SKRIPSI
Diajukan dalam Rangka Menyelesaikan Studi Strata 1 untuk Memperoleh
GelarSarjana Sains Program Studi Matematika
Oleh
Ulfatun Haniah
4111411055
JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS NEGERI SEMARANG
2015
i
PERNYATAAN KEASLIAN TULISAN
Dengan ini saya menyatakan bahwa isi skripsi ini tidak terdapat karya
Tinggi, dan sepanjang pengetahuan saya tidak terdapat karya yang diterbitkan
oleh orang lain, kecuali yang secara tertulis dirujuk dalam skripsi ini dan
Ulfatun Haniah
NIM. 4111411055
ii
PENGESAHAN
Panitia,
Ketua Sekretaris
Ketua Penguji
iii
MOTTO DAN PERSEMBAHAN
Motto
gkau kehendaki dan Engkau cabut kerajaan dari orang yang Engkau
(QS.Ali-Imran:26)
Underhill)
Jangan lihat masa lampau dengan penyesalan, jangan pula lihat masa
Persembahan
Saudara-saudara saya
Kakakku tersayang
iv
KATA PENGANTAR
untuk Peramalan Pemakaian Air di Perusahaan Daerah Air Minum Tirta Moedal
Semarang.
Skripsi ini dapat tersusun dengan baik berkat bantuan dan bimbingan
2. Prof. Dr. Wiyanto, M.Si., Dekan FMIPA Universitas Negeri Semarang, yang
5. Endang Sugiharti, S.Si., M.Kom selaku pembimbing II, yang telah menuntun,
6. Pimpinan PDAM Tirta Moedal Semarang yang telah memberikan izin untuk
melakukan penelitian.
v
vi
memberikan motivasinya.
9. Semua pihak yang tidak dapat penulis sebutkan satu persatu yang telah
Hanya ucapan terima kasih dan doa, semoga apa yang telah diberikan
tercatat sebagai amal baik dan mendapatkan balasan dari Allah SWT.
Penulis
vi
ABSTRAK
vii
DAFTAR ISI
PERNYATAAN .............................................................................................. ii
viii
ix
ix
x
x
DAFTAR TABEL
xi
DAFTAR GAMBAR
Gambar 4.6 Desain Tampilan Form Hasil Peramalan Pemakaian Air ........ 51
xii
DAFTAR LAMPIRAN
Lampiran 1 Source Code MATLAB Mean, Deviasi dan LSE Rekursif ........ 72
Lampiran 5 Hasil PelatihanANFIS Pada Learning Rate 0.6, Momentum 0.9 dan
Lampiran 6 Hasil PelatihanANFIS Pada Learning Rate 0.7, Momentum 0.9 dan
Lampiran 7 Hasil PelatihanANFIS Pada Learning Rate 0.8, Momentum 0.9 dan
Lampiran 8 Hasil PelatihanANFIS Pada Learning Rate 0.9, Momentum 0.9 dan
Lampiran 9 Hasil PelatihanANFIS Pada Learning Rate 0.9, Momentum 0.7 dan
Lampiran 10 Hasil PelatihanANFIS Pada Learning Rate 0.9, Momentum 0.8 dan
xiii
BAB I
PENDAHULUAN
matematika tidak lepas dari perannya dalam segala jenis dimensi kehidupan.
ilmu-ilmu lain seperti fisika, kimia, astronomi, biologi, ekonomi dan lain
tumbuh dan berkembang untuk dirinya sendiri sebagai suatu ilmu tanpa adanya
bantuan dari ilmu lain. Selanjutnya matematika dikatakan sebagai pelayan ilmu
lain karena ilmu lain tidak dapat tumbuh dan berkembang tanpa adanya bantuan
fenomena fisik, seperti yang biasa dipelajari dalam fisika dan kimia. Akibatnya,
fenomena alam yang teramati agar pola struktur, perubahan ruang dan sifat-sifat
1
2
fisik ini disebut model matematika (Widowati & Sutimin, 2007: 1). Matematika
misalnya saja dalam perhitungan statistik, dalam ilmu kedokteran dan masih
mempunya fungsi yang sangat penting yaitu untuk menghitung ketepatan dalam
bertugas untuk memberikan supply air bersih pada masyarakat dan badan usaha
kebutuhan pelanggannya dalam hal ini adalah kebutuhan akan pasokan air bersih.
