Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN : 2548-964X

Vol. 1, No. 11, November 2017, hlm. 1142-1151 http://j-ptiik.ub.ac.id

Optimasi Support Vector Regression (SVR) Menggunakan Algoritma

Improved-Particle Swarm Optimization (IPSO)
untuk Peramalan Curah Hujan
Husin Muhamad1 , Imam Cholissodin2, Budi Darma Setiawan3
1,2,3
Program Studi Teknik Informatika/Ilmu Komputer Universitas Brawijaya
Email: 1husin.muh@outlook.com, 2imamcs@ub.ac.id, 3s.budidarma@ub.ac.id

Abstrak
Perubahan iklim yang terjadi dikarenakan oleh pemanasan global menyebabkan perubahan pola
curah hujan. Mengetahui pola curah hujan sangat penting bagi beberapa aktivitas dan pekerjaan yang
ada. Maka dari itu diperlukan peramalan curah hujan untuk mengetahui pola curah hujan yang akan
mendatang. Salah satu metode peramalan yang sering digunakan adalah Support Vector Regression.
Namun, metode tersebut masih memiliki kekurangan yaitu pada penentuan nilai parameter yang tepat.
Maka diperlukan algoritma optimasi untuk membantu menentukan nilai parameter SVR yang tepat.
Penelitian ini bertujuan untuk melakukan peramalan curah hujan pada daerah Pujon, Malang dengan
menggunakan metode Support Vector Regression yang dioptimasi dengan Improved-Particle Swarm
Optimization. Optimasi metode SVR dilakukan untuk mendapatkan nilai parameter SVR yang paling
optimal. Parameter SVR yang dioptimasi adalah 𝑐𝐿𝑅 (konstanta learning rate), 𝐶 (kompleksitas), 𝜆
(koefisien Hessian), 𝜀 (error rate) dan 𝜎 (koefisien kernel). Peramalan curah hujan bulan Januari
dasarian pertama pada tahun 2007 sampai 2015 yang dilakukan dengan menggunakan IPSO-SVR
menghasilkan nilai RMSE sebesar 0.213389 dibandingkan dengan menggunakan metode SVR yang
menghasilkan RMSE sebesar 25.839085. Hal tersebut menunjukkan bahwa metode SVR yang
dioptimasi dengan menggunakan IPSO lebih baik dibandingkan dengan metode SVR yang belum
dioptimasi.
Kata kunci: Peramalan, curah hujan, Support Vector Regression, Improved-Particle Swarm Optimization.
Abstract
Climate change that happens because of global warming also cause change in rainfall patterns.
Knowing rainfall patterns is really important for some activity and works. So, rainfall forecasting is
needed to understand the rainfall patterns in the future. One of the method used in forecasting is Support
Vector Regression. But, SVR still has weakness in determining the right values for the parameters. So,
an optimization algortithm is needed to help determining the values of the parameters in SVR. The
purpose of this research is to do rainfall forecasting in Pujon area, Malang using Support Vector
Regression that’s been optimized by Improved-Particle Swarm Optimization. Optimization of SVR is
done for getting the optimal values of SVR’s parameters. The optimized SVR’s parameters are 𝑐𝐿𝑅
(learning rate constants), 𝐶 (complexity), 𝜆 (Hessian’s coefficient), 𝜀 (error rate) dan 𝜎 (kernel’s
coefficient). The rainfall forecasting for the first ten days of January from 2007 until 2015 by using
IPSO-SVR resulted value of 0.213389 in RMSE compared to using only SVR which resulted value of
25.839085 in RMSE. This proved that optimization of SVR using IPSO is better compared to using the
unoptimized SVR.
Keywords: Forecasting, rainfall, Support Vector Regression, Improved-Particle Swarm Optimization.

Hadley dan sirkulasi timur-barat (zonal) yang

1. PENDAHULUAN
Indonesia terletak diantara dua benua dan
dua samudera serta dilewati oleh garis
khatulistiwa. Posisi ini menjadikan Indonesia
sebagai daerah pertemuan sirkulasi utara-selatan
(meridional) yang dikenal sebagai Sirkulasi
dikenal sebagai Sirkulasi Walker (Achmad, et
al., 2013). Perubahan iklim yang terjadi
dikarenakan oleh pemanasan global
menyebabkan perubahan antara lain terjadinya
kenaikan tinggi permukaan laut, kenaikan suhu
udara dan perubahan pola curah hujan.

