Evanita Fakultas Teknik, Program Studi Teknik Informatika Universitas Muria Kudus

Transkripsi

1 Jurnal SIMETRIS, Vol 7 No 1 Aprl 2016 PREDIKSI VOLUME LALU LINTAS ANGKUTAN LEBARAN PADA WILAYAH JAWA TENGAH DENGAN METODE K-MEANS CLUSTERING UNTUK ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) Evanta Fakultas Teknk, Program Stud Teknk Informatka Unverstas Mura Kudus Emal: evanta@umk.ac.d Ed Noersasongko Pascasarjana Teknk Informatka Unverstas Dan Nuswantoro Emal: ed.noersasongko@dsn.dnus.ac.d Rcardus Angg Pramunendar Pascasarjana Teknk Informatka Unverstas Dan Nuswantoro Emal: rcardus.angg@dsn.dnus.ac.d ABSTRAK D Indonesa kepadatan arus lalu lntas terjad pada jam berangkat dan pulang kantor, har-har lbur panjang atau har-har besar nasonal terutama saat har raya Idul Ftr (lebaran). Mudk sudah menjad trads bag masyarakat Indonesa yang dtunggu-tunggu menjelang lebaran, berbondong-bondong untuk pulang ke kampung halaman untuk bertemu dan berkumpul dengan keluarga. Kegatan rutn tahunan n banyak d lakukan khususnya bag masyarakat kota-kota besar sepert Jakarta, dmana dketahu bahwa Jakarta adalah Ibu kota negara Republk Indonesa dan menjad tujuan merantau untuk mencar pekerjaan yang lebh layak yang merupakan harapan besar bag masyarakat desa. Volume kendaraan bertambah sejak 7 har menjelang lebaran sampa 7 har setelah lebaran tap tahunnya terutama pada arah keluar dan masuk wlayah Jawa Tengah yang banyak menjad tujuan mudk. Volume kendaraan saat arus mudk yang selalu menngkat nlah yang akan dtelt lebh lanjut dengan metode ANFIS agar dapat menjad alternatf solus langkah apa yang akan dlakukan d tahun selanjutnya agar pelayanan lalu lntas, kemacetan panjang dan angka kecelakaan berkurang. Dengan nput parameter ANFIS yang dgunakan yatu pengclusteran hngga 5 cluster, epoch 100, error goal 0 dperoleh performa terbak ANFIS dengan K-Means clusterng yang terbag menjad 3 cluster, epoch terbak sebesar 20 dengan RMSE Tranng terbak sebesar 0,1198, RMSE Testng terbak sebesar 0,0282 dan waktu proses tersngkat sebesar 0,0695.Selanjutnya hasl predks dharapkan dapat bermanfaat menjad alternatf solus langkah apa yang akan dlakukan d tahun selanjutnya agar pelayanan lalu lntas lebh bak lag. Kata kunc: angkutan lebaran, Jawa Tengah, ANFIS. ABSTRACT In Indonesa the traffc densty occurs on the hours to start and to end of work, days off or at long natonal holdays, especally durng Lebaran (ed). Upstream has become a tradton for the people n Indonesa are awated before Lebaran (ed), flocked to return home to meet and gather wth famly.the annual event s a lot to do, especally for people n bg ctes lke Jakarta, where t s known that Jakarta s the captal cty of the Republc of Indonesa and the wander destnaton to seek better job whch s great hope for the vllagers. The volume of vehcles ncreased from 7 days before Lebaran (ed) untl 7 days after Lebaran (ed) every year, especally n the drecton of ext and entrance roads Cetral Java. The volume of the vehcle when upstream flows always ncrease s what wll be further nvestgated by ANFIS method that can be an alternatve soluton to what steps wll be done n the next year n order to traffc servces, congeston length and the number of accdents reduced. Wth the nput of ANFIS used n clusterng up to 5 clusters, epoch 100, error goal 0 obtaned the best performance ANFIS wth K-Means clusterng are dvded nto 3 clusters, the best epoch of 20 wth the best RMSE Tranng of 0,1198, best RMSE Testng of 0,0282 and the shortest processng tme for 0,0695. In the future predcted result are expected to be useful to be an alternatve soluton what steps wll be done n the next year n order to servce the traffc more best. Keywords: transportaton Lebaran, Central Java, ANFIS. 199

