PROPOSAL PENELITIAN

MENENTUKAN JUMLAH KNOT OPTIMAL PADA REGRESI

NONPARAMETRIK DERET FOURIER MENGGUNAKAN SALP SWARM

ALGORITHM (SSA)

PROPOSAL PENELITIAN

Oleh
HAMZAN WADI
NIM : G1D016016

PROGRAM STUDI MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS MATARAM
2022
 MENENTUKAN JUMLAH KNOT OPTIMAL PADA REGRESI

NONPARAMETRIK DERET FOURIER MENGGUNAKAN SALP SWARM

ALGORITHM (SSA)

PROPOSAL PENELITIAN

Proposal penelitian ini diajukan sebagai salah satu syarat untuk melakukan
penelitian

Oleh
HAMZAN WADI
NIM : G1D016016

PROGRAM STUDI MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS MATARAM
2022

ii
 HALAMAN PENGESAHAN RENCANA PENELITIAN

Judul : MENENTUKAN JUMLAH KNOT OPTIMAL PADA

REGRESI NONPARAMETRIK DERET FOURIER
MENGGUNAKAN SALP SWARM ALGORITHM (SSA)

Penyusun : HAMZAN WADI

NIM : G1D016016

Disetujui Oleh
Pembimbing I, Pembimbing II,

Dr. Irwansyah, S.Si., M.Si. Nurul Fitriyani, S.Si., M,Si.

NIP: 19890707 201504 1 004 NIP. 19901106 201504 2 003

Mengetahui :

Ketua Program Studi Matematika

Fakultas MIPA Universitas Mataram

Dr. Marwan, S.Si.,M.Si.

NIP. 19711005 200003 1 002

iii
 KATA PENGANTAR

Puji syukur penulis panjatkan kehadirat Allah S.W.T. Tuhan Yang Maha
Esa, atas berkat rahmat dan kelancaran yang telah diberikan, sehingga penulis
dapat menyelesaikan proposal skripsi yang berjudul:“Menentukan Jumlah Knot
Optimal Pada Regresi Nonparametrik Deret Fourier Menggunakan Salp
Swarm Algorithm (SSA)”. Proposal skripsi ini disusun sebagai salah satu
syaratskripsi untuk menyelesaikan studi Program Strata (S1) Matematika,
Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Mataram.
Dalam penulisan proposal ini, tidak sedikit kesulitan dan hambatan yang
dialami oleh penulis. Namun, banyak pihak yang telah dan selalu memberikan
saran, bantuan, kritik, semangat dan motivasi dalam pembuatan proposal skripsi
ini. Oleh karena itu penulis menyampaikan ucapan terima kasih yang sebesar-
besarnya.
Jika pembaca menemukan kekurangan dan kekeliruan di dalam proposal
ini, penulis sangat mengharapkan kritik dan saran yang dapat membangun demi
kesempurnaan proposal penelitian ini. Semoga proposal penelitian ini dapat
berguna bagi banyak pihak.

Mataram, 07 Juni 2022

Penulis,

Hamzan Wadi

iv
 DAFTAR ISI

1.1 Latar Belakang.......................................................................................1

1.2 Rumusan Masalah..................................................................................4
1.3 Tujuan Penelitian...................................................................................4
1.4 Manfaat Penelitian.................................................................................4
1.5 Batasan Masalah....................................................................................4
3.1 Analisis Regresi.....................................................................................7
3.2 Regresi Nonparametrik..........................................................................7
3.3 Deret Fourier..........................................................................................8
3.4 Salp Swarm Algorithm (SSA)................................................................9
3.4.1 Model Matematis Salp Swarm Algorithm (SSA)......................12
3.4.2 Single-objective Salp Swarm Algorithm (SSA).........................14
3.5 Software R............................................................................................16
BAB IV METODE PENELITIAN........................................................................17
4.1 Lokasi dan Waktu Penelitian...............................................................17
4.2 Alat dan Data Penelitian......................................................................17
4.3 Prosedur Penelitian..............................................................................17
DAFTAR PUSTAKA............................................................................................19

v
 DAFTAR GAMBAR

Gambar Halaman
Gambar 3.1 (a) Seekor Salp, (b) Kelompok Salp (Rantai Salp) 10
Gambar 3.2 Ilustrasi Rantai Salp 11
Gambar 3.3 Langkah-Langkah Penelitian Regresi Nonparametrik 17
Deret Fourier