Fakultas Ilmu Komputer

Universitas Brawijaya 1142
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Perencanaan pertanian menjadi kurang optimal
dikarenakan kondisi fluktuasi curah hujan yang
tidak menentu dalam beberapa tahun terakhir
(Mukid, 2013). Fenomena El-Nino dan La-Nina
juga menjadi salah satu penyebab perubahan
iklim di Indonesia. Menurut Boer (2003),
Indonesia telah mengalami kekeringan atau
curah hujan di bawah rata-rata sebanyak 43 kali
sejak tahun 1844. Sebuah inovasi teknologi
tentang peramalan curah hujan sangat
dibutuhkan mengingat kondisi curah hujan
Indonesia yang sangat fluktuatif untuk
menunjang aktivitas dan pembangunan di
berbagai bidang (Mulyana, 2014).
Peramalan (forecasting) dapat dilakukan
dengan dua pendekatan. Pendekatan yang
pertama adalah pendekatan statistik dan
pendekatan yang kedua adalah pendekatan
kecerdasan buatan (AI). Peramalan dengan
pendekatan statistik terdiri dari metode
pertimbangan, metode regresi, metode
kecenderungan, metode input output, dan
metode ekonometrika (Supranto, 2000). Metode
regresi adalah salah satu metode peramalan yang
sering digunakan karena dapat diaplikasikan
untuk peramalan dengan data yang memiliki
variabel yang banyak. Proses komputasi pada
metode regresi dapat menjadi lama karena
metode regresi adalah metode yang memiliki
ketergantungan antara variasi dan relasi dari tiap
variabel (Abraham & Ledolter, 2005).
Peramalan dengan pendekatan yang kedua
adalah pendekatan kecerdasan buatan (AI).
Salah satu teknik peramalan AI adalah dengan
menggunakan Support Vector Regression
(SVR). Support Vector Regression (SVR) adalah
hasil pengembangan Support Vector Machine
(SVM) dengan metode regresi sehingga dapat
digunakan untuk peramalan layaknya metode
regresi pada pendekatan statistik. Namun,
Support Vector Regression (SVR) memiliki
parameter yang tidak ditentukan sehingga susah
untuk menentukan parameter yang optimal.
Makridakis dan Hibon (2000) menyatakan
bahwa menggabungkan beberapa model menjadi
satu dapat meningkatkan hasil akurasi
peramalan. Maka, perlu dilakukan
penggabungan metode SVR dengan metode lain
untuk menentukan parameter yang optimal
(Kavousi-Fard et al., 2014).
Terdapat beberapa metode optimasi yang
dapat menyelesaikan permasalahan optimasi.
Salah satunya adalah penelitian yang dilakukan
oleh Chen et al. (2012) dalam meramalkan suhu
pada transformer listrik. Pada penelitian ini,
Fakultas Ilmu Komputer, Universitas Brawijaya
1143
peramalan dilakukan dengan SVR yang
dioptimasi dengan metode Particle Swarm
Optimization (PSO) yang menghasilkan nilai
Root Mean Square Error (RMSE) sebesar 0,902.
Nilai tersebut lebih kecil dibandingkan dengan
nilai RMSE metode SVR sebesar 1,142 dan
metode ANN sebesar 1,307. Penelitian lain
mengenai optimasi Support Vector Regression
(SVR) menggunakan Particle Swarm
Optimization (PSO) yaitu dari Hsieh (2011).
Penelitian ini menggunakan metode SVR-PSO
untuk peramalan harga saham dengan hasil
keluaran nilai RMSE sebesar 49,10. Sedangkan
jika menggunakan metode SVR, nilai RMSE
yang dihasilkan sebesar 49,27. Selain nilai
RMSE yang lebih kecil, waktu komputasi yang
dibutuhkan untuk metode SVR-PSO pada
penelitian ini yaitu 164 detik lebih cepat
dibandingkan dengan metode SVR yang
membutuhkan waktu komputasi 1252 detik. Hal
yang menyebabkan waktu komputasi yang lebih
cepat adalah ketepatan koefisien yang digunakan
sehingga jumlah iterasi yang dilakukan tidak
terlalu banyak.
Berdasarkan peramalan curah hujan dan
penjelasan singkat mengenai Support Vector
Regression (SVR) dan metode Particle Swarm
Optimization (PSO) yang sudah diuraikan, maka
dirancang penelitian yang menggabungkan
kedua metode yaitu “Optimasi Support Vector
Regression (SVR) menggunakan Improved-
Particle Swarm Optimization (IPSO) untuk
Peramalan Curah Hujan”. Implementasi yang
dilakukan adalah menggabungkan metode
Support Vector Regression (SVR) untuk
melakukan peramalan curah hujan, sedangkan
metode Improved-Particle Swarm Optimization
(IPSO) digunakan untuk melakukan optimasi
terhadap parameter yang ada pada SVR sehingga
diharapkan hasil peramalan dengan akurasi yang
tinggi. Penelitian ini diharapkan dapat
membantu masyarakat pada umumnya untuk
membantu mengatasi permasalahan peramalan
curah hujan di Indonesia yang fluktuatif.
2. DASAR TEORI
2.1 Penjelasan Dataset
Data yang digunakan pada penelitian ini
adalah data curah hujan daerah Pujon Malang
yang didapat dari Badan Meteorologi
Klimatologi & Geofisika Stasiun Klimatologi
Karangploso Malang. Data yang digunakan
dibagi menjadi dua bagian yaitu data training
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1144