2 Jurnal SIMETRIS, Vol 7 No 1 Aprl PENDAHULUAN Pada har raya Idul Ftr atau lebaran terdapat sebuah trads yang sangat dtunggu-tunggu oleh seluruh lapsan masyarakat yatu pulang kampung (mudk). Trads pulang kampung (mudk) pada har lebaran tampaknya sudah jad kohes sosal yang amat kuat bag sebagan besar masyarakat (perkotaan) d Indonesa. Dalam keadaan arus mudk lebaran volume kendaraan menngkat drasts dbandng har basa. Volume kendaraan bertambah sejak 7 har menjelang lebaran sampa 7 har setelah lebaran tap tahunnya terutama pada arah keluar dan masuk wlayah Jawa Tengah yang banyak menjad tujuan mudk. Pemerntah setempat terkadang merasa kesultan dalam mengatur lalu lntas yang terlalu padat n. Untuk tu drasa perlu adanya predks angka volume lalu lntas angkutan lebaran arah keluar masuk wlayah Jawa Tengah pada tahun yang akan datang. Predks volume lalu lntas angkutan lebaran n akan menggunakan metode Adaptve Neuro Fuzzy Inference System (ANFIS). Rumusan masalah dalam peneltan n adalah Dalam peneltan sebelumnya yang menggunakan Fuzzy C- Means (FCM) clusterng untuk ANFIS menunjukkan performa yang bak dengan RMSE 0, , untuk mengetahu perbandngan hasl akuras yang lebh bak drasa perlu adanya perbakan yang menggabungkan ANFIS dengan metode clusterng lannya. Untuk tu pada peneltan n mencoba menggunakan metode K-Means Clusterng untuk ANFIS yang haslnya dharapkan akan lebh bak dar performa ANFIS yang menggunakan FCM clusterng. Tujuan peneltan adalah Metode K-Means clusterng untuk ANFIS akan menghaslkan performa yang lebh bak darpada metode FCM clusterng untuk ANFIS. Sedangkan manfaat peneltan adalah Membantu memberkan alternatf solus untuk pelayanan lalu lntas pada arus mudk tahun selanjutnya pada wlayah Jawa Tengah serta jka dmungknkan dapat memberkan rekomendas kepada phak yang berwenang sebaga sarana alternatf untuk predks volume lalu lntas angkutan lebaran. Pemodelan predks kemacetan arus lalu lntas telah berhasl dlakukan berdasarkan tngkat pelayanan jalan (LOS) dengan menggunakan metode ANFIS. Pada hasl predks untuk tahun 2012, dapat dketahu hasl predks status kemacetan arus lalu lntas yang terjad adalah sangat buruk dengan nla LOS sebesar 0,92 dengan krtera. Metode ANFIS dapat dpergunakan untuk mempredks kemacetan arus lalu lntas dengan parameter nputnya adalah tpe membershp functon gaussan, error goal 1x10-5, dan epoch 100. Sehngga dperoleh RMSE 0, dan MAPE sebesar 0,93158% (pada hasl uj yang dlakukan pada jalan LA Mesa alur maju pada puncak per jam) [1]. Parameter arus lalu lntas dapat dbedakan menjad dua bagan utama, yatu makroskopk yang merupakan parameter arus lalu lntas secara umum dan mkroskopk yang merupakan parameter arus lalu lntas yang menunjukkan perlaku kendaraan ndvdu dalam suatu arus lalu lntas yang terkat antara satu dengan yang lannya. Dalam makroskopk, terdapat tga parameter utama, yatu kecepatan, arus atau volume, dan kerapatan [2]. 