vi
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Analisis regresi merupakan metode statistika untuk mengetahui
hubungan antara variabel dependen dengan variabel independen.
Pendekatan regresi dapat dilakukan dengan tiga pendekatan yaitu
parametrik, semiparametrik dan nonparametrik (Budiantara, 2000).
Pendekatan regresi parametrik digunakan untuk pemodelan hubungan antar
variabel jika bentuk hubungan fungsionalnya diketahui atau diasumsikan
mengikuti fungsi tertentu yaitu linier, kuadratik, kubik, eksponensial dan
lain sebagainya (Gujarati, 2004). Pendekatan nonparametrik digunakan
untuk menjelaskan bentuk hubungan fungsional yang tidak diketahui antara
variabel respon dan prediktor. Dalam pendekatan regresi nonparametrik
tidak diperlukan asumsi seperti pada regresi parametrik. Regresi
nonparametrik memiliki kemampuan dalam mencari bentuk pola kurva
regresi yang tidak diketahui bentuknya. Pendekatan regresi semiparametrik
digunakan apabila kasus tertentu dalam pemodelan terdapat komponen
parametrik serta komponen nonparametrik (Budiantara, 2014).
Regresi nonparametrik merupakan pendekatan yang banyak diteliti
saat ini. Ada beberapa model regresi nonparametrik yang banyak
digunakan di antaranya Spline (Budiantara, 2016), Kernel (Hu, Wang, &
Carrol, 2004), Estimator Deret Fourier (Amato, Antoniadis, dan De Feis,
2002), dan Polinomial Lokal (Fan & Jiang, 2005).
Penelitian menggunakan deret Fourier untuk regresi nonparametrik
telah banyak dikembangkan, antara lain Bilodeau (1992) yang
mengembangkan model regresi nonparametrik multivariabel dengan
menggunakan metode penaksiran deret Fourier untuk seluruh variabel
prediktornya, Tripena (2007) yang mengkaji estimator deret Fourier pada
regresi nonparametrik, serta Semiati (2010) yang mengembangkan estimasi
model regresi nonparametrik deret Fourier birespon.

1
 Salah satu keunggulan pendekatan regresi nonparametrik dengan
menggunakan deret Fourier adalah mampu mengatasi data yang
mempunyai sebaran trigonometri seperti sinus dan cosinus. Pola data yang
sesuai dengan pendekatan Fourier merupakan pola data yang berulang,
yaitu pengulangan terhadap nilai variabel dependen untuk variabel
independen yang berbeda-beda (Prahutama, 2013).
Untuk menghasilkan fungsi terbaik pada regresi nonparametrik deret
Fourier, dilakukan pemilihan jumlah knot ( K ) yang optimal. Kriteria yang
harus diperhatikan dalam membentuk model regresi nonparametrik deret
Fourier adalah menentukan jumlah knot ( K ) yang optimal untuk model
regresinya. Nilai K yang digunakan merupakan bilangan bulat positif.
Salah satu kriteria menentukan jumlah knot yang optimal yaitu dengan
meminimumkan nilai Generalized Cross Validation (GCV) (Sunengsih,
dkk., 2015).
Berdasarkan penelitian yang dilakukan oleh Pratiwi, dkk.(2021)
mengenai perbandingan metode GCV dan UBR (Unbiased Risk) dalam
regresi nonparametrik multivariabel menunjukkan bahwa metode GCV
dapat menghasilkan nilai MSE (Mean Square Error) yang lebih kecil atau
lebih baik dari metode UBR. Adapun pada penelitian Lamussu, dkk.(2020)
menunjukkan metode GCV menghasilkan nilai MSE lebih kecil atau lebih
baik dari metode CV (Cross Validation), sehingga pada penelitian ini akan
digunakan metode GCV dalam menentukan jumlah knot optimal.
Pada penelitian lain yang telah dilakukan, untuk memudahkan proses
pencarian nilai GCV minimum, biasanya dilakukan dengan menggunakan
algoritma optimisasi. Terdapat beberapa algoritma optimisasi untuk
meminimumkan nilai dari GCV, diantaranya Algoritma Genetika (AG),
algoritma Simulated Annealing (SA), Particle Swarm Optimization (PSO),
dan banyak metode optimisasi lainnya. Dalam penelitian ini metode
optimisasi yang akan digunakan untuk meminimumkan nilai GCV yaitu
metode Salp Swarm Algorithm (SSA). SSA merupakan sebuah algoritma
yang dapat menemukan pendekatan optimisasi dari sebuah permasalahan
baik sistem linier maupun non-linier (Faris, dkk., 2020).