dan data testing. Data tersebut tersusun dari 𝑅𝑖𝑗 = Matriks Hessian baris
curah hujan perdasarian dari tahun 2000 sampai ke-
2015 dengan satuan milimeter kubik. i kolom ke-j
𝐾(𝑥, 𝑥𝑖 ) = fungsi kernel
2.2 Peramalan 𝜆 = variabel skalar
Peramalan (forecasting) adalah suatu 𝑙 = jumlah data
proses memprediksikan keadaan pada masa yang Langkah 3:
akan datang dengan menggunakan informasi Melakukan proses sequential learning
yang ada di masa lalu. Peramalan diperlukan yang terdiri dari:
untuk memperkirakan kuantitas, kualitas, waktu 1. Menghitung nilai error (𝐸) yang
dan lokasi yang dibutuhkan pada masa yang ditunjukkan pada Persamaan 3.
akan datang. Dalam melakukan peramalan, hasil 𝐸𝑖 = 𝑦𝑖 − ∑𝑙𝑗=1(𝛼𝑗∗ − 𝛼𝑗 ) 𝑅𝑖𝑗 (3)
yang didapatkan tidak selalu tepat sesuai dengan dimana
kenyataan. Salah satu cara untuk menentukan 𝐸𝑖 = nilai error ke-i
ukuran kesalahan secara statistik yaitu dengan 𝑦𝑖 = nilai aktual
Root Mean Squared Error (RMSE) yang 𝛼𝑗∗ , 𝛼𝑗 = Lagrange Multipliers
ditunjukkan pada Persamaan 1. 𝑅𝑖𝑗 = Matriks Hessian baris
∑𝑛 2
𝑡=1 𝑒𝑡 ke
𝑅𝑀𝑆𝐸 = √𝑀𝑆𝐸 = √ (1)
𝑛 i kolom ke-j
2. Menghitung 𝛿𝛼𝑖∗ dan 𝛿𝛼𝑖 dengan
2.3 Support Vector Regression (SVR) menggunakan Persamaan 4.
Untuk mengatasi permasalahan klasifikasi, 𝛿𝛼𝑖∗ = min {max [𝛾(𝐸𝑖 − 𝜀), −𝛼𝑖∗ ], 𝐶 −
Vladimir Naumovich Vapnik mengenalkan 𝛼𝑖∗ }
metode Support Vector Machine (SVM) pada 𝛿𝛼𝑖 = min {max [𝛾(−𝐸𝑖 − 𝜀), −𝛼𝑖 ], 𝐶 −
tahun 1995 (Cortes & Vapnik, 1995). Kemudian, 𝛼𝑖 }
untuk mengatasi kasus regresi dikembangkan (4)
metode Support Vector Regression (SVR) yang dimana
menghasilkan output data berupa bilangan riil 𝛾 = nilai Learning Rate
atau kontinyu (Ju & Hong, 2013). Metode SVM 𝐸𝑖 = nilai error ke-i
memetakan masukan vektor dengan cara non 𝜀 = nilai kerugian
linier ke dalam ruang fitur berdimensi tinggi 𝐶 = nilai kompleksitas
∗
yang kemudian diterapkan pada SVR (Cortes & 𝛼𝑖 , 𝛼𝑖 = Lagrange Multipliers
Vapnik, 1995). 3. Menghitung nilai Lagrange Multipliers
Untuk menangani kasus regresi, dengan menggunakan Persamaan 5.
Vijayakumar dan Wu (1999) mengenalkan 𝛼𝑖∗ = 𝛼𝑖∗ + 𝛿𝛼𝑖∗
algoritma sekuensial untuk SVR sehingga dapat 𝛼𝑖 = 𝛼𝑖 + 𝛿𝛼𝑖 (5)
memberikan solusi yang optimal dan waktu dimana
komputasi yang lebih cepat dibandingkan 𝛼𝑖∗ , 𝛼𝑖 = Lagrange Multipliers
dengan SVR konvensional. Langkah-langkah Langkah 4:
tersebut adalah sebagai berikut: Mengulang proses sequential learning pada
Langkah 1: langkah ketiga hingga mencapai jumlah iterasi
Inisialisasi parameter SVR yang akan maksimum atau memiliki kondisi berhenti yaitu
digunakan diantaranya 𝑐𝐿𝑅, 𝐶, 𝜀, 𝜆 dan jumlah max (|𝛿𝛼𝑖∗ |) < 𝜀 dan max (|𝛿𝛼𝑖 |) < 𝜀.
iterasi maksimum. Selain itu, inisialisasi 𝛼𝑖 dan Langkah 5:
𝛼𝑖∗ (untuk inisialisasi awal, diberikan nilai 0). Jika data memenuhi persyaratan (𝛼𝑖∗ − 𝛼𝑖 )
Langkah 2: tidak sama dengan 0, maka dapat disebut sebagai
Membentuk Matriks Hessian dengan support vector.
menggunakan Persamaan 2. Langkah 6:
Melakukan pengujian dengan
𝑅𝑖𝑗 = 𝐾(𝑥, 𝑥𝑖 ) + 𝜆2 untuk 𝑖, 𝑗 = 1,2, … , 𝑙 menggunakan Persamaan 5.
(2) 𝑓(𝑥) = ∑𝑙𝑖=1(𝛼𝑖∗ − 𝛼𝑖 )(𝐾(𝑥, 𝑥𝑖 ) + 𝜆2 ) (5)
dimana
dimana 𝛼𝑖∗ , 𝛼𝑖 = Lagrange Multipliers

