17-24
p-ISSN 2656 - 6303
URL:http://journal.unirow.ac.id/index.php/mv
Uswatun Khasanah1, Dian C. R. Novitasari2*, Wika Dianita Utami3, Poutrue Keumala Intan4
Matematika UIN Sunan Ampel Surabaya1, 2, 3, 4
diancrini@uinsby.ac.id2*
17
18 USWATUN KHASANAH DKK
linear [7], adaptive neuro fuzzy inference merupakan suatu bidang penelitian yang aktif
system[8], auto regressive integrated moving dimana keakuratan dalam time series
average (ARIMA)[5], dll. forecasting atau peramalan menggunakan
Dewi d.k.k melakukan penelitian time series menjadi pokok dari tahap
menggunakan metode ANFIS memberikan pengambilan keputusan atau peramalan [11].
hasil yang cukup baik dalam memprediksi Menurut Pakaja d.k.k menjelaskan bahwa
cuaca pada data time series tanpa peramalan adalah proses untuk
mengelompokkan berdasarkan musim [9]. memperkirakan kebutuhan dimasa yang akan
Widyapratiwi d.k.k menunjukkan bahwa datang baik dalam ukuran kuantitas, kualitas,
peramalan beban listrik mingguan waktu dan lokasi yang dibutuhkan dalam
menggunakan metode adaptive neuro fuzzy rangka memenuhi permintaan barang atau
inference system memiliki tingkat akurasi jasa. Dibutuhkan data yang akurat di masa
yang terbaik [10]. Sedangkan Gholamreza lalu dalam memprediksi[12].
Zahedi dkk [5] melakukan penelitian Untuk melakukan peramalan data time
peramalan kebutuhan beban listrik series, terlebih dahulu melakukan
menggunakan perbandingan metode adaptive normalisasi data dalam bentuk 0 ≤ x ≤ 1
neuro fuzzy inference system dengan metode dengan menggunakan rumus :
regresi dan metode adaptive neural network 𝑧 min 𝑑𝑎𝑡𝑎 𝑖𝑛𝑝𝑢𝑡
𝑡 (2.1)
yang menghasilkan peramalan menggunakan max 𝑑𝑎𝑡𝑎 𝑖𝑛𝑝𝑢𝑡 min 𝑑𝑎𝑡𝑎 𝑖𝑛𝑝𝑢𝑡
2 𝑥 𝑐
∆𝑎 𝜀
(2.29)
𝑎 1
2 𝑥 𝑐
Gambar 2: Proses Pembelajaran Hybrid ANFIS ∆𝑎 𝜀
(2.30)
𝑎 1
a. Layer 5
2 𝑥 𝑐
Propagasi error pada layer 5 ∆𝑎 𝜀
(2.31)
𝑎 1
𝜀 2 𝑦 𝑡 𝑦 (2.18) 2 𝑥 𝑐
Keterangan: ∆𝑎 𝜀
(2.32)
Y(t) = output target 𝑎 1
y = output jaringan 2 𝑥 𝑐
∆𝑐 𝜀
𝜀 = error (2.33)
b. Layer 5 𝑎 1
2 𝑥 𝑐
Propagasi error pada layer 4 ∆𝑐 𝜀
(2.34)
𝑎 1
𝜀 𝜀 ∗ 1 (2.19)
2 𝑥 𝑐
𝜀 𝜀 ∗ 1 (2.20) ∆𝑐 𝜀
(2.35)
𝑎 1
c. Layer 3 2 𝑥 𝑐
∆𝑐 𝜀
Propagasi error pada layer 3 : (2.36)
𝑎 1
𝜀 𝜀 ∗ 𝑓𝑖 (2.21)
𝜀 𝜀 ∗ 𝑓𝑖 (2.22) G. Mean Absolute Percentage Error
Keterangan : (MAPE)
fi = nilai output dari layer 5 pada Mean Absolute Percentage Error
perhitungan maju (MAPE) merupakan salah satu cara
menghitung nilai kesalahan yag dapat
dihitung dengan menemukan kesalahan
22 USWATUN KHASANAH DKK
absolut dari setiap periode atau waktu dan tanggal 01 Februari sampai September
membagi dengan nilai observasi pada waktu 2018.
yang diteliti dan merata-rata presentase
absolut. MAPE adalah nilai tengah kesalahan 2. Tahap Pengolahan Data
presentase absolute dari suatu prediksi. Adapun alur pengolahan data
Untuk mencai nilai MAPE dapat untuk peramalan beban listrik jangka
dilakukan penghitungan error dengan pendek dapat dilihat pada Gambar 3.
menggunakan persamaan berikut ini [19].
𝑥 𝐹
𝑒 𝑥 100% (2.37)
𝐷
∑ 𝑒
𝑀𝐴𝑃𝐸 (2.38)
𝑁
Keterangan :
𝑒 = perhitungan error
𝑥 target
F = peramalan Gambar 3: Flowchart peramalan beban listrik
𝐷 data aktual jangka pendek
N = banyaknya data 3. Pre-processing Data
MAPE digunakan untuk mengukur Tahap awal yang dilakukan yaitu
kesalahan mutlak sebagai presentase rata – melakukan normalisasi data dengan
rata kesalahan mutlak pada beberapa periode menggunakan persamaan (2.1). Hal ini
dari data aktual. Hal tersebut digunakan dilakukan untuk transformasi data
untuk menghindari permasalahan dalam agar range data tidak terlalu jauh dan
interpretasi pengukuran akurasi terhadap mendapatkan hasil data yang baik.
besarnya nilai data aktual dan nilai hasil
Selanjutnya data dibagi menjadi
prediksi. 2 data input dan target. Data dibagi
Semakin kecil nilai MAPE, maka akan dengan menmperhatikan Data input
menunjukkan performa model yang semakin berupa data di hari sebelumnya dan di
baik. Nilai yang dihasilkan melalui evaluasi hari ini, sedangkan data target
ini menunjukkan kemampuan hasil merupakan data di hari setelahnya.
peramalan seperti yang ditunjukkan pada Data kemudian dikelompokkan
Tabel 1. menggunakan algoritma fuzzy c-
Tabel 1: Kriteria MAPE
means. Hasil yang diperoleh dari
Kategori kemampuan proses clustering digunakan untuk
MAPE menghitung nilai mean (c) dan
prediksi standar deviasi (a). Diperoleh hasil :
<10% Sangat baik
10% - 20% Baik 3830,6 4665,4
𝑐
4049,7 4775,6
20% - 50% Cukup Baik
5,2277 258,1180
𝑎
>50% Buruk 4,0309 237,2736
III. KESIMPULAN