2
 Pada tahun 2017, SSA dikembangkan berdasarkan kebiasaan salp
dalam suatu perkumpulan. Salp merupakan hewan yang termasuk ke dalam
keluarga Salpidae dan memiliki tubuh berbentuk barel transparan. Jaringan
dan cara mereka bergerak sangat mirip dengan ubur-ubur. Dalam
penelitiannya, salah satu perilaku dari salp yang menarik perhatian adalah
perilaku mereka yang berkumpul membentuk gerombolan salp yang
disebut rantai salp. Fungsi dari perilaku salp ini belum jelas sepenuhnya,
namun peneliti meyakini bahwa hal ini dilakukan untuk mencapai
pergerakan yang lebih baik dengan perubahan yang terkoordinasi dan untuk
mencari makanan dengan cepat (Purba, 2019).
Dalam penelitian Mirjalili, dkk.(2017) dilakukan pengujian kinerja
terhadap Salp Swarm Algorithm (SSA). SSA dibandingkan dengan
beberapa algoritma terkenal dan terbaru seperti Particle Swarm
Optimization (PSO), Gravitational Search Algorithm (GSA), Bat Algorithm
(BA), Flower Pollination Algorithm (FPA), Firefly Algorithm (FA), dan
Genetic Algorithm (GA). Algoritma ini diuji pada beberapa fungsi
optimisasi matematis untuk mengamati dan mengkonfirmasi perilaku
efektif mereka dalam menemukan solusi optimal untuk masalah optimisasi.
Pengujian matematis yang dilakukan yaitu uji fungsi unimodal, fungsi
multi-modal, dan fungsi komposit untuk melihat eksploitasi dan
konvergensi dari masing-masing algoritma. Hasil pada uji fungsi
matematika menunjukkan bahwa SSA mampu meningkatkan solusi acak
awal secara efektif dan konvergen menuju optimal. Pengujian tersebut juga
memperlihatkan bahwa SSA mengungguli algoritma lainnya pada sebagian
besar fungsi pengujian. Hasil uji statistik Wilcoxon membuktikan bahwa
hasil tersebut signifikan secara statistik karena sebagian besar nilai p-value
lebih kecil dari 0,05. Hasil yang lebih baik juga dilihat pada nilai rata-rata
dan standar deviasi, yang menunjukkan seberapa baik dan kuat SSA saat
memecahkan permasalahan (Mirjalili, dkk., 2017).
Untuk menentukan jumlah knot optimum pada regresi deret Fourier
menggunakan SSA digunakan software komputer yang berbasis statistik.
Pada penelitian ini software yang akan digunakan untuk membangun SSA

3
 dalam menentukan jumlah K optimal pada regresi deret Fourier yaitu
software R. Software R mempunyai banyak fungsi di antaranya
pengekstrakan atau pengambilan data, manajemen data (organizing),
penampilan data (visualizing), pemodelan data (modeling), dan aplikasi data
untuk berbagai analisis (performing) (Chamber, 2008).
Berdasarkan latar belakang yang telah dijelaskan, pada penelitian ini
akan dilakukan penentuan jumlah knot optimal pada regresi nonparametrik
deret Fourier menggunakan Salp Swarm Algorithm dengan software R.

1.2 Rumusan Masalah

Berdasarkan latar belakang yang telah dijelaskan sebelumnya, maka
rumusan masalah dalam penelitian ini yaitu bagaimana menentukan jumlah
knot optimal pada regresi nonparametrik deret Fourier dengan
menggunakan Salp Swarm Algorithm (SSA)?
1.3 Tujuan Penelitian
Berdasarkan rumusan masalah yang telah dijelaskan sebelumnya, tujuan
yang ingin dicapai dalam penelitian ini adalah untuk menentukan jumlah
knot optimal pada regresi nonparametrik deret Fourier dengan
menggunakan Salp Swarm Algorithm (SSA)?
1.4 Manfaat Penelitian
Manfaat yang diharapkan dalam penelitian ini antara lain:
1. Menjadi referensi bagi penelitian selanjutnya.
2. Menambah wawasan mengenai Salp Swarm Algorithm (SSA).
3. Memberikan informasi mengenai kegunaan Salp Swarm Algorithm
(SSA) dalam bidang statistik untuk pengoptimalisasi.
4. Memudahkan untuk masalah yang sama dalam bidang komputasi.
1.5 Batasan Masalah
Batasan masalah pada penelitian ini sebagai berikut:
1. Data knot yang digunakan berdistribusi random uniform.
2. Metode yang digunakan dalam menentukan titik knot optimum yaitu
metode Generalized Cross Validation (GCV).