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1145

𝐾(𝑥, 𝑥𝑖 ) = fungsi kernel

𝜆 = variabel skalar 2. Update kecepatan
𝑙 = banyak data Zou et al. (2015) menambahkan 𝜆 sebagai
Langkah 7: faktor konvergen yang diletakkan di depan
Selesai.
bobot inersia, dimana 𝜆 = sin3 𝛼 dan 𝛼 =
2.4 Improved-Particle Swarm Optimization [0, 𝜋/8].Untuk melakukan update
(IPSO) kecepatan, digunakan Persamaan 7.
Particle Swarm Optimization (PSO) adalah 𝑡+1 𝑡 𝑡 𝑡
𝑣𝑖,𝑗 = 𝜆. 𝑤. 𝑣𝑖,𝑗 + 𝑐1 . 𝑟1 (𝑃𝑏𝑒𝑠𝑡𝑖,𝑗 − 𝑥𝑖,𝑗 )+
metode optimasi global yang diperkenalkan oleh 𝑡 𝑡
Kennedy dan Eberhart pada tahun 1995 𝑐2 . 𝑟2 (𝐺𝑏𝑒𝑠𝑡𝑔,𝑗 − 𝑥𝑖,𝑗 ) (7)
berdasarkan penelitian terhadap perilaku dimana
𝑡
kawanan burung dan ikan. Setiap partikel dalam 𝑣𝑖,𝑗 = kecepatan
Particle Swarm Optimization memiliki partikel i
kecepatan partikel bergerak dalam ruang dimensi j pada iterasi
pencarian dengan kecepatan yang dinamis ke-t
disesuaikan dengan perilaku historis mereka. 𝜆 = faktor konvergen
Oleh karena itu, partikel memiliki 𝑤 = bobot inersia
kecenderungan untuk bergerak menuju daerah 𝑐1 , 𝑐2 = koefisien akselerasi
pencarian yang lebih baik selama proses 𝑟1 , 𝑟2 = random [0,1]
pencarian. 𝑃𝑏𝑒𝑠𝑡𝑖,𝑗 𝑡
= posisi pBest i dimensi j
Improved-Particle Swarm Optimization pada iterasi ke-t
(IPSO) merupakan pengembangan dari 𝑡
𝑥𝑖,𝑗 = posisi partikel i
algoritma optimasi Particle Swarm Optimization
(PSO) untuk mencegah konvergensi dini. Pada dimensi j pada iterasi
algoritma PSO konvensional, konvergensi ke-t
𝑡
partikel terjadi sangat cepat, namun pergerakan 𝐺𝑏𝑒𝑠𝑡𝑔,𝑗 = posisi gBest g dimensi j
dari partikel yang ada hanya terjadi pada area pada iterasi ke-t
lokal optimal dan global optimal (Yan et al.,
2013). 3. Update posisi dan hitung fitness
Dalam algoritma IPSO terdapat beberapa Untuk melakukan update posisi, digunakan
proses sebagai berikut (Cholissodin & Persamaan 8.
Riyandani, 2016):
𝑡+1 𝑡 𝑡+1
𝑥𝑖,𝑗 = 𝑥𝑖,𝑗 + 𝜆. 𝑤. 𝑣𝑖,𝑗 (8)
1. Inisialisasi dimana
a. Inisialisasi kecepatan awal 𝑡
𝑥𝑖,𝑗 = posisi partikel i
Pada iterasi ke-0, dapat dipastikan dimensi j pada iterasi
bahwa nilai kecepatan awal semua ke-t
𝑡
partikel adalah 0. 𝑣𝑖,𝑗 = kecepatan
b. Inisialisasi posisi awal partikel partikel i
Pada iterasi ke-0, posisi awal partikel dimensi j pada iterasi
dibangkitkan dengan Persamaan 6. ke-t
𝜆 = faktor konvergen
𝑥 = 𝑥𝑚𝑖𝑛 + 𝑟𝑎𝑛𝑑[0,1]×(𝑥𝑚𝑎𝑥 − 𝑥𝑚𝑖𝑛 ) (6) 𝑤 = bobot inersia
dimana
𝑥 = posisi partikel 4. Update pBest dan gBest
𝑥𝑚𝑖𝑛 = batas bawah posisi Dilakukan perbandingan antara pBest pada
𝑥𝑚𝑎𝑥 = batas atas posisi iterasi sebelumnya dengan hasil dari update
c. Inisialisasi pBest dan gBest posisi. Fitness yang lebih tinggi akan
Pada iterasi ke-0, pBest akan disamakan menjadi pBest yang baru. pBest terbaru
dengan nilai posisi awal partikel. yang memiliki nilai fitness tertinggi akan
Sedangkan gBest dipilih dari satu pBest menjadi gBest yang baru.
dengan fitness tertinggi.
Fakultas Ilmu Komputer, Universitas Brawijaya
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1146

