan dan menurunkan jumlah pengangguran, selain itu pemerintah juga bisa mengetahui progres dari tahun sebelumnya.

  fuzzy time series dan dioptimasi dengan

  Berdasarkan latar belakang diatas maka pada skripsi ini dilakukan penelitian dengan suatu metode peramalan untuk jumlah pengangguran di Jawa Timur menggunakan

  yang di dapat dari penelitian tersebut adalah dilihat dari nilai AFER menunjukkan bahwa metode ini mendekati nilai 0 sehingga memilki tingkat akurasi yang baik, namun metode ini tidak cocok untuk memprediksi lebih dari jangka 1 waktu ke depan (Sukriyawati, 2015).

  average-based fuzzy time series models , hasil

  menghitung nilai adjust untuk hasil ramalan pada tahun 2005 di dapat nilai yang akurat dan hasilnya lebih kecil dari data yang sebelumnya (Berutu, 2013). Penelitian lain juga dilakukan dalam memprediksi jumlah penduduk provisi DKI Jakarta dengan menggunakan metode

  chyn tsaur . Pada penelitian tersebut dengan

  Metode ini telah dilakukan oleh beberapa peneliti. Salah satunya adalah penelitian untuk penjualan dengan metode fuzzy time seies ruey

  Prediksi merupakan suatu proses untuk memperkirakan sesuatu yang akan terjadi di masa mendatang berdasarkan data masa lalu dengan masa sekarang untuk mendapatkan hasil yang mendekati hasil nyata. Terdapat 2 teknik dalam prediksi, yaitu kualitatif digunakan jika data di masa lalu tidak ada, kurang atau kurang akurat dan kuantitatif yang berdasarkan atas data kuantitatif di masa lalu (Berutu, 2013).

  tidak bisa bekerja secara optimal karena alasan tertentu.

  b. menganggur (under a.

  Setengah Membagi himpunan semesta U menjadi

  unemployment ) adalah tenaga kerja yang sejumlah interval yang sama, U = [D min , tidak bekerja secara optimal karena tidak ada D max ].

  lapangan pekerjaan.

  b.

   Mendefiniskan fuzzy set dari Universe of

  c. terbuka (open Discourse dengan menjadikan A ^{1 , A 2 ,...A k} Pengangguran

  unemployment ) adalah tenaga kerja yang menjadi himpunan fuzzzy dengan variabel

  tidak memiliki pekerjaan. linguistiknya ditentukan sesuai dengan Pengangguran juga disebabkan karena keadaan semesta (Universe of Discourse) beberapa faktor, diantaranya ketidakseimbangan c.

  Memfuzzifikasikan data historis. antara jumlah angkatan kerja dengan d.

  Bagi fuzzy logical relationship menjadi lapangan kerja dan ketidakseimbangan antara langkah ini biasa disebut fuzzy logical kebutuhan jumlah tenaga kerja dengan penyedia relationship group (FLRG). tenaga kerja terdidik (Muhdar, 2015).

  e.

  Menghitung defuzzifikasi dari nilai keluaran peramalan. Defuzzifikasi merupakan proses

  2.2 Prediksi

  mengubah nilai keluaran fuzzy menjadi Prediksi merupakan suatu kegiatan untuk bilangan crisp kembali. Ada tiga prinsip memperkirakan sesuatu yang akan terjadi di pada proses defuzzifikasi, yaitu : masa yang akan mendatang dengan melakukan

• perhitungan yang tepat untuk mendapatkan hasil adalah A j dan hanya ada satu FLR pada prediksi yang akurat. Berdasarkan sifatnya,

  Jika hasil fuzzikfikasi pada tahun i

  FLRG yaitu dengan posisi di sisi kiri prediksi dibedakan menjadi dua macam, yaitu adalah A j seperti rumus berikut : (Berutu, 2013):

  A j  A k Dimana Aj dan Ak adalah himpunan a.

  fuzzy dan nilai maksimum keanggotaan

  Peramalan Kualitatif Peramalan kualitatif merupakan peramalah fuzzynya terdapat pada interval u k , dan yang datanya kurang jelas, tidak berupa k k nilai tengah dari u adalah m , maka angka atau nilai, hanya berdasarkan hasil peramalan tahun i+1 adalah m k . pendapat suatu pihak

• b.

  Jika hasil fuzzifikasi pada tahun i adalah

  Peramalan Kuantitatif A j dan terdapat beberapa FLR dalam

  Peramalan kuantitatif merupakan peramalan _j FLRG dengan sisi kiri adalah A yang berupa angka atau nilai dan datanya sebagaimana rumusan berikut : berupa data kuantitatif.

  A j  A k1 , A k2 , ..... , A kn ,

  Dimana A j , A k1 , A k2 , ..... , A kn adalah himpunan fuzzy dan nilai keanggotaan

  2.3 Fuzzy Time Series (FTS)

  Fuzzy time series berbeda dengan time

  maksimum dari A k1 , A k2 , ..... , A kn ada

  series, perbedaan paling utama ada pada nilai

  pada interval u ^{1 , u 2 , ..... , u n dan nilai} yang digunakan dalam prediksi yang merupakan _{1 1 n 1} tengah dari u , u , ..... , u adalah m , bilangan riil dalam humpunan fuzzy untuk m ^{2 , ..... , m n maka hasil peramalan untuk} himpunan semsta yang ditentukan. tahun i +1 adalah (m ^{1 + m 2 + ..... + m n )/n.}

  Fuzzy .time series adalah proses peramalan

• dengan menggunakan data-data historis dan

  Jika hasil fuzzifikasi pada tahun i adalah

  A j dan tidak ada FLR sama sekali dengan prinsip fuzzy. Definsi fuzzy time series dengan sisi kiri berupa A j dimana nilai adalah dengan dimisalkan Y(t) (t= ...,0,1,2,...), keanggotaan maksimum dari himpunan adlah himpunan bagian dari R yang menjadi

  fuzzy A j terjadi pada interval u j adalah

  himpunan semesta dimana himpunan fuzzy m j , maka hasil peramalan untuk tahun i ƒ(i)(t)(i = 1,2,3,..) telah didefinisikan + 1 adalah m j. sebelumnya dan jadikan F(t) menjadi kumpulan dari ƒ(i)(t)(i = 1,2,3,..). maka F(t) dinyatakan

  2.4 Algoritme Genetika

  sebagai fuzzy time series terhadap Y(t) (t= ...,0,1,2,...).

  Algoritme genetika merupakan suatu Berikut langkah-langkah dalam metode metode menyelesaikan berbagai masalah yang peramalan menggunakan Fuzzy Time Series kompleks dengan cara mencari solusi terbaik (Haris, Santoso & Rahmawati, 2015) : dari solusi-solusi yang ada. Algoritme genetika banyak digunakan dalam berbagai bidang,

  mutation menggunakan persamaan (1):

  (Mahmudy, 2013). Pada masalah optimasi peramalan tingkat pengangguran ini metode crossover yang dapat digunakan adalah metode one cut point

  Metode random mutation adalah dengan menambah atau mengurangi nilai gen yang terpilih dengan nilai gen sebelah kiri lebih kecil dari nilai gen sebelah kanan. Metode random

  cara memilih gen secara acak kemudian disisipkan pada posisi gen lain yang dipilih secara acak.

  mutation dan random mutation. Metode insertion mutation adalah metode mutasi dengan

  Metode mutasi yang sering digunakan adalah insertion mutation, repciprocal exchange

  Mutasi dilakukan dengan memilih satu induk secara acak dari populasi yang ada. Metode mutasi yang digunakan adalah dengan memilih satu titik acak kemudian mengubah nilai gen pada titik tersebut. Misalkan jika ditentukan nilai mr adalah 0.2 dan popsize adalah 3 maka ada 0.2 x 3 = 0.6 (dibulatkan menjadi 1) offspring yang akan dihasilkan dari proses mutasi (Mahmudy, 2013).

   Mutasi

  Setelah proses crossover child yang didapat dari kedua parent adalah sebagai berikut : Child 1 Child 2 d.

  Terdapat 5 gen dengan cut point pada posisi ke-3 Parent 1 Parent2

  untuk memilih dua individu yang terpilih untuk dijadikan parent kemudian menukar kromosom Misalkan terdapat dua parent terpilih yang memiliki 9 kromosom. Dalam kromosom tersebut ditentukan one cut point secara random dengan cut point pada posisi ke 5.

  crossover. One cut point adalah suatu proses

  crossover digunakan untuk representasi realcode

  digunakan untuk representasi biner dan permutasi. Metode extended intermediete

• -0,9 -0,85 -0,54 0,62 1,4
• -0,73 -0,51 -0,3 0,94 >-0,9 -0,85 -0,54 0,94 1,73
• -0,73 -0,51 0,3 0,62 1,4<
  • Memilih dua buah kromosom sebagai parent.
  • Menukar segmen kromosom parent sehingga menghasilkan kromosom anak. Pada algoritme genetika terdapat beberapa macam metode crossover yang sering digunakan yaitu one cut point crossover dan extended

  intermediete crossover. Metode one cut point crossover

  ditentukan oleh crossover rate(cr) untuk menyatakan ratio ofspring, sehingga offspring yang didapat adalah cr x popzise. Sebagai contoh, jika diketahui nilai cr adalah 0.4 dan nilai popsize 3 maka ada 0.4 x 3 = 1.2 (dibulatkan menjadi 2) offspring (Mahmudy, 2013). Secara umum mekanisme crossover adalah sebagai berikut:

  c. Persilangan (Crossover) Crossover dilakukan dengan memilih 2 parent secara random dari populasi, crossover

  Langkah kedua adalah representasi kromosom. Representasi kromosom adalah proses pemetaan suatu solusi dalam suatu penyelesaian masalah menjadi string kromosom. String kromosom ini terdiri dari sejumlah gen yang menggambarkan variabel keputusan (Mahmudy, 2013). Algortima genetika memiliki representasi kromosom yang berbeda-beda dalam setiap permasalahan karena tidak semua permasalah memiliki model representasi yang cocok, misalnya representasi biner, real, integer dan permutasi.

  b. Representasi Kromosom

  Langkah pertama dalam algortima genetika adalah membangun populasi awal dengan cara memilih individu secara acak. Langkah ini dilakukan untuk mencari solusi yang paling optimal.

   Membangun Generasi Awal

  Ada beberapa silkus algoritme genetika a.

  seperti pada bidang industri, fisika, biologi, ekonomi, sosiologi dan lain-lain yang sering menghadapi masalah kompleks dan sulit diatasi. Algoritme genetika digunakan dalam penjadwalan produksi, optimasi penugasan mengajar bagi dosen, optimasi persedian barang, distribusi produk, penentuan komposisi pakan ternak, penyusunan rute dan jadwal kunjungan wisata yang efisien (Mahmudy, 2015)

• Memilih secara acak populasi dalam kromosom menjadi dua segmen dari kromosom parent yang terpisah.

  Tabel 1. Himpunan Individu

  (1) = + ( − )

  Dimana,

  Individu Fitness

  : nilai gen terpilih ₁ P 3,46 : bilangan random [-0,1 sampai 0,1]

  P ^{2 2,29} : nilai maksimum dari nilai individu

  P ^{3 3,15} terpilih P ^{4 3,27}

  : nilai minimum dari nilai individu P ^{5 2,23} terpilih

  Terdapat juga himpunan offspring sebagai berikut: Pilih gen secara acak

• -0,9 -0,85 -0,54 0,94 1,73

  parent

  Individu Fitness

  ganti nilai gen yang dipilih dengan nilai C ^{1 1,85} baru C ^{2 3,27}

  offspring

  C ^{3 2,17}

• -0,96 -0,85 -0,54 0,94 1,73

  Maka akan didapat himpunan individu yang lolos ke generasi berikutnya:

e. Perhitungan Nilai Fitness

  Menghitung nilai fitness digunakan untuk

  Tabel 3. Himpunan Individu Yang Lolos

  mencari individu terbaik. Individu terbaik akan

  P(t+1) Asal P(t) Fitness

  dipilih menjadi solusi terbaik dalam _{1 1} P P 3,46 menyelesaikan masalah. Semakin besar nilai P ^{2 P 4 3,27}

  fitness yang didapat maka semakin baik

  P ^{3 C 2 3,27} individu tersebut menjadi calon solusi.

  P ^{4 P 3 3,15} Pada permasalahan ini, pencarian nilai

  P ^{5 P 2 2,29}

  fitness menggunakan persamaan (2):

  1

  2) = 3.

   PERANCANGAN DAN f. Seleksi

  IMPLEMENTASI

  Seleksi adalah memilih individu dari Proses optimasi Fuzzy Time Series himpunan populasi dan offpring yang menggunakan algoritme genetika untuk dipertahankan pada generasi berikutnya. meramalkan tingkat pengangguran ditunjukkan

  Individu dengan nilai fitness yang lebih besar pada Gambar 1. akan memiliki peluang besar untuk dipilih

  Implementasi sistem pada penelitian ini sebagai individu terbaik. Metode seleksi yang adalah sebagai berikut : sering digunakan adalah roulette wheel, dan 1.

  Pembuatan user interface dan penerapan

  

elitism selection (Mahmudy, 2013). metode optimasi fuzzy time series dalam

  Cara kerja elitism selection ini adalah semua program yang dibuat dengan bahasa individu dan ofspring dalam populasi pemrograman java. dikumpulkan dalam penampungan yang sama.

  2. Inputan berupa data tahun yang akan Kemudian individu dan ofspring dengan nilai dilakukan proses peramalan untuk tingkat

  fitness terbaik akan dipilih untuk generasi

  pengangguran, jumlah populasi, crossover selanjutnya. Pada metode ellitism, individu rate, mutation rate , dan jumlah generasi. dengan nilai fitness terbaik akan selalu lolos dan 3.

  Output sistem berupa nilai fitness terbaik individu dengan nilai fitness rendah tidak dari proses hasil peramalan. mendapat kesempatan dipilih ke generasi selanjutnya untuk melakukan reproduksi. Contoh dari metode elitism selection (Mahmudy, 2013):

  Dimisalkan terdapat himpunan individu dalam populasi dengan nilai popsize 5 : sampai 600. Nilai parameter yang digunakan

  Mulai

  pada pengujian ini adalah kombinasi cr dan mr 0,5 dan 0,5, sedangkan jumlah generasinya sebanyak 1000. Hasil pengujian untuk ukuran

  Data pengangguran di Jawa Timur

  populasi ditunjukkan pada Gambar 2.

  Rata-rata fitness Bagi himpunan semesta menjadi beberapa interval

  13,8403147 yang sama 13,8403146 Membuat Populasi 13,8403144 Menghitung nilai 13,8403143 fitness

  13,8403142 13,8403141 Crossover

  Generasi baru 100 150 200 250 300 350 400 450 500 550 600

  Popsize Mutasi

  Gambar 2. Grafik pengujian jumlah populasi Menghitung nilai

  Berdasarkan Gambar 2 dapat dilihat bahwa

  fitness (offspring)

  semakin banyak nilai jumlah populasi maka semakin banyak peluang untuk menghasilkan nilai fitness terbaik. Pada percobaan ini nilai

  Seleksi fitness mengalami kenaikan saat jumlah

  populasinya 150 sampai dengan 525, namun

  Tidak

  mengalami penurunan saat nilai jumlah populasinya 550 dan tidak mengalami perubahan

  Iterasi selesai

  yang signifikan pada nilai fitness sampai dengan jumlah populasi 600. Sehingga dari percobaan

  Ya

  ini nilai paling optimal adalah saat jumlah populasi 525 dan rata-rata fitness yang

  Menampilkan

  dihasilkan sebesar 13,840314620. Hal ini

  hasil optimasi

  dikarenakan setelah jumlah populasi ke 525 sulit mendapatkan nilai rata-rata fitness yang lebih

  Selesai baik..

  4.2 Pengujian dan Analisis Kombinasi Cr Gambar 1. Diagram Alir Proses Fuzzy Time Series dan Mr dengan Algoritme Genetika

  Pengujian kombinasi cr dan mr dilakukan sebanyak 10 kali dengan kelipatan 0,1,

4. PENGUJIAN DAN ANALISIS

  pengujian cr dimulai dari 0,1 sampai 0,9 dan Pengujian ini bertujuan untuk mendapatkan pengujian mr dimulai dari 0,9 sampai 0,1. nilai yang paling optimal dari metode fuzzy time

  Ukuran popsize menggunakan ukuran populasi

  series menggunakan algoritme genetika. Data

  terbaik dari hasil pengujian ukuran populasi yang digunakan pada pengujian ini adalah data yang sudah dilakukan, yaitu 525 dan jumlah tahunan jumlah pengangguran di Jawa Timur generasi yang digunakan sebanyak 1000. Hasil dari tahun 1986 hingga 2016. pengujian ini ditunjukkan pada Gmabar 3.

  Berdasarkan Gambar 3 dapat dilihat bahwa

4.1 Pengujian dan Analisis Jumlah Populasi

  nilai fitness cenderung naik jika niilai crossover

  rate semakin tinggi dan nilai mutation rate

  Pengujian terhadap ukuran populasi semakin rendah. Pada percobaan ini nilai fitness dilakukan sebanyak 10 kali percobaan dengan mengalami kenaikan saat kombinasi cr dan mr = jumlah ukuran populasi kelipatan 25 dari 100 paling optimal. Kombinasi cr dan mr yang mencapai nilai paling optimal adalah 0,8 dan 0,2 menghasilkan rata-rata fitness sebesar 13,84031459 dengan nilai RMSE sebesar 0,0722526929 dan jumlah generasi ke 1200 yang mencapai nilai rata-rata fitness paling optimal sebesar 13,840314614 dengan nilai RMSE sebesar 0,0722526928.

  popsize 525 yang mencapai nilai rata-rata fitness

  Sehingga pada percobaan ini didapat nilai yang paling optimal saat generasi sebanyak 1100 13,840314618.

  Gambar 3. Grafik pengujian kombinasi cr dan mr

  0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1

  0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 Rata-rata fitness cr dan mr

  0,2 dan 0,8 sampai dengan kombinasi cr =0,8 dan mr = 0,2. Namun setelah cr = 0,9 dan mr = 0,1 nilai fitness mulai menurun lagi. Dari percobaan tersebut dapat disimpulkan bahwa nilai fitness paling optimal adalah saat kombinasi cr = 0,8 dan mr = 0,2 dengan nilai rata-rata fitness sebesar 13,840314616. Hal ini dikarenakan jika mr terlalu besar maka akan terjadi gangguan acak yang terlalu banyak sehingga menyebabkan anak akan kehilangan

  Berdasarkan tujuan dari algoritme genetika adalah mencari solusi optimal dari suatu permasalahan. Pada penelitian ini didapat nilai rata-rata fitness sebesar 13,84031458 dengan nilai RMSE sebesar 0,072252693 untuk pengujian terhadap ukuran populasi dengan

  

4.4

Analisis Hasil Pengujian

4.3 Pengujian dan Analisis Banyak Generasi

  Berdasarkan Gambar 4 dapat dilihat bahwa nilai fitness turun pada saat generasi ke 200 sampai generasi ke 400, tetapi setelah generasi ke 500 nilai fitness cenderung naik sesuai dengan bertambahnya jumlah generasi. Hal ini terjadi karena jika jumlah generasi semakin banyak untuk mendapatkan nilai yang optimal semakin besar. Namun pada saat generasi sebanyak 1200 mengalami penurunan, karena pada saat generasi ke 1100 sudah mendapatkan solusi yang terbaik.

  Gambar 4. Grafik pengujian banyak generasi

  menggunakan ukuran popsize terbaik dari hasil pengujian ukuran populasi, yaitu 525. Sedangkan kombinasi cr dan mr menggunakan kombinasi cr dan mr terbaik dari hasil pengujian yang sudah dilakukan. Hasil pengujian ini ditunjukkan pada pada Gambar 4.

  Untuk mengukur tingkat keakuratan dari FTS dan FTS-GA dilakukan percobaan terhadap data jumlah pengangguran dari tahun 2010- 2016. Hasil dari percobaan yang dilakukan ditunjukkan pada Gambar 5 dan Gambar 6.

  Gambar 5. Grafik Hasil Peramalan FTS 13,8403144 13,8403145 13,8403145 13,8403146 13,8403146 13,8403147

  Popsize yang digunakan pada pengujian ini

  13,8403146 13,8403146 13,8403146 13,8403146 13,8403146 13,8403146 13,8403146 13,8403146 13,8403146 100 400 700 1000 1300 1600

  Rat a

  fi tn es s jumlah generasi

  0,00 1,25 2,50 3,75 5,00 6,25

  2011 2012 2013 2014 2015 2016 2017

Ha

si

l

P

e

ra

ma

la

n

  Tahun F u z z y T i m e S e r i e s data aktual FTS

  Pada pengujian banyak generasi dilakukan sebanyak 10 kali percobaan. Banyak generasi menggunakan kelipatan 100 dimulai dari generasi ke 100 sampai generasi ke 1500.

• r at a

paling optimal yaitu 13,840314618 dengan nilai RMSE sebesar 0,0722526928.

  6. DAFTAR PUSTAKA

  fitness

  .

  Gambar 6. Grafik Hasil Peramalan FTS-GA

  Berdasarkan Gambar 5 dan Gambar 6 dapat dilihat bahwa nilai akurasi yang baik adalah pada saat dilakukan proses optimasi menggunakan algoritme genetika. Setelah melakukan beberapa pengujian parameter-parameter algoritme genetika, maka algoritme genetika mampu menyelesaikan masalah optimasi dalam meramalkan jumlah pengangguran di Jawa Timur.

  F u z z y T i m e S e r i e s - G A data aktual FTS-GA

  Hasil Peramaln Tahun

  0,00 1,25 2,50 3,75 5,00 6,25

  Terbuka [online] Tersedia di &lt; &gt; [Diakses 10 Desember 2016]. Fitra,M &amp; Hakim.F.RB., 2015. Metode

  Berutu, S.S., 2013. Peramalan Penjualan dengan Metode Fuzzy Time Series Ruey Chyn Tsaur. S2. Universitas Diponegoro. Tersedia di &lt; http://eprints.undip.ac.id/41216/1/Sunn eng_Sandino_B.pdf&gt; [Diakses 5 Januari 2017]. Disnaker, 2016. Tingkat Pengangguran

  0,0722526928, kombinasi crossover rate dan mutation rate ke 0,8 dan 0,2 yang mencapai nilai rata-rata fitness paling optimal yaitu 13,840314616 dengan nilai RMSE sebesar 0,0722526928 dan pada generasi ke 1100 yang mencapai nilai rata- rata

5. KESIMPULAN

  2. Untuk mendapatkan nilai parameter algoritme genetika terbaik adalah dengan melakukan pengujian terhadap parameter algoritme genetika dan menghasilkan nilai rata-rata fitness terbaik. Hasil pengujian parameter algoritme genetika adalah dengan ukuran populasi ke 525 menghasilkan nilai rata-rata fitness paling optimal yaitu 13,840314620 dengan nilai RMSE sebesar

  digunakan yang kemudian dilakukan optimasi menggunakan algoritme genetika. Setelah itu dilakukan pengujian terhadap parameter-parameter algoritme genetika, yaitu pengujian terhadap ukuran populasi, kombinasi crossover rate dan mutation rate, dan pengujian terhadap jumlah generasi.

  Fuzzy Time Series Stevenson Porter Dalam Meramalkan konsumsi Batubata di Indonesia. S1. Universitas Islam Indonesia. Tersedia di &lt;https://publikasiilmiah.ums.ac.id/hand le/1 1617/5726?show=full&gt; [Diakses

  7 Januari 2017] Gaxiola, F., Melin, P &amp; Valdez, F., 2016. Optimization with Genetic Algorithm and Particle Swarm Optimization of Type-2 Fuzzy Integrator for Ensemble Neural Network in Time Series. IEEE, [e-journal] 16, 2067

  IEEE Journal [5 April 2017] Haris,M.S,. Santoso, E &amp; Ratnawati,D.E,.

  2015. Implementasi Metode Fuzzy Time Series Dengan Penentuan Interval Berbasis Rata

• – Rata Untuk Peramalan Data Penjualan Bulanan. Universitas Brawijaya Malang.

  Muhdar,M.H. 2015. Potret Ketenagakerjaan, pengangguran, dan Kemiskinan di Indonesia. [online] Tersedia di : &lt;http://journal.iaingorontalo.ac.id/index

  fuzzy secara random dari data yang

  Dalam mengimplementasikan metode FTS (Fuzzy Time Series) dengan menggunakan algoritme genetika untuk meramalkan jumlah pengangguran di Jawa Timur. Langkah pertama yang dilakukan pada penelitian ini adalah membentuk himpunan

  Berdasarkan beberapa pengujian yang dilakukan, dapat ditarik kesimpulan sebagai berikut : 1.

• – 2074. Tersedia melalui:

  .php/ab/article/view/326/244&gt; [Diakses

  29 Desember 2016] Mahmudy, Wayan firdaus. 2015, Algoritme

  Evolusi, Fakultas Ilmu Komputer Universitas Brawijaya. Ningrum, 2010. Penerapan Algoritme

  Genetika Untuk Permasalahan Optimasi Distribusi Barang Dua Tahap. Prabowo,2010. Penerapan Algoritme

  Genetika Untuk Permasalahan Optimasi Pulindo, M., Melin, P &amp; Castillo, O., 2013. Optimization of Type-2 Fuzzy Integration in Ensemble Neural Network for Predicting the US Dolar/MX Pesos Time Series. IEEE, [e-journal] 13, 1508

• – 1512. Tersedia melalui : IEEE Journal &lt; [5 April 2017]

  Sobattv, 2016. Surabaya News [online] Tersedia di &gt; [Diakses 10 Desember 2016]. Sukriyawati,

  G., 2015. Implementasi Metode Average-Based Fuzzy Time Series Models Pada Prediksi Jumlah Penduduk DKI Jakarta.S1. Universitas Brawijaya Malang.

  T. Sutojo., Mulyanto, E., &amp; Suhartono, V., 2011. Kecerdasan Buatan. Yogyakarta.

  ANDI. Vagarda, V &amp; Mahmudy, WF., 2016.

  Pemodelan Fuzzy Time Series Dengan Algoritma Particle Swarm Optimization Untuk Peramalan Pemakaian Air PDAM Kota Malang. S1. Universitas Brawijaya.