2. TINJAUAN PUSTAKA 2.1 Landasan Teor Adaptve Neuro Fuzzy Inference System (ANFIS) merupakan penggabungan dar logka fuzzy dan jarngan syaraf truan (JST). ANFIS adalah arstektur yang secara fungsonal sama dengan fuzzy rule base model Sugeno. Arstektur ANFIS juga sama dengan jarngan syaraf dengan fungs radal dengan sedkt batasan tertentu. Bsa dkatakan ANFIS adalah suatu metode yang mana dalam melakukan aturan dgunakan algortma pembelajaran terhadap sekumpulan data. Pada ANFIS juga memungknkan aturanaturan untuk beradaptas [3]. Sstem nferens fuzzy yang dgunakan adalah sstem nferens fuzzy model Tagak-Sugeno-Kang (TSK) orde satu dengan pertmbangan kesederhanaan dan kemudahan komputas. Adapun bass aturan dengan dua aturan fuzzy f-then sepert dbawah n [4]: If x 1 s A 1 and s B 1 Then y 1 = c 11 x 1 + c 12 + c 10 (1) If x 1 s A 2 and s B 2 Then y 2 = c 21 x 1 + c 22 + c 20 (2) Dmana x 1 dan adalah nput dan A 1, A 2, B 1, B 2 adalah derajat keanggotaan dengan aturan fuzzy yang telah dtentukan. Sedangkan c 11 x 1 + c 12 + c 10 dan c 21 x 1 + c 22 + c 20 adalah parameter lnear. Arstektur ANFIS dapat dlhat pada gambar berkut : 200

3 Jurnal SIMETRIS, Vol 7 No 1 Aprl 2016 Gambar 1. Arstektur ANFIS [4] Dar gambar d atas dapat dlhat bahwa terdapat 5 layer atau 5 lapsan pada arstektur ANFIS, yang terdr dar : a. Layer 1 Neuron-neuron pada lapsan n dsebut adaptf terhadap parameter suatu fungs aktvas. Outputnya berupa derajat keanggotaan baru yang dbentuk dar nput yang ada, yatu A 1, A 2, B 1, B 2. Adapun fungs keanggotaan baru dsarankan menggunakan rumus Gbell. 2 xc 2 2a x (3) D mana a,b,c adalah parameter parameter baru yang terbentuk dar standart devas dan mean, sedangkan (x) adalah derajat keanggotaan baru. b. Layer 2 Neuron-neuron pada lapsan n merupakan neuron tetap dan menggunakan operator And. Outputnya adalah hasl perkalan dar derajat keanggotaan pada layer 1. w = A B keterangan : w : predkat atau neuron tetap Tap keluaran smpul menyatakan derajat pengaktfan (frng strength) tap aturan fuzzy. Fungs n dapat dperluas apabla bagan prems memlk lebh dar dua hmpunan fuzzy. Banyaknya smpul pada lapsan n menunjukkan banyaknya aturan yang dbentuk. c. Layer 3 Neuron layer n terbentuk dar hasl perhtungan rato dar predkat atau neuron tetap dar aturan ke- terhadap jumlah dar keseluruhan predkat. Output n serng dsebut dengan nama normalzed frng strength. w w w1 w2 wn (5) Apabla dbentuk dar lebh dar dua aturan, fungs dapat dperluas dengan membag w dengan jumlah total w untuk semua aturan. d. Layer 4 Pada layer n output yang dhaslkan menjad neuron adaptf. w f w c 1 x1 c2 x2 c10 Terdapat parameter baru yang dsebut consequent parameters yatu Parameter n dpengeruh oleh predkat. c 1 x1 c2 x2 c10 (4) (6). 201

4 Jurnal SIMETRIS, Vol 7 No 1 Aprl 2016 e. Layer 5 Dalam layer terakhr n hanya ada satu smpul output yang merupakan keluaran atau hasl dar seluruh perhtungan yang sudah dlakukan d atas. w f w f (7) w Keterengan : 2.2 Kerangka Pemkran w : y atau keluaran. f Dar Dnas Perhubungan Komunkas dan Informatka provns Jawa Tengah dperoleh laporan Analsa dan Evaluas Penyelenggaraan Angkutan Lebaran yang bers data volume lalu lntas angkutan mudk lebaran dar tahun 2008 hngga Volume lalu lntas tersebut dperoleh dar 4 posko pemantauan yatu posko Jembatan Tmbang Tanjung Brebes, Jembatan Tmbang Wanareja Clacap, Jembatan Tmbang Sarang Rembang dan Jembatan Tmbang Toyoga Sragen dan 4 moda transportas melput sepeda motor, mobl prbad, mobl barang dan bus. Kerangka berfkr peneltan n dapat dlhat pada gambar d bawah n : Masalah : Menggabungkan K-Means clusterng dengan ANFIS yang dharapkan akan menghaslkan akuras yang lebh bak dar penggabungan FCM clusterng dengan ANFIS untuk predks volume lalu lntas angkutan lebaran pada wlayah Jawa Tengah Data : Volume Lalu Lntas Angkutan Lebaran Tahun wlayah Jawa Tengah FCM Clusterng K-Means Clusterng Normalsas Data Mn Max Derajat Keanggotaan Baru ANFIS Pengukuran RMSE Tujuan : Metode K-Means clusterng untuk ANFIS akan menghaslkan performa yang lebh bak darpada metode FCM clusterng untuk ANFIS. Gambar 2. Kerangka Pemkran 202

5 TAHUN 2008 TAHUN 2008 TAHUN 2008 Jurnal SIMETRIS, Vol 7 No 1 Aprl 2016 Dar kerangka pemkran d atas dapat dlhat bahwa masalah yang harus dselesakan adalah bagamana menggabungkan K-Means clusterng dengan ANFIS yang dharapkan akan menghaslkan akuras yang lebh bak dar penggabungan FCM clusterng dengan ANFIS untuk predks volume lalu lntas angkutan lebaran pada wlayah Jawa Tengah, yang datanya berupa Volume Lalu Lntas Angkutan Lebaran Tahun pada wlayah Jawa Tengah. Mula dar proses normalsas data yang selanjutnya dcluster menggunakan FCM dan K-Means clusterng untuk masng-masng hasl cluster akan dmasukkan ke proses Fuzzyfkas atau pencaran derajat keanggotaan baru dan dproses menggunakan ANFIS untuk mendapatkan output berupa hasl predks dengan performa terbak yang dhaslkan dar K- Means clusterng utnuk ANFIS. 3. METODE PENELITIAN Pengumpulan data dperoleh dar laporan yang berjudul Analsa dan Evaluas Penyelenggaraan Angkutan Lebaran yang dtuls oleh Dnas Perhubungan Komunkas dan Informatka Provns Jawa Tengah. Data yang dperoleh berupa data tme seres volume lalu lntas angkutan lebaran per tahun sesua dengan waktu arus mudk lebaran yatu H-7 hngga H+7 selama 7 tahun, mula dar tahun 2008 hngga 2014 dengan moda transportas melput sepeda motor, mobl prbad, bus dan mobl barang pada 4 posko pemantauan yatu posko Jembatan Tmbang Tanjung Brebes, Jembatan Tmbang Wanareja Clacap, Jembatan Tmbang Sarang Rembang, Jembatan Tmbang Toyoga Sragen [5]. Predks menggunakan metode ANFIS terbag menjad 3 proses yatu: proses nsalsas awal, proses pembelajaran (learnng), dan proses peramalan. Penentuan parameter nput untuk proses tranng dlakukan saat nsalsas awal dmana tap-tap parameter nput memlk pola atau pattern yang berbeda. Data nputan berupa data unvarate tme seres dengan jumlah 112 record berupa urutan waktu arus mudk lebaran H-7 hngga H+7 dar tahun 2008 hngga Msalnya pada data Posko Jembatan Tmbang Wanareja Clacap yang akan djadkan contoh unvarate analyss adalah moda sepeda motor arah masuk dapat dlhat pada tabel 2. Tabel 1 : Data Tme Seres Volume Lalu Lntas Angkutan Lebaran Posko Jembatan Tmbang Wanareja Clacap TAHUN POSISI SEPEDA MOTOR MOBIL PRIBADI BUS MOBIL BARANG MASUK KELUAR MASUK KELUAR MASUK KELUAR MASUK KLEUAR H H H H H H H H H H H H H H H H Dar data tme seres d atas akan dplh salah satu kolom yang akan danalss sebaga data unvarate tme seres karena antar kolom satu dengan kolom yang lan tdak berhubungan atau tdak salng berpengaruh sebaga varabel yang terkat. Untuk tu dambl satu koom pada moda sepeda motor arah masuk sebaga contoh analss. TAHUN Tabel 2. Data Unvarate Tme Seres POSISI SEPEDA MOTOR SEPEDA MOTOR TAHUN POSISI ARAH MASUK ARAH MASUK H H H H H H H H H H H H H H H H

6 H-7 hngga H+7 ( ) H-7 hngga H+7 ( ) Jurnal SIMETRIS, Vol 7 No 1 Aprl 2016 Dar data tersebut danalss satu per satu per kolom untuk selanjutnya masuk pada proses ANFIS yang tahapan pertamanya adalah proses nsalsas awal. Proses nsalsas awal yang dgunakan pada peneltan n adalah normalsas data. Normalsas yang dgunakan dalam peneltan n adalah normalsas mn max. Prosesnya mengutamakan pada nla mnmal dan maxmal dar data yang ada. Data dengan nla atau jangkauan yang besar perlu dperkecl agar tdak banyak menmbulkan masalah pada proses selanjutnya. Pada proses normalsas n, data yang akan dolah dbuat dalam bentuk normalsas dengan nterval 0 sampa 1. Proses preprocessng data selanjutnya menggunakan metode K-Means untuk pengclusteran data. Data akan dcluster menjad dua cluster untuk menuju proses selanjutnya. Pencaran jarak yang dgunakan adalah eucledan dstance, Eucledan dstance merupakan cara pencaran jarak termudah pada K-Means. Setelah hasl cluster dketahu, dlakukan pencaran standart devas yang dlambangkan dengan a dan mean yang dlambangkan dengan c, untuk membantu proses selanjutnya yatu mencar keanggotan baru serta masuk ke proses pembelajaran. Untuk melakukan proses pembelajaran, data akan dbag menjad dua bagan, yatu data untuk proses tranng dan proses testng. Proses tranng dlakukan pada data mula tahun dan dar hasl tranng akan dlakukan proses testng untuk tahun 2014 dan Pada proses tranng pengolahan data akan dmula dengan pemasukan nput yang akan dcluster menggunakan K-Means untuk pencaran standart devas dan mean yang dgunakan sebaga parameter baru a dan c untuk penentuan derajat keanggotaan baru yang selanjutnya akan dmasukkan ke ANFIS untuk tahap akhr pencaran output. Proses tranng yang telah selesa dcocokkan dengan keadaan data sebelumnya. Adakah perbedaan yang sgnfkan pada data asl dan hasl tranng perlu dpertmbangkan karena akan mempengaruh proses testng. Proses testng sama dengan proses tranng, hanya saja data yang menjad nput harus benar-benar berpengaruh pada data yang akan dpredks. Pengkuran performa terbak menggunakan Root Mean Square Error (RMSE). Output dar hasl pembelajaran n adalah nformas tentang predks volume lalu lntas angkutan lebaran tahun 2015 pada wlayah Jawa Tengah. 4. HASIL DAN PEMBAHASAN 4.1 Hasl Peneltan Hasl peneltan n adalah predks volume lalu lntas angkutan lebaran pada wlayah Jawa Tengah dar H-7 hngga H+7 tahun 2015 dan Dar proses pembelajaran dan pengujan yang dlakukan menggunakan tpe membershp functon (MFs) Gaussan (Gauss), dperoleh performa terbak ANFIS dengan K-Means clusterng yang terbag menjad 3 cluster, epoch terbak sebesar 20 dengan RMSE Tranng terbak sebesar 0,1198, RMSE Testng terbak sebesar 0,0282 dan waktu proses tersngkat sebesar 0, Pembahasan Normalsas adalah proses awal atau preprocessng pembentukan data nput yang tadnya berupa data dengan nla atau jangkauan yang besar dