ALGORITHM (SSA)
PROPOSAL PENELITIAN
Oleh
HAMZAN WADI
NIM : G1D016016
ALGORITHM (SSA)
PROPOSAL PENELITIAN
Proposal penelitian ini diajukan sebagai salah satu syarat untuk melakukan
penelitian
Oleh
HAMZAN WADI
NIM : G1D016016
ii
HALAMAN PENGESAHAN RENCANA PENELITIAN
Disetujui Oleh
Pembimbing I, Pembimbing II,
Mengetahui :
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.
Hamzan Wadi
iv
DAFTAR ISI
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
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.
4
BAB II
TINJAUAN PUSTAKA
5
6
BAB III
LANDASAN TEORI
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
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
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)
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
( )
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
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)
10
dengan,
−1
H = matriks A ( A A ) A
T T
I
= matriks identitas
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).
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)
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.
3.5 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
17
Mulai
Tidak Berhasil
Menguji P
rogram
Berhasil
Analisis Parameter
Selesai
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
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.
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.
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