4
 BAB II
TINJAUAN PUSTAKA

Terdapat beberapa penelitian sebelumnya membahas metode Regresi

Nonparametrik deret Fourier dan metode optimisasi Salp Swarm Algorithm (SSA)
yang dapat dijadikan sebagai acuan dalam penelitian ini.
Pada penelitian yang dilakukan oleh Zuriatussalmi, dkk. (2021) mengenai
perbandingan pemodelan regresi nonparametrik kernel dan deret Fourier yang
diaplikasikan pada data kemiskinan di Provinsi Nusa Tenggara Barat. Pada
penelitian ini, digunakan algoritma optimisasi Algoritma Genetika, didapatkan
dua model untuk dibandingkan yaitu model regresi nonparametrik kernel dan
model regresi nonparametrik deret Fourier menggunakan knot optimal yaitu tiga
titik knot. Berdasarkan hasil analisis diperoleh model regresi nonparametrik
kernel yang menghasilkan nilai GCV sebesar 96,9176392, MSE sebesar 133,4606
dan R2 31%, sedangkan model regresi nonparametrik deret Fourier menghasilkan
nilai GCV sebesar 9,52377 10−24 , nilai MSE sebesar 6,678032 10−24 dan R2
sebesar 99,9999931%. Berdasarkan hasil tersebut dapat disimpulkan bahwa model
yang lebih bagus adalah model regresi nonparametrik deret Fourier karena
memiliki nilai GCV dan MSE paling minimum.
Penelitian lain juga dilakukan oleh Faris, dkk. (2019) mengenai SSA
dijelaskan tentang teori, review literatur, dan aplikasinya. Pada penelitian ini,
algoritma diuji pada 10 kumpulan data tolak ukur dan dibandingkan dengan dua
metode optimisasi terkenal lainnya. Hasil perbandingan menunjukkan bahwa
metode optimisasi berbasis SSA mengungguli metode lain dalam hal akurasi dan
sangat kompetitif dalam hal stabilitas prediksi.
Berdasarkan penelitian-penelitian sebelumnya yang telah dijabarkan,
penelitian yang diakukan oleh Zurriatussalmi, dkk. menggunakan metode
optimisasi Algoritma Genetika (AG) dalam menentukan jumlah knot optimal,
maka dalam penelitian ini akan dilakukan penelitian tentang penentuan jumlah
knot optimal pada regresi deret Fourier menggunakan metode optimisasi SSA
dengan menggunakan Generalized Cross Validation (GCV) sebagai metode untuk
mencari jumlah knot pada regresi deret Fourier.

5
6
 BAB III
LANDASAN TEORI

3.1 Analisis Regresi

Analisis regresi merupakan analisis hubungan antara variabel dependen
dengan variabel independen. Pada umumnya dinyatakan dalam bentuk
persamaan matematika yang menyatakan hubungan antara variabel
independen X dan variabel dependen Y . Manfaat dari hasil analisis regresi
adalah untuk membuat keputusan apakah peningkatan dan penurunan
variabel dependen dapat dilakukan melalui peningkatan variabel independen
atau tidak. Sebagai contoh, meningkatkan jumlah penjualan dapat dilakukan
melalui peningkatan jumlah iklan atau tidak (Draper & Smith, 1998).
Menurut Budiantara (2001) dalam Islamiyati (2017) terdapat beberapa
model dalam analisis regresi, diantaranya model regresi parametrik dan
model regresi nonparametrik. Pendekatan regresi parametrik digunakan jika
bentuk kurva regresi diketahui, sedangkan pendekatan regresi
nonparamaterik digunakan apabila informasi mengenai bentuk dan pola
hubungan antara variabel prediktor dengan variabel respon tidak diketahui.

3.2 Regresi Nonparametrik

Regresi nonparametrik tidak terikat pada asumsi bahwa kurva regresi
diketahui bentuknya dan membiarkan data mencari bentuk kurvanya sendiri.
Pada model nonparametrik kurva regresi diasumsikan termuat dalam suatu
ruang fungsi berdimensi tak hingga dan merupakan fungsi yang mulus atau
smooth. Regresi nonparametrik memiliki fleksibilitas yang tinggi, dimana
data diharapkan mencari sendiri bentuk estimasi kurva regresinya tanpa
dipengaruhi oleh subyektifitas peneliti (Eubank, 1999). Model regresi
nonparametrik adalah sebagai berikut:

m
y i=∑ f j ( x ij ) +ε i ; i=1,2,3 , … , n (3.1)
j=1

7
 dengan,
yi = nilai ke-i variabel dependen
xi = nilai ke-i variabel independen
f ( xi ) = fungsi regresi nonparametrik yang tidak diketahui bentuknya
n = banyak pengamatan
m = banyak variabel independen
εi = error ke-i yang diasumsikan identik dan independen

3.3 Regresi Nonparametrik Deret Fourier

Diantara model-model regresi nonparametrik yang lain, deret Fourier
merupakan salah satu model yang mempunyai interpretasi statistika dan
interpretasi visual yang baik (Eubank, 1999). Kelebihan estimasi deret
Fourier mampu menangani karakter data yang mengikuti pola berulang pada
tren interval tertentu, serta mempunyai interpretasi statistika yang baik.
Selain mempunyai kelebihan estimasi deret Fourier juga mempunyai
kelemahan, tidak bisa menangani data yang tidak berulang, kompliketed dan
rumit, karena mengandung fungsi sinus dan cosinus, serta memuat
parameter osilasi yang sulit diinterpretasikan (Bilodeau, 1992). Fungsi dari
deret Fourier adalah sebagai berikut:

K
1
f ( x ij ) = α 0 + γ j xij + ∑ α jk cos kx ij
2 k =1 (3.2)

dengan,
α 0,α k , α jk = parameter-parameter dalam model
i = 1,2,…,n ; n = banyak pengamatan
j = 1,2....,m ; m = banyak variabel independen
k = 1,2,..., K ; K = jumlah knot

Jika persamaan (3.2) disubstitusikan ke persamaan (3.1), maka akan

diperoleh persamaan regresi nonparametrik deret Fourier sebagai berikut:

8
 ( )
m K
1
y i= ∑ α + γ x + ∑ α cos kx ij +ε i
2 0 j ij k =1 jk
j =1 (3.3)

Model regresi nonparametrik deret Fourier jika disajikan dalam

bentuk matriks diperoleh bentuk sebagai berikut (Prahutama, 2013).