Oleh karena itu PDAM dituntut untuk melayani pelanggan dengan tepat
(https://humaspdamsmg.com,2014).
pemasaran PDAM Tirta Moedal Semarang, masih banyak kekurangan dalam hal
pendistribusian air bersih, misalnya saja pada wilayah semarang selatan yaitu di
Jatingaleh, Ngesrep, Banyumanik dan masih banyak wilayah lain yang aliran
airnya masih kurang baik. Aliran air yang kurang baik terjadi karena beberapa
3
faktor. Faktor yang pertama adalah karena produksi Instalasi Pengolahan Air
(IPA) yang terbatas. Faktor yang kedua adalah karena faktor cuaca, di saat cuaca
kemarau aliran air menjadi terhambat karena produksi air yang kurang mencukupi
dalam pendistribusian air bersih. Faktor yang ketiga adalah karena kehilangan air,
kehilangan air ini bisa terjadi karena kebocoran pada pipa-pipa air atau pencurian
air. Untuk membantu agar pemakaian air di PDAM Tirta Moedal Semarang lebih
baik lagi penulis ingin meramalkan jumlah pemakaian air perbulan, supaya
PDAM Tirta Moedal dapat memperkirakan kebutuhan pemakaian air bersih dan
dapat memperbaiki IPA yang masih terbatas. Menurut Pakaja dkk (2012: 23)
akan datang yang meliputi kebutuhan dalam ukuran kuantitas, kualitas, waktu dan
lokasi yang dibutuhkan dalam rangka memenuhi permintaan barang atau jasa.
system. Neuro fuzzy adalah gabungan dari dua sistem yaitu sistem logika fuzzy
dan jaringan syaraf tiruan. Sistem neuro fuzzy berdasar pada sistem inferensi
sistem jaringan syaraf tiruan. Dengan demikian, sistem neuro fuzzy memiliki
semua kelebihan yang dimiliki oleh sistem inferensi fuzzy dan sistem jaringan
syaraf tiruan. Dari kemampuannya untuk belajar maka sistem neuro fuzzy sering
dkk,2012: 113).
Pada sistem yang semakin kompleks, fuzzy logic biasanya sulit dan
membutuhkan waktu lama untuk menentukan aturan dan fungsi keanggotaan yang
4
tepat. Pada neural network, tahapan proses sangat panjang dan rumit sehingga
tidak efektif pada jaringan yang cukup besar. Fuzzy logic tidak memiliki
penalaran seperti yang dimiliki pada fuzzy logic. Oleh karena itu dikembangkan
metode yang mengkombinasikan kedua teknik itu yaitu biasa disebut sistem
hybrid, salah satunya adalah Adaptive Neuro Fuzzy Inference System atau ANFIS
clustering, regresi, dan peramalan pada data runtun waktu. ANFIS telah banyak
menggunakan ANFIS untuk prediksi peluang tren pada nilai tukar mata uang
(kurs) diperoleh bahwa metode ini handal untuk memprediksi naik turunnya
fluktuasi nilai tukar. Wei (2011) menerapkan ANFIS untuk peramalan saham
menunjukkan bahwa pendekatan metode ANFIS cukup handal dan akurat dalam
Berdasarkan uraian di atas yang mengacu pada kondisi saat ini pembagian
bersih ke pelanggan akantetapi kekurangan air bersih tetap menjadi masalah bagi
(ANFIS).
Moedal Semarang.
Agar pembahasan dalam penelitian ini tidak meluas, maka penulis perlu
dimulai dari pemakaian air pada bulan Januari tahun 2010 sampai
Desember 2014.
system.
pemrograman MATLAB.
BAB II
LANDASAN TEORI
Data runtun waktu (time series) adalah jenis data yang dikumpulkan
menurut urutan waktu dalam suatu rentang waktu tertentu. Jika waktu dipandang
selalu sama. Dalam kasus diskrit, frekuensi dapat berupa detik, menit, jam, hari,
kebutuhan dalam ukuran kuantitas, kualitas, waktu dan lokasi yang dibutuhkan
dalam rangka memenuhi permintaan barang atau jasa, untuk memprediksikan hal
tersebut diperlukan data yang akurat di masa lalu, untuk dapat melihat situasi di
7
8
satu representasi buatan dari otak manusia yang selalu mencoba untuk
tiruan (JST) atau yang biasa disebut Artificial Neural Network (ANN) atau Neural
berupa suatu model sederhana dari suatu syaraf nyatadalam otak manusia seperti
suatu unit threshold yang biner.Jaringan Syaraf Tiruan tercipta sebagai suatu
4. Setiap sel syaraf akan merupakan fungsi aktivasi terhadap isyarat hasil
penjumlahan berbobot yang masuk kepadanya untuk menentukan isyarat
keluarannya.
paralel dan terdistribusi, hal ini terinspirasi oleh model kerja otak biologis. Sistem
syaraf buatan adalah suatu struktur pemroses informasi yang terdistribusi dan
bekerja secara paralel, yang terdiri atas elemen pemroses (yang memiliki memori
lokal dan beroperasi dengan informasi lokal) yang diinterkoneksi bersama dengan
alur sinyal searah yang disebut koneksi. Setiap elemen pemroses memiliki
9
yang diinginkan (setiap koneksi membawa sinyal yang sama dari keluaran elemen
lokal, yaitu keluaran hanya bergantung pada nilai masukan pada saat itu yang
diperoleh melalui koneksi dan nilai yang tersimpan dalam memori lokal (Pakaja,
memiliki beberapa kesamaan. Jika sudah tidak ada model matematika dari
Jaringan syaraf hanya dapat ikut berperan jika masalah yang ada diungkapkan
oleh contoh yang diamati (dengan jumlah yang cukup). Observasi ini digunakan
untuk pelatihan secara black box. Di satu sisi tidak ada pengetahuan tentang
masalah ini perlu diberikan. Di sisi lain, bagaimanapun, adalah tidak mudah untuk
mengekstrak aturan yang mudah dipahami dari struktur jaringan syaraf tersebut.
output harus dijelaskan secara linguistic atau bahasa (Nauck,et al., 1996: 295).
Jika pengetahuan tidak lengkap, salah atau bertentangan, maka sistem fuzzy harus
disetel (tuned). Karena tidak ada pendekatan formal untuk itu, tuning dilakukan
dengan cara heuristik. Hal ini biasanya sangat memakan waktu dan rawan
10
kesalahan. Pada Tabel 2.1 ditunjukkan beberapa perbedaan antara jaringan syaraf
(http://www.scholarpedia.org/article/Fuzzy_neural_network, 2014)
Meskipun ada banyak pendekatan yang berbeda untuk model jaringan syaraf
fuzzy sehingga dapat diartikan sebagai prototipe yang jelas dari data
pelatihan.
feedforward tiga lapis khusus seperti yang ditunjukkan pada Gambar 2.1.
Namun, model ini dapat diubah ke dalam sebuah arsitektur tiga lapis.
syaraf fuzzy, yaitu, koperasi, bersamaan dan hibrida FNNs (Nauck, et al.,
1997: 160).
(http://www.scholarpedia.org/article/Fuzzy_neural_network, 2014)
lain berupa sinyal dan hanya dapat mengirim sekali dalam satuwaktu, meskipun
sinyal tersebut disebarkan pada beberapa neuron yang lain. Seperti Gambar 2.2
13
1. Tahap Pelatihan
mengubah-ubah bobot yang menjadi penghubung antar node. Pada setiap iterasi
(epoch) dilakukan evaluasi terhadap output jaringan. Tahap ini berlangsung pada
beberapa iterasi dan berhenti setelah jaringan menemukan bobot yang sesuai dan
nilai eror yang diinginkan telah tercapai atau jumlah iterasi telah mencapai nilai
yang ditetapkan. Selanjutnya bobot ini menjadi dasar pengetahuan pada tahap
pengujian.