3. PERANCANGAN DAN 1 0.1 500 0.0001 0.2 0.5

IMPLEMENTASI 2 0.2 1000 0.0005 0.5 0.1
Proses optimasi Support Vector Regression 3 0.15 500 0.003 0.7 0.7
menggunakan algoritma Improved-Particle 4 0.2 300 0.0008 1 0.3
Swarm Optimization untuk peramalan curah 5 0.1 1000 0.0005 0.1 0.7
hujan ditunjukkan pada Gambar 1.
Kemudian perhitungan yang digunakan
Mulai sebagai fitness partikel adalah nilai error
(RMSE) dari peramalan dengan menggunakan
SVR yang ditunjukkan pada Persamaan 9.
Data curah hujan
1
𝑓𝑖𝑡𝑛𝑒𝑠𝑠 = 1+𝑅𝑀𝑆𝐸
(9)

Normalisasi Data
4. PENGUJIAN DAN ANALISIS

4.1 Pengujian dan Analisis Jumlah Iterasi

IPSO Tujuan dari pengujian jumlah iterasi adalah
untuk mendapatkan jumlah iterasi IPSO yang
paling optimal. Data yang digunakan adalah
Tidak curah hujan bulan Januari dasarian pertama
Kondisi berhenti tahun 2004 sampai 2015 yang terbagi menjadi
data latih dan data uji. Hasil pengujian
Ya ditunjukkan pada Gambar 2 sedangkan batas
Hasil peramalan parameter yang digunakan adalah sebagai
curah hujan berikut:
• Batas nilai parameter 𝑐𝐿𝑅 : 0.00001 – 0.1
• Batas nilai parameter 𝐶 : 1 – 200
Selesai • Batas nilai parameter 𝜀 : 0.00001 – 0.1
• Batas nilai parameter 𝜆 : 1 – 67
Gambar 1. Diagram Alir Proses Peramalan dengan • Batas nilai parameter 𝜎 : 0.0001 – 2
IPSO-SVR

Langkah-langkah yang dilakukan dalam Pengujian Jumlah Iterasi

implementasi antara lain: IPSO
1. Implementasi optimasi Support Vector 0,07
Regression (SVR) menggunakan
0,06
Improved-Particle Swarm Optimization
Rata-rata Fitness

(IPSO) untuk peramalan curah hujan ke 0,05

dalam bahasa pemrograman Java. 0,04
2. Output yang diperoleh berupa hasil 0,03
peramalan dan RMSE.
0,02

Representasi partikel yang digunakan 0,01

dalam IPSO adalah parameter SVR yang akan 0
dioptimasi. Partikel dalam IPSO ditunjukkan 5 10 15 20 25 30 50 75 100 200
pada Tabel 1. Jumlah Iterasi

Gambar 2. Grafik pengujian jumlah iterasi IPSO

Tabel 1. Representasi partikel IPSO
Berdasarkan Gambar 2 didapatkan bahwa
Partikel 𝒄𝑳𝑹 𝑪 𝜺 𝝀 𝝈 jumlah iterasi yang semakin banyak
mengindikasikan nilai fitness yang semakin baik
Fakultas Ilmu Komputer, Universitas Brawijaya
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1147

dan menunjukkan jumlah iterasi yang

dibutuhkan untuk mencapai konvergensi. Pengujian Jumlah Partikel
Konvergensi ditunjukkan setelah mencapai IPSO
iterasi 50 tidak ada perubahan fitness yang
signifikan pada iterasi-iterasi selanjutnya. 0,25
Namun, pada pengujian yang telah dilakukan,
0,2

Rata-rata Fitness
didapatkan jumlah iterasi IPSO paling optimal
adalah sejumlah 50 iterasi. 0,15
Dengan menggunakan data dan batas
parameter yang sama, dilakukan pengujian 0,1
jumlah iterasi SVR yang bertujuan untuk
mengetahui jumlah iterasi terbaik dari SVR. 0,05
Hasil pengujian ditunjukkan pada Gambar 3.
0
10 15 20 25 30 40 50 75 100 200
Pengujian Jumlah Iterasi SVR
Jumlah Partikel
0,2
0,18 Gambar 4. Grafik pengujian jumlah partikel IPSO
0,16
Rata-rata Fitness

0,14 Berdasarkan Gambar 4 ditunjukkan bahwa

0,12 nilai fitness cenderung naik sesuai dengan
0,1 naiknya jumlah partikel. Hal ini dikarenakan
0,08 semakin banyak jumlah partikel, semakin
0,06 banyak pula peluang yang dihasilkan oleh
0,04 partikel secara acak. Hal tersebut tentu akan
0,02
menaikkan kemungkinan proses IPSO-SVR
mendapatkan nilai fitness yang tinggi. Pada
0
10 50 100 500 10000
percobaan yang dilakukan didapatkan jumlah
partikel yang paling optimal adalah 40.
Jumlah Iterasi
4.3 Pengujian dan Analisis Batas Parameter
Gambar 3. Grafik pengujian jumlah iterasi SVR SVR
Pengujian yang dilakukan adalah menguji
Berdasarkan Gambar 3 didapatkan bahwa
beberapa variasi batas atas dan batas bawah dari
hasil fitness cenderung meningkat semakin
parameter SVR. Tujuan dari pengujian ini adalah
banyaknya iterasi. Hal ini menunjukkan bahwa
untuk mendapatkan batas atas dan batas bawah
semakin banyak iterasi pada SVR, akan semakin
paling optimal dari parameter SVR. Pengujian
baik pula proses pelatihan yang terjadi di dalam
ini terdiri dari pengujian 𝑐𝐿𝑅, 𝐶, 𝜀, 𝜆 dan 𝜎.
SVR. Sehingga akan menghasilkan nilai fitness
Hasil pengujian 𝑐𝐿𝑅 ditunjukkan pada Gambar
yang semakin baik pula. Pada percobaan yang
dilakukan, didapatkan jumlah iterasi terbaik 5.
yaitu 10000 iterasi.