Y = Aθ+ε (3.4)

dengan,

[] [] []
Y1 ε1 φ
Y2 ε2 γ1
Y= Y 3 ; ε= ε3 ; θ= α 11
⋮ ⋮ ⋮
Yn nx 1 εn nx 1 α mK ( m( K+1)+1) x 1

[ ]
1 x 11 cos x 11 ⋯ cos Kx 11 ⋯ ⋯ x 1m cos x 1m ⋯ cos Kx 1 m
A= 1 x 21 cos x 21 ⋯ cos Kx 21 ⋯ ⋯ x 2m cos x 2m ⋯ cos Kx 2 m
⋮ ⋮ ⋮ ⋱ ⋮ ⋮ ⋱ ⋮ ⋮ ⋱ ⋮
1 x n1 cos x n 1 ⋯ cos Kx n 1 ⋯ ⋯ x nm cos x nm ⋯ cos Kx nm nx (m ( K+1 ) +1 )

Τ
θ =[ φ γ 1 α 11 ⋯ α 1 K γ 2 α 21 ⋯ α 2 K ⋯ γ m α m 1 ⋯ α mK ] 1 x ( m ( K+1 )+1 )

m
φ= α 0
dengan 2

Estimasi untuk parameter θ diperoleh dengan menggunakan metode

Ordinary Least Square (OLS) dimana:

( )
n m 2

∑ ε 2i = y i −∑ f ( x ij )
i =1 j =1

( (∑ ( )))
m K 2
1
= y i− α + γ x + ∑ α cos kx ij
j=1 2 0 j ij k =1 jk

dengan penyajian matriks, diperoleh:

9
 n
∑ ε2i =ε T ε
i=1
T
=( y −Aθ ) ( y− Aθ )
=( y T −θT AT ) ( y− Aθ )
T T T T T T
= y y− y Aθ−θ A y+θ A Aθ
T
= y y−( y Aθ ) −θ A y+θ A Aθ
T T T T T T

= y T y−2 θT AT y+θT AT Aθ
Bila persamaan tersebut diturunkan terhadap vektor θT dan hasilnya
disamadengankan nol, diperoleh :
∂ ( ε T ε ) ∂ ( y T y−2 θT AT y +θT AT Aθ )
= =0
∂ θT ∂ θT
T T
−2 A y+2 A Aθ=0
T T
−A y+A Aθ=0
T T
A Aθ=A y
^ ( A T A )−1 AT y
θ=
Maka, estimasi untuk kurva regresi deret Fourier adalah sebagai berikut:
−1
f^ ( x ij ) = A θ=A
^ ( A T A ) AT y (3.5)
Pada pemodelan regresi nonparametrik dengan menggunakan deret
Fourier, hal yang perlu diperhatikan adalah menentukan jumlah knot.
Penentuan jumlah knot optimal biasa menggunakan metode Generalized
Cross Validation (GCV). Menurut Wu dan Zhang (1988) dalam
Prahutama (2013) nilai GCV didapat sebagai berikut:

MSE
GCV =
( n trace [ I−H ] ) 2
−1
(3.6)

MSE adalah Mean Square Error, dengan persamaan berikut

n
2
MSE=n −1
∑ ( y i− f^ ( x ij ) )
i=1 (3.7)

10
 dengan,
−1
H = matriks A ( A A ) A
T T

I
= matriks identitas

3.4 Salp Swarm Algorithm (SSA)

Salp Swarm Algorithm (SSA) merupakan sebuah algoritma yang dapat
menemukan pendekatan optimisasi dari sebuah permasalahan baik sistem
linier maupun non-linier. Mirjalili, dkk. (2017) mengembangkan SSA
berdasarkan kebiasaan salp dalam suatu perkumpulan. Salp merupakan
hewan yang termasuk ke dalam keluarga Salpidae dan memiliki tubuh
berbentuk barel transparan. Jaringan dan cara mereka bergerak sangat mirip
dengan ubur-ubur. Dalam penelitiannya, salah satu perilaku dari salp yang
menarik perhatian adalah perilaku mereka yang berkumpul membentuk
gerombolan salp yang disebut rantai salp. Fungsi dari perilaku salp ini
belum jelas sepenuhnya, namun peneliti meyakini bahwa hal ini dilakukan
untuk mencapai pergerakan yang lebih baik dengan perubahan yang
terkoordinasi dan untuk mencari makanan dengan cepat (Purba, 2019).

Gambar 3.1 (a) Seekor Salp, (b) Kelompok Salp (Rantai Salp)
Sumber : Mirjalili, dkk., 2017.

11
3.4.1 Model Matematis Salp Swarm Algorithm (SSA)
Ada sedikit literatur yang secara matematis memodelkan
perilaku berkerumun dan populasi salp. Selain itu, tidak ada model
matematis kawanan salp untuk menyelesaikan masalah optimisasi
sebagaimana kawanan lebah, semut, dan ikan telah banyak
dimodelkan dan digunakan untuk menyelesaikan masalah
optimisasi.
Untuk memodelkan rantai salp secara matematis, populasi salp
pertama-tama dibagi menjadi dua yaitu leader (pemimpin) dan
follower (pengikut). Leader adalah salp di bagian depan rantai,
sedangkan salp lainnya dianggap sebagai follower. Leader menjadi
pembimbing dan follower saling mengikuti satu sama lain (dan
leader secara langsung atau tidak langsung).

Gambar 3.2 Ilustrasi rantai salp

Sumber : Mirjalili, dkk., 2017.

Serupa dengan teknik berbasis kelompok lainnya, posisi salp

didefinisikan dalam ruang pencarian n -dimensi dimana n adalah
jumlah variabel dari masalah yang diberikan. Oleh karena itu,
posisi semua salp disimpan dalam matriks dua dimensi yang

12
disebut x . Juga diasumsikan bahwa ada sumber makanan yang
disebut F di ruang pencarian sebagai target kawanan.
Untuk memperbaharui posisi leader digunakan persamaan
berikut:
1
x j=
{F j +c 1 ( ( ub j−lb j )+ c 2+lb j)c 3 ≥ 0.5
F j−c 1 ( ( ub j−lb j ) + c 2+lb j)c 3< 0.5
(3.8)

dimana x 1j menunjukkan posisi salp (leader) pertama pada dimensi

ke- j , F j adalah posisi sumber makanan pada dimensi ke- j , ub j
menunjukkan batas atas dimensi ke- j , lb j menunjukkan batas
bawah dimensi ke- j , serta c 1, c 2, dan c 3 adalah bilangan acak.
Persamaan (3.8) menunjukkan bahwa leader hanya
memperbarui posisinya sehubungan dengan sumber makanan.
Koefisien c 1 adalah parameter terpenting dalam SSA karena
menyeimbangkan eksplorasi dan eksploitasi yang didefinisikan
sebagai berikut:

c 1=2 e−¿¿ ¿ (3.9)

dimana I adalah iterasi saat ini dan L adalah jumlah maksimum

iterasi.
Parameter c 2 dan c 3 adalah bilangan acak yang dibangkitkan
secara seragam dalam interval [0,1]. Bahkan, mereka menentukan
apakah posisi berikutnya dalam dimensi ke- j harus menuju tak
terhingga positif atau tak terhingga negatif serta ukuran langkah.
Untuk memperbarui posisi follower, digunakan persamaan
berikut (hukum Newton tentang gerak):

1 1 2
x j = at + v 0 t (3.10)
2

13
 dengan i ≥ 2 , xij menunjukkan posisi salp (follower) ke-i dalam
dimensi ke- j , t adalah waktu, v 0 adalah kecepatan awal, dan
v final x −x0
a= dimana v= .
v0 t
Oleh karena waktu dalam optimisasi adalah iterasi, maka
selisih antar iterasi sama dengan 1, dan mengingat v 0= 0,
persamaan ini dapat dinyatakan sebagai berikut:
i 1
x j= ¿ ) (3.11)
2
dengan i ≥ 2 dan xij menunjukkan posisi salp (follower) ke-i dalam
dimensi ke- j . Dengan Persamaan (3.8) dan (3.11), rantai salp dapat
disimulasikan.

3.4.2 Single-objective Salp Swarm Algorithm (SSA)

Model matematika untuk mensimulasikan rantai salp tidak
dapat langsung digunakan untuk memecahkan masalah optimisasi.
Dengan kata lain, ada kebutuhan untuk sedikit memodifikasi model
agar dapat diterapkan pada masalah optimisasi. Tujuan akhir dari
pengoptimal tujuan tunggal adalah untuk menentukan optimum
global. Dalam model kawanan, salp (follower) mengikuti salp
terdepan atau leader salp. Salp terdepan juga bergerak menuju
sumber makanan. Jika sumber makanan diganti dengan optimum
global, maka rantai salp otomatis bergerak ke arah itu. Namun,
masalahnya adalah optimal global dari masalah optimisasi tidak
diketahui. Dalam hal ini, diasumsikan bahwa solusi terbaik yang
diperoleh selama ini adalah global optimum dan diasumsikan
sebagai sumber makanan yang akan dikejar oleh rantai salp.
Adapun Pseudo code Salp Swarm Algorithm yaitu sebagai
berikut.
Inisialisasi populasi salp x i (i=1,2 , … , n), perhatikan ub dan
lb
while (kondisi akhir tidak terpenuhi)
hitung fitness dari setiap agen pencarian (salp)
F = agen pencarian terbaik
update c 1 dengan persamaan (3.9)
for setiap salp ( x i)
if (i=¿ 1)
14
update posisi leader dengan persamaan (3.8)
else
update posisi follower dengan persamaan (3.11)
end
end
 Pseudo code dari SSA menunjukkan bahwa algoritma SSA
mulai mendekati optimum global dengan memulai beberapa salp
dengan posisi acak. Kemudian menghitung fitness setiap salp,
mencari salp dengan fitness terbaik, dan memberikan posisi salp
terbaik pada variabel F sebagai sumber makanan yang akan dikejar
oleh rantai salp. Sementara itu koefisien c1 diperbarui
menggunakan Persamaan (3.9). Untuk setiap dimensi, posisi salp
terdepan diperbarui menggunakan Persamaan (3.8) dan posisi
follower salp diperbarui menggunakan Persamaan (3.11). Jika ada
salp yang keluar dari ruang pencarian, itu akan dibawa kembali ke
perbatasan. Semua langkah di atas kecuali inisialisasi dijalankan
secara iteratif hingga memenuhi kriteria akhir.
Perlu dicatat bahwa sumber makanan akan diperbarui selama
optimisasi karena rantai salp sangat mungkin untuk menemukan
solusi yang lebih baik dengan menjelajahi dan mengeksploitasi
ruang di sekitarnya. Ditunjukkan bahwa rantai salp yang
dimodelkan mampu mengejar sumber makanan yang bergerak.
Oleh karena itu, rantai salp memiliki potensi untuk bergerak
menuju optimum global yang berubah selama iterasi (Mirjalili,
dkk., 2017).

3.5 Software R
R merupakan bahasa pemrograman statistika yang dapat digunakan
untuk analisis dan manipulasi data statistika (pemodelan statistika), dan
grafik. R diciptakan oleh Ross Ihaka dan Robert Gentleman (1995) dari
departemen statistika, di Universitas Auckland, Selandia Baru. R merupakan
open-software nature yang berarti mudah untuk mendapatkan bantuan dari
user community, dan terdapat banyak fungsi baru dari hasil kontribusi

15
pengguna R, banyak di antaranya adalah para ahli statistika terkemuka.Para
pengembang dapat dengan mudah menuliskan software mereka sendiri dan
mendistribusikannya dalam bentuk add-on packages. Sebagai contoh salah
satu kelebihan dari R, ketika melakukan analisis regresi dalam R, dapat
dipilih hasil mana saja yang hendak diperlihatkan. Berbeda dengan, ketika
melakukan analisis regresi dalam software, seperti SPSS atau MINITAB,
secara umum menampilkan tumpukan output seperti korelasi, koefisien
determinasi, dan sebagainya (Gio dan Effendi, 2017).

16
 BAB IV
METODE PENELITIAN

3.6 Lokasi dan Waktu Penelitian

Penelitian ini dilakukan di Laboratorium Fakultas Matematika dan Ilmu
Pengetahuan Alam, Universitas Mataram, tahun akademik 2021/2022.

3.7 Alat dan Data Penelitian

Alat yang digunakan dalam penelitian ini adalah software R untuk
membantu proses pengolahan data dan algoritma. Selanjutnya, data yang
digunakan dalam penelitian ini adalah data kemiskinan di Provinsi Nusa
Tenggara Barat yang diperoleh dari publikasi Badan Pusat Statistik Provinsi
Nusa Tenggara Barat tahun 2021, dengan rincian variabel sebagai berikut:

Tabel 4.1 Variabel-variabel Penelitian

Variabel Penelitian Keterangan Satuan

y Persentase Penduduk Miskin Persen
x1 Angka Melek Huruf Jiwa
x2 Pengeluaran per kapita Rumah Tangga Rupiah
x3 Angka Partisipasi Sekolah Jiwa
x4 Rata-rata LamaSekolah Jiwa

3.8 Prosedur Penelitian

Langkah-langkah menggunakan regresi nonparametrik deret Fourier
yang dilakukan dalam penelitian ini yaitu:

17
 Mulai

Membuat fungsi Regresi

Nonparametrik Deret Fourier

Membuat fungsi Salp Swarm

Algorithm (SSA)

Merancang Package Regresi

Nonparametrik Deret Fourier
dan Package Salp Swarm
Algorithm (SSA)

Tidak Berhasil

Menguji P
rogram

Berhasil

Analisis Parameter

Selesai

Gambar 4.1 Langkah-Langkah Penelitian Regresi

Nonparametrik Deret Fourier

Berdasarkan bagan di atas, berikut penjelasan dari masing-masing

tahapan:
1. Persiapan

18
 Pada tahap awal, dilakukan studi literatur, yaitu mengumpulkan
data yang berkaitan dengan penelitian dan sumber-sumber pustaka
yang memberikan informasi yang sesuai dengan permasalahan yang
diangkat.
2. Membuat fungsi regresi nonparametrik deret Fourier
Pada tahap ini akan dibuat fungsi dari regresi nonparametrik deret
fourier pada bahasa pemrograman R.
3. Membuat fungsi Salp Swarm Algorithm
Pada tahap ini akan dibuat fungsi dari SSA pada bahasa
pemrograman R.
4. Merancang package regresi nonparametrik deret Fourier dan Salp
Swarm Algorithm
Pada tahap ini akan dirancang package regresi nonparametrik deret
Fourier dan SSA pada bahasa pemrograman R dari dua fungsi yang
ada.
5. Pengujian program
Selanjutnya, dilakukan pengujian untuk melihat program berhasil
atau tidak berhasil dijalankan. Jika program ini berhasil dijalankan
maka dilanjutkan ke tahap berikutnya yaitu melakukan analisis
parameter. Namun jika program tidak berhasil dijalakan, maka kembali
ke tahap sebelumnya yaitu tahap menggabungkan package regresi
nonparametrik deret Fourier dengan package Salp Swarm Algorithm
(SSA). Data yang digunakan dalam tahap ini adalah data kemiskinan
di Provinsi Nusa Tenggara Barat tahun 2021.
6. Analisis parameter
Analisis parameter dilakukan setelah program berhasil dijalankan.
Pada tahap ini, dilakukan percobaan secara acak dengan parameter
batas yang berbeda-beda.
7. Menarik kesimpulan
Pada tahap ini dilakukan penarikan kesimpulan secara menyeluruh.

19
 DAFTAR PUSTAKA

Bilodeau, M. (1992). Fourier Smoother and Additive Models. The Canadian

Journal of Statistic, 3, 257-259.

Budiantara, I. N. (2000). Metode U, ML, CV, dan CV dalam Regresi

Nonparametrik Spline. Majalah Ilmiah Himpunan Matematika Indonesia
(MIHMI), 6, 285-290.

Budiantara, I. N. (2014). Pemodelan Regresi Nonparametrik Dan Semiparametrik

Spline (Konsep, Metode Dan Aplikasinya). Prosiding Seminar Nasional
Matematika, 1-16.

Chamber, J. (2008). Software for Data Analysis. Springer Statistical and

Computing, 1-10.

Draper, N. R. & Smith, H. (1998). Applied Regression Analysis, Third Edition.

Canada: Simultaneously.

Eubank, R. L. (1999). Nonparametric Regression and Spline Smoothing. New

York: Marcel Dekker.Inc.

Faris, H., Mirjalili, S., Aljarah, I., & Mafarja, M. (2020). Salp Swarm Algorithm:
Theory, Literature Review, and Application in Extreme Learning
Machines. Nature-inspired Optimizers, 185-199.

Gio, P. U. & Effendie, A. R. (2017). Belajar Bahasa Pemrograman R (Dilengkapi

Cara Membuat Aplikasi Olah Data Sederhana dengan R Shiny). Medan:
USU Press.

Gujarati, D. N. (2004). Basic Econometrics, Fourth Edition. NewYork: McGraw-

Hill.

Islamiyati, A. (2017). Spline Polynomial Truncated dalam Regresi

Nonparametrik. Jurnal Matematika, Statistika, dan Komputasi, 14, 54-60.

Mirjalili, S., Gandomi, A. H., Mirjalili, S. Z., Saremi, S., Faris, H., & Mirjalili, S.
M. (2017). Salp Swarm Algorithm: A bio-inspired optimizer for
engineering design problems. Advances in Engineering Software, 1-29.

Prahutama, A. (2013). Model Regresi Nonparametrik dengan Pendekatan Deret

Fourier Pada Kasus Tingkat Pengangguran Terbuka di Jawa Timur.
Prosiding Seminar Nasional Statistika Universitas Diponegoro, 69-76.

Purba, A. N. (2019). Penyelesaian Permasalahan ED (Economic Dispatch) Pada 3

Sistem Pembangkit Sederhana Dengan Metode Salp Swarm Algorithm
(SSA). Jurnal Teknik Elektro, 1-4.

20
Zurriatussalmi, Fitriyani, N., & Aini, Q. (2021). Perbandingan Model Regresi
Nonparametrik Kernel dan Deret Fourier pada Data Kemiskinan di
Provinsi Nusa Tenggara Barat. IConMNS, 1.

21