14
2. Tahap Pengujian
Pada tahap ini dilakukan pengujian terhadap suatu pola masukan yang
belum pernah dilatihkan sebelumnya (data uji) menggunakan bobot-bobot yang
telah dihasilkan pada tahap pelatihan. Diharapkan bobot-bobot hasil pelatihan
yang sudah menghasilkan eror minimal juga akan memberikan eror yang kecil
pada tahap pengujian.
kehidupan sehari-hariyang tidak pasti maka muncul istilah fuzzy, yangpertama kali
dengan pelan, agak cepat, cepat, dan sangat cepat. Dan logikafuzzymenunjukan
sejauh mana suatu nilai itu benar dan sejauh mana suatu nilai itu salah. Tidak
artinya nilai bukan merupakan anggota himpunan dan 1 (satu) berarti nilai
adalah anggota (ditandai dengan angka 1) atau bukan anggota (ditandai dengan
angka 0) dari suatu himpunan dengan batas keanggotaan yang jelas/tegas (crips),
{( ( )) }
( )
( ) ( )
( )
{( )
( )
( )
( )
( )
{( )
. /
( )
( )
| |
Fuzzy C-Means (FCM) adalah suatu teknik pengklasteran data yang mana
keberadaan tiap data dalam suatu cluster ditentukan oleh nilai keanggotaan.
Konsep FCM pertama kali adalah menentukan pusat cluster yang akan menandai
lokasi rata-rata untuk tiap cluster. Pada kondisi awal pusat cluster ini masih belum
akurat. Tiap-tiap data memiliki derajat keanggotaan untuk tiap cluster. Dengan
cara memperbaiki pusat cluster dan nilai keanggotaan tiap-tiap data secara
berulang maka akan dapat dilihat bahwa pusat cluster akan bergerak menuju
1) Tentukan:
a. matriks berukuran , dengan jumlah data yang akan
c. pangkat (pembobot) ( ),
d. maksimum iterasi,
( ) ( ) ( )
( ) ( ) ( )
[ ( ) ( ) ( )]
( )
( )
( )
[ ( ) ]
dengan
( ) [( )]
fuzzy, aturan fuzzy berbentuk if-then, dan penalaran fuzzy. Sistem inferensi fuzzy
dijelaskan pada Gambar 2.7. FISmenerima inputcrisp. Input ini kemudian dikirim
ke basis pengetahuan yang berisi n aturan fuzzy dalam bentuk if-then. Fire
strength (bobot) akan dicari pada setiap aturan. Apabila jumlah aturan lebih dari
satu, maka akan dilakukan agregasi dari semua aturan. Selanjutnya, pada hasil
agregasi akan dilakukan defuzzy untuk mendapatkan nilai crisp sebagai keluaran
Agregasi
1. Basis aturan (rule base), terdiri dari sejumlah aturan fuzzy if-then.
(knowledge base).
( )
Sugeno, yaitu model Sugeno orde dan model Sugeno orde , sebagai berikut.
( )( )( ) ( )
22
( )( ) ( )
Dalam hal ini sistem dapat dibagi menjadi dua grup, yaitu satu grup berupa
jaringan syaraf dengan bobot-bobot fuzzydan fungsi aktivasi fuzzy, dan grup
kedua berupa jaringan syaraf dengan input yang di-fuzzy-kan pada lapisan pertama
atau kedua, namun bobot-bobot pada jaringan syaraf tersebut tidak di-fuzzy-kan.
Menurut Kusumadewi dkk (2006: 23), Neuro Fuzzy termasuk kelompok kedua.
samadengan fuzzy rule base model Sugeno. Arsitektur ANFIS juga sama
Agar jaringan dengan fungsi basis radial ekuivalen dengan fuzzy berbasis
c. Jika ada beberapa input pada basis aturannya, maka tiap fungsi aktivasi
Aturan 1 :
Premis Konsekuen
Aturan 2 :
Premis Konsekuen
24
+
+
d
neural yang fungsinya sama dengan sistem inferensi fuzzy. Pada ANFIS, proses
belajar pada jaringan neural dengan sejumlah pasangan data berguna untuk
77).Jaringan ANFIS yang ditunjukkan pada Gambar 2.9 terdiri dari lapisan-
Lapisan 1:
Lapisan ini merupakan lapisan fuzzifikasi. Pada lapisan ini tiap neuron
adaptif terhadap parameter suatu aktivasi. Output dari tiap neuron berupa derajat
( )
| |
berubah, maka bentuk kurva yang terjadi akan ikut berubah. Parameter-parameter
Lapisan 2:
Lapisan ini berupa neuron tetap (diberi simbol ) merupakan hasil kali
Lapisan 3:
Tiap neuron pada lapisan ini berupa neuron tetap (diberi simbol N)
merupakan hasil perhitungan rasio dari firing strength ke-i (wi) terhadap jumlah
Lapisan 4:
Lapisan ini berupa neuron yang merupakan neuron adaptif terhadap suatu
output, sebagai berikut.
( )
dengan adalah normalized firing strength pada lapisan ketiga dan , dan
Lapisan 5:
27
( ) ( )
( ) ( ) ( ) ( ) ( ) ( )
dan c secara mundur (backward). Pada langkah maju, input jaringan akan
mundur, eror sinyal akan merambat mundur dan parameter-parameter premis akan
Hybrid metode ANFIS dapat dilihat pada Tabel 2.2 (Jang, Sun & Mizutani 1997:
78).
( )
atau dengan membuang ^ dan diasumsikan jumlah baris dari pasangan dan
adalah maka diperoleh:
( )
( ) dan ( )
berikut.
( + + )
+
+ +
29
parameter premis (a dan c). Konsep yang digunakan adalah gradient descent.
Apabila dimiliki jaringan adaptif seperti Gambar 9, dan menyatakan eror pada
neuron ke-j pada lapisan ke-i maka perhitungan eror pada tiap neuron pada tiap
Pada lapisan 5 terdapat satu buah neuron. Propagasi eror yang menuju
( )
Pada lapisan 4 terdapat sebanyak dua buah neuron. Propagasi eror yang
( )( )
( ) ( )
30
sehingga
( )( ) ( )
( )( ) ( )
Pada lapisan 3 terdapat sebanyak dua buah neuron. Propagasi eror yang
( )( )( )
( ) ( )
( ) ( )
sehingga
( )( )( )
( )( )( )
Pada lapisan 2 terdapat sebanyak dua buah neuron. Propagasi eror yang
( )( )( )( ) ( )( )( )( )
( )( )( )( ) ( )( )( )( )
31
dengan adalah output neuron ke-1 dan adalah output neuron ke-2
. /
+
( )
. /
+
( )
. /
+
( )
. /
+
( )
sehingga
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
( )
Karena
( ) ( ) ( ) ( )
dan , maka:
32
( ( ) ( ))
( ) ( )
( ( ))
( ( ) ( ))
( ) ( )
( ( ))
( ( ) ( ))
( ) ( )
( ( ))
( ( ) ( ))
( ) ( )
( ( ))
a (a1dan a12untuk A1dan A2, b11dan b12untuk B1dan B2) dan c (c11dan
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
( )
| |
maka
( )
+| | ( )
( . / )
33
dan
( )
+| | ( )
( . / )
serta
sehingga
( )
( . / )
( )
( )
( . / )
( )
( )
( . / )
( )
( )
( . / )
( )
dan
34
( )
( . / )
( )
( )
( . / )
( )
( )
( . / )
( )
( )
( . / )
( )
Sum Square Error (SSE) adalah salah satu metode statistik yang
dipergunakan untuk mengukur selisih total dari nilai sebenarnya terhadap nilai
yang tercapai. Istilah SSE disebut juga sebagai Summed Square ofResiduals.
( )
Dimana,
Nilai X dalam penelitian ini adalah nilai yang tersimpan dalam database
sedangkan nilai Y adalah komponen data uji. Nilai SSE yang mendekati 0
dan nilai tersebut akan lebih berguna untuk peramalan terhadap suatu model yang
menyatakan berapakah nilai SSE yang dianggap baik dan SSE merupakan besaran
METODE PENELITIAN
PDAM Tirta Moedal Semarang. Hal ini dapat membantu PDAM Tirta Moedal
agar mudah mendapatkan informasi yang efektif dan efisien. Peramalan disini
pemrograman MATLAB.
Data studi kasus adalah diambil dari pemakaian air di PDAM Tirta
Moedal. Data yang diambil berjumlah 60 data yaitu dimulai dari pemakaian air
pada bulan Januari tahun 2010 sampai Desember 2014. Metode pengambilan data
yang digunakan dalam kegitan ini adalah metode observasi dan interview.
36
37
langsung dengan key person yang terkait yaitu petugas sekertaris PDAM
3. Memasukkan Data.
6. Proses pelatihan.
menggunakan metode ANFIS. Pada tahap ini dapat dilakukan evaluasi dari hasil
pelatihan, yang mana pelatihan terbaik ANFIS berdasarkan jumlah input, jumlah
klaster, error dan momentum, yaitu yang menghasilkan nilai SSE terkecil.
BAB V
5.1 SIMPULAN
maksimum epoh = 100, error = 10-6, rentang nilai learning rate = 0.6
sampai 0.9, dan rentang nilai momentum = 0.6 sampai 0.9. Hasil yang
menunjukkan SSE paling kecil adalah nilai learning rate 0.9 dan
67
68
relatif kecil.
5.2 SARAN
akurasi error yang relatif kecil, maka pihak PDAM dapat menggunakan
software lain selain software MATLAB agar lebih mudah dan bisa
sebagai data uji dan data target karena dapat membuat peramalan lebih
harga emas, harga saham, penentuan listrik jangka pendek dan sebagainya.
69
DAFTAR PUSTAKA
Aldrian, E & Yudha, SD. 2008. Application of Multivariate Anfis for Daily
Rainfall Prediction: Influences Of Training Data Size. Makara, Sains
Volume 12 No 1. Hal 7-14.
Bell, E. T. 1952. Mathematics: Queen and Servant of Science. London: G. Bell &
Sons, Ltd.
Buckley, J. J. & Hayashi, Y. (1995). Neural networks for fuzzy systems, Fuzzy
Sets and Systems 71, pp. 265-276.
Defit, S. 2013. Perkiraan Beban Listrik Jangka Pendek Dengan Metode Adaptive
Neuro Fuzzy Inference System. Jurnal Ilmiah Sains dan Komputer
(SAINTIKOM).Vol. 12. No.3.ISSN : 1978-6603. Hal 165-176
Http://www.scholarpedia.org/article/Fuzzy_neuro_network[accessed 12/3/2014].
Https://humaspdamsmg.wordpress.com/[accessed 12/11/2014].
Jang, JSR., CT Sun, & E Mizutani. 1997. Neuro-Fuzzy and Soft Computing: A
Computational Approach to Learning and Machine Intelligence.
London:Prentice-Hall, Inc.
70
Kusumadewi, S & Hartati S. 2006. Neuro Fuzzy: Integrasi Sistem Fuzzy &
Jaringan Syaraf. Yogyakarta: Graha Ilmu.
Eka PIN. 2003. Evaluasi kinerja jaringan syaraf Tiruan pada peramalan konsumsi
Listrik kelompok tarif rumah Tangga. Jurnal Matematika Vol. 2 No. 1,
Juni 2012. ISSN : 1693-1394, 9-18
Medan. Pelita Informatika Budi Darma 2012. Volume 11. ISSN : 2301-
9425. Hal 1-4.
Lampiran 1
[center,U,obj_fcn] = fcm(A,klas);
[n, m] = size(A);
[Yy,Li] = max(U);
a(k,:) = std(tY);
c(k,:) = mean(tY);
end;
function T = rekursif_LSE(A,y)
[n, m] = size(A);
n1 = m;
n2 = n-n1;
A1 = A(1:n1,:);
y1 = y(1:n1,:);
A2 = A(n1+1:end,:);
y2 = y(n1+1:end,:);
P = inv(A1'*A1);
Az = (A1'*A1);
T = Az\(A1'*y1);
for i=1:n2,
P = P -
((P*A2(i,:)'*A2(i,:)*P)/(1+(A2(i,:)*P*A2(i,:)')));
T = T + (P*A2(i,:)'*(y2(i,:) - (A2(i,:)*T)));
end;
D = A*T;
k = 1:n;
73
Lampiran 2
E = 0;
[coef,cc,We3,We2,We1,MMu,mu] = layer23(A,klas,tC,sC);
w1 = We1;
Mu = MMu;
[We4,Youtput] = layer45(A,klas, coef,We3);
X = coef;
R = rekursif_LSE(X,y);
yr = X*R;
nn1 = fix(length(R)/klas);
for i=1:n,
for k=1:klas,
yt(i,k) = X(i,(k-1)*nn1+1:k*nn1)*R((k-
1)*nn1+1:k*nn1);
end;
end;
% hitung propagasi eror
for i=1:n,
%propagasi error lapisan ke-5 (E5)
E5 = -2*(y(i)-yr(i));
%propagasi error lapisan ke-4 (E4)
for k=1:klas,
E4(i,k)=E5;
end;
%propagasi error lapisan ke-3 (E3)
for k=1: klas
E3(i,k) = yt(i,k)*E4(i,k);
end;
%propagasi error lapisan ke-2 (E2)
for k=1 :klas,
tt=0;
for t=1:klas,
for j=1 : m,
if t~=k, tt=tt+w1(i,t,j); end;
end
74
end;
if m <2,
E2(i,k)= tt/(sum(w1(i,:,1))^2)*E3(i,k);
else
E2(i,k)= tt/(sum(w1(i,:,k))^2)*E3(i,k);
end;
for t=1:klas,
if t~=k,
if m <2,
E2(i,k)= E2(i,k)-
(tt/(sum(w1(i,:,1))^2))*E3(i,t);
else
E2(i,k)= E2(i,k)-
(tt/(sum(w1(i,:,k))^2))*E3(i,t);
end
end;
end;
end;
for j=1:m,
for k=1:klas,
tt=1;
if m>1,
for t=1:m,
if t~=j, tt=tt*Mu(i,k,t); end;
end;
else
tt = tt*Mu(i,k,1);
end;
E1(j,k) = tt*E2(i,k);
end;
end;
da(j,k)=2*(L^2)/((sC(j,k)^3)*H)*E1(j,k)*lr*A(i,j);
dc(j,k)=2*L/((sC(j,k)^2)*H)*E1(j,k)*lr*A(i,j);
if epoh > 1, da(j,k) = mc*dalama(j,k) + (1-mc)*da(j,k); end;
if epoh > 1, dc(j,k) = mc*dclama(j,k) + (1-mc)*dc(j,k); end;
sC(j,k) = sC(j,k) + da(j,k);
tC(j,k) = tC(j,k) + dc(j,k);
dclama(j,k)=dc(j,k);
dalama(j,k)=da(j,k);
end;
75
end;
else
for j=1:m,
for k=1 : klas,
L= A(i,j)-tC(k,j);
H= (1+(L/sC(k,j))^2)^2;
da(k,j)=2*(L^2)/((sC(k,j)^3)*H)*E1(j,k)*lr*A(i,j);
dc(k,j)=
2*L/((sC(k,j)^2)*H)*E1(j,k)*lr*A(i,j);
if epoh > 1, da(k,j) = mc*dalama(k,j) + (1-mc)*da(k,j); end;
if epoh > 1, dc(k,j) = mc*dclama(k,j) + (1-mc)*dc(k,j); end;
sC(k,j) = sC(k,j) + da(k,j);
tC(k,j) = tC(k,j) + dc(k,j);
dclama(k,j)=dc(k,j);
dalama(k,j)=da(k,j);
end;
end;
end;
%hitung SSE
E = E + (y(i)-yr(i))^2;
end;
Et(epoh,1) = E;
end;
[y yr y-yr];
76
Lampiran 3
We3(i,k) = We2(i,k)/sum(We2(i,:));
end;
cc=[];
for k=1 : klas,
cc = [cc We3(i,k)*A(i,:) We3(i,k)];
end;
coef = [coef; cc];
end;
77
Lampiran 4
[n,m] = size(A);
Youtput=[];
for k= 1: klas,
for j = 1 :m,
We4(i,k) = ((We3(i,k)*A(i,j))*coef(i,k+0)) +
coef(i,k+1);
end;
end;
for j= 1:m,
Youtput(i,j) = sum(We4(i,:))/A(i,j);
end;
end
78
Lampiran 5
Hasil SSEANFIS
Lampiran 6
Hasil SSEANFIS
Lampiran 7
Hasil SSEANFIS
Lampiran 8
SSEANFIS
Lampiran 9
SSEANFIS
Lampiran 10
SSEANFIS