4.2 Pengujian dan Analisis Jumlah Partikel

Tujuan dari pengujian jumlah partikel
adalah untuk mendapatkan jumlah partikel IPSO
yang paling optimal. Data yang digunakan
adalah curah hujan bulan Januari dasarian
pertama tahun 2004 sampai 2015 yang terbagi
menjadi data latih dan data uji. Hasil pengujian
ditunjukkan pada Gambar 4.

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Pengujian Batas Parameter
𝑐𝐿𝑅
0,6
0,5
Rata-rata Fitness
0,4
0,3
0,2
0,1
0 dan data yang sama, dilakukan pengujian untuk
Batas Parameter
Gambar 5. Grafik pengujian batas parameter 𝑐𝐿𝑅
Berdasarkan Gambar 5 ditunjukkan bahwa
nilai fitness cenderung turun mengikuti batas
parameter yang semakin lebar. Hal tersebut
menunjukkan bahwa batas parameter yang
semakin kecil akan menghasilkan fitness yang
semakin baik. Pada percobaan yang dilakukan,
parameter 𝑐𝐿𝑅 sebagai partikel IPSO akan
bergerak sesuai dengan batas parameter yang
digunakan dan batas parameter yang paling
optimal adalah 0.000001 – 1.
Pengujian parameter selanjutnya adalah
parameter 𝐶. Dengan menggunakan parameter
dan data yang sama, dilakukan pengujian untuk
mendapatkan batas parameter 𝐶 yang paling
optimal. Hasil pengujian ditunjukkan pada
Gambar 6.
Pengujian Batas Parameter 𝐶
0,6
Rata-rata Fitness
0,5
0,4
0,3
0,2
0,1
0 Gambar 8.
Batas Parameter
Gambar 6. Grafik pengujian batas parameter 𝐶
Fakultas Ilmu Komputer, Universitas Brawijaya
1148
Berdasarkan Gambar 6 ditunjukkan nilai
fitness semakin tinggi mengikuti batas parameter
yang semakin lebar. Hal tersebut menunjukkan
bahwa batas parameter yang semakin lebar akan
menghasilkan fitness yang semakin baik. Pada
percobaan yang dilakukan, parameter 𝐶 sebagai
partikel IPSO akan bergerak sesuai dengan batas
parameter yang digunakan dan batas parameter
yang paling optimal adalah 10 - 500.
Pengujian parameter selanjutnya adalah
parameter 𝜀. Dengan menggunakan parameter
mendapatkan batas parameter 𝜀 yang paling
optimal. Hasil pengujian ditunjukkan pada
Gambar 7.
Pengujian Batas Parameter 𝜀
0,8
Rata-rata Fitness
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
Batas Parameter
Gambar 7. Grafik pengujian batas parameter 𝜀
Berdasarkan Gambar 7 ditunjukkan nilai
fitness cenderung tinggi mengikuti batas bawah
yang semakin kecil. Hal ini menunjukkan bahwa
semakin kecil nilai 𝜀 akan menghasilkan nilai
fitness yang tinggi. Pada percobaan yang
dilakukan, parameter 𝜀 sebagai partikel IPSO
akan bergerak sesuai dengan batas parameter
yang digunakan dan batas parameter yang paling
optimal adalah 0.000001 – 0.01.
Pengujian parameter selanjutnya adalah
parameter 𝜆. Dengan menggunakan parameter
dan data yang sama, dilakukan pengujian untuk
mendapatkan batas parameter 𝜆 yang paling
optimal. Hasil pengujian ditunjukkan pada
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Pengujian Batas Parameter 𝜆
0,8
Rata-rata Fitness
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0 untuk mendapatkan jumlah fitur SVR yang
Batas Parameter
Gambar 8. Grafik pengujian batas parameter 𝜆
Berdasarkan Gambar 8 ditunjukkan nilai
fitness cenderung menurun mengikuti batas
bawah yang semakin besar. Hal ini menunjukkan
bahwa semakin kecil nilai 𝜆 akan menghasilkan
nilai fitness yang tinggi. Pada percobaan yang
dilakukan, parameter 𝜆 sebagai partikel IPSO
akan bergerak sesuai dengan batas parameter
yang digunakan dan batas parameter yang paling
optimal adalah 0.01 – 20.
Pengujian parameter selanjutnya adalah
parameter 𝜎. Dengan menggunakan parameter
dan data yang sama, dilakukan pengujian untuk
mendapatkan batas parameter 𝜎 yang paling
optimal. Hasil pengujian ditunjukkan pada
Gambar 9.
Pengujian Batas Parameter 𝜎
0,8
0,7
Rata-rata Fitness
0,6
0,5
0,4
0,3
0,2
0,1
0 dengan fitness sebesar 0.824138.
Batas Parameter
Gambar 9. Grafik pengujian batas parameter 𝜎
Berdasarkan Gambar 9 ditunjukkan nilai
fitness cenderung turun mengikuti batas atas
yang semakin besar. Hal ini menunjukkan bahwa
semakin kecil nilai 𝜎 akan menghasilkan nilai
fitness yang tinggi. Pada percobaan yang
Fakultas Ilmu Komputer, Universitas Brawijaya
1149
dilakukan, parameter 𝜎 sebagai partikel IPSO
akan bergerak sesuai dengan batas parameter
yang digunakan dan batas parameter yang paling
optimal adalah 0.00001 – 1.
4.4 Pengujian dan Analisis Jumlah Fitur
SVR
Pengujian jumlah fitur SVR ini bertujuan
paling optimal. Data yang digunakan adalah
curah hujan bulan Januari dasarian pertama
tahun 2004 sampai 2015 yang terbagi menjadi
data latih dan data uji. Hasil pengujian
ditunjukkan pada Gambar 10.
Pengujian Jumlah Fitur SVR
0,9
0,8
Rata-rata Fitness 0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14
Jumlah Fitur SVR
Gambar 10. Grafik pengujian jumlah fitur SVR
Berdasarkan Gambar 10 ditunjukkan fitness
dari proses peramalan dengan IPSO-SVR
cenderung naik hingga jumlah fitur 8 dan
kemudian turun. Hal ini menunjukkan bahwa
untuk melakukan peramalan curah hujan, data
selama 8 tahun sebelumnya akan menghasilkan
peramalan dengan tingkat keakuratan yang
tinggi. Pada percobaan yang dilakukan, jumlah
fitur SVR terbaik yang digunakan adalah 8
4.5 Analisis Global Hasil Pengujian
Berdasarkan dari hasil pengujian yang telah
dilakukan didapatkan parameter-parameter
dengan nilai fitness terbaik. Pada pengujian
jumlah iterasi IPSO didapatkan jumlah iterasi
terbaik adalah 50 sedangkan jumlah iterasi
terbaik untuk SVR adalah 10000. Selain itu juga
didapatkan jumlah partikel terbaik pada IPSO
adalah sejumlah 40 partikel.
Pengujian lain yang dilakukan adalah
pengujian batas parameter SVR yaitu 𝑐𝐿𝑅, 𝐶, 𝜀,
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
𝜆 dan 𝜎. Batas parameter SVR juga digunakan
sebagai batas posisi dari partikel IPSO dimana
partikel tersebut bergerak. Batas parameter 𝑐𝐿𝑅
yang menghasilkan fitness terbaik adalah
0.000001 – 0.01, untuk batas parameter 𝐶 yang
menghasilkan fitness terbaik adalah 10 – 500,
untuk batas parameter 𝜀 yang menghasilkan
fitness terbaik adalah 0.000001 – 0.01, untuk
batas parameter 𝜆 yang menghasilkan fitness
terbaik adalah 0.1 – 20, untuk batas parameter 𝜎
yang menghasilkan fitness terbaik adalah 0.0001
– 1. Kemudian pengujian selanjutnya adalah
pengujian jumlah fitur SVR yang didapatkan
jumlah fitur terbaik adalah 8. Dengan
menggunakan semua parameter yang paling
optimal berdasarkan pengujian yang dilakukan,
fitness yang didapatkan adalah 0.824138.
Untuk mengukur perbedaan tingkat
keakuratan dari IPSO-SVR dan SVR dilakukan
percobaan dengan menggunakan data curah
hujan bulan Januari dasarian 1 pada tahun 2007
sampai 2015. Hasil dari percobaan yang
dilakukan ditunjukkan pada Tabel 2 serta pada
Gambar 11 dan Gambar 12.
Tabel 2. Perbandingan IPSO-SVR dan SVR
Metode RMSE
IPSO-SVR 0.213389
SVR 25.839085
Peramalan Curah Hujan
dengan IPSO-SVR
300
250
200
150
100
50
0 Berdasarkan pengujian yang dilakukan
2007 2008 2009 2010 2011 2012 2013 2014 2015
Data Aktual Hasil Peramalan
Gambar 11. Grafik peramalan dengan IPSO-SVR
Fakultas Ilmu Komputer, Universitas Brawijaya
1150
Peramalan Curah Hujan
dengan SVR
300
250
200
150
100
50
0
2007 2008 2009 2010 2011 2012 2013 2014 2015
Data Aktual Hasil Peramalan
Gambar 12. Grafik peramalan dengan SVR
5. KESIMPULAN DAN SARAN
Berdasarkan hasil penelitian mengenai
peramalan curah hujan dengan menggunakan
metode Support Vector Regression yang
dioptimasi dengan Improved-Particle Swarm
Optimization, maka dapat diambil kesimpulan
bahwa metode Improved-Particle Swarm
Optimization (IPSO) dapat digunakan untuk
mengoptimasi parameter Support Vector
Regression (SVR). Pada penelitian ini,
parameter SVR yang dioptimasi adalah 𝑐𝐿𝑅, 𝐶,
𝜀, 𝜆 dan 𝜎. Untuk mendapatkan nilai parameter
SVR yang paling optimal, langkah pertama yang
dilakukan adalah membangkitkan nilai
parameter SVR secara acak sebagai partikel
pada IPSO. Kemudian perhitungan fitness dari
partikel tersebut adalah dengan menggunakan
SVR. Setelah proses SVR dan IPSO sesuai
jumlah iterasi yang ditentukan, maka akan
didapatkan parameter SVR yang paling optimal.
Parameter SVR yang paling optimal tersebut
dapat digunakan untuk meramalkan curah hujan
dengan tingkat keakuratan yang tinggi.
dengan menggunakan data curah hujan bulan
Januari dasarian pertama tahun 2004 sampai
2015, didapatkan batas parameter terbaik dari
𝑐𝐿𝑅 = 0.000001 – 0.01, 𝐶 = 10 – 500, 𝜀 =
0.000001 – 0.01, 𝜆 = 0.1 – 20 dan 𝜎 = 0.0001 –
1. Sehingga didapatkan nilai fitness terbaik dari
peramalan tersebut yaitu 0.824138.
Penelitian mengenai peramalan curah hujan
ini masih memiliki banyak kekurangan.
Kekurangan tersebut dapat dikembangkan
menjadi penelitian yang lebih baik. Saran yang
dapat diberikan untuk penelitian selanjutnya
yaitu diharapkan pada penelitian selanjutnya
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1151

peramalan curah hujan dengan menggunakan implications. International Journal of

SVR dapat dioptimasikan dengan algoritma Forecasting, 16, pp.451-476.
optimasi selain IPSO. Saran lain adalah proses Mukid, M.A., Aji, H.W. & Erfiani, 2009.
optimasi yang dilakukan masih dapat Kinerja Regresi Proses Gaussian Untuk
dikembangkan dengan menambahkan seleksi Pemodelan Kalibrasi Peubah Ganda Pada
kernel yang ada pada SVR. Daerah Identifikasi Spektra Infra Merah
Senyawa Aktif. Prosiding Seminar
6. DAFTAR PUSTAKA Nasional Statistika IX ITS. Surabaya, 7
Abraham, B. & Ledolter, J., 2005. Statistical November 2009.
Methods for Forecasting. New Jersey : Mulyana, E., 2014. Hubungan Antara Enso
John Wiley & Sons, Inc. dengan Variasi Curah Hujan di Indonesia.
Achmad, A., Indrabayu & Fikha, 2013. Jurnal Sains & Teknologi, 3, pp.1-4.
Kecerdasan Buatan Hybrid untuk Prediksi Supranto J., 2000. Statistika Teori dan Aplikasi.
Curah Hujan. Prosiding Hasil Penelitian Jakarta : Erlangga.
Fakultas Teknik UNHAS. Vol. 7. Wu, J. & Chen, E., 2010. A Novel Hybrid
Boer, G.J. & Yu B., 2003. Dynamical Aspects of Particle Swarm Optimization for Feature
Climate Sensitivity. Geophysical Selection and Kernel Optimization in
Research Letter, [e-journal] 30(1135). Support Vector Regression. 2010
Tersedia melalui : Wiley Online Library International Conference on
<http://onlinelibrary.wiley.com/doi/10.10 Computational Intelligence and Security,
29/2002GL016549/full> [Diakses 15 pp.189-194.
Januari 2017] Yan, X., Wu, Q., Liu, H. & Huang, W., 2013. An
Chen, W., Su, X., Chen, X., Zhou, Q. & Xiao, Improved Particle Swarm Optimization
H., 2012. Combination of Support Vector Algorithm and Its Application.
Regression with Particle Swarm International Journal of Computer
Optimization for Hot-spot Temperature Science Issues, 10(1), pp.316-324.
Prediction of Oil-immersed Power
Transformer. Electrical Review, 88,
pp.172-176.
Cholissodin, I. & Riyandani, I., 2016. Swarm
Intelligence, Fakultas Ilmu Komputer,
Universitas Brawijaya, Malang.
Cortes, C. & Vapnik, V., 1995. Support-vector
Networks. Machine Learning, 20(3),
pp.273-297.
Hsieh, H.I., Lee, T.P. & Lee, T.S., 2011. A
Hybrid Particle Swarm Optimization and
Support Vector Regression Model for
Financial Time Series Forecasting.
International Journal of Business
Administration, Vol.2, No.2.
Ju, F.Y. & Hong, W.C., 2013. Application of
Seasonal SVR with Chaotic Gravitational
Search Algorithm in Electricity
Forecasting. Applied Mathematical, 37,
pp.9643-51.
Kavousi-Fard, A., Samet, H. & Marzbani, F.,
2014. A New Hybrid Modified Firefly
Algorithm and Support Vector Regression
Model for Accurate Short Term Load
Forecasting. Expert Systems with
Applications, 41, pp.6047-56.
Makridakis, S. & Hibon, M. 2000. The M3-
Competition: results, conclusions and

Fakultas Ilmu Komputer, Universitas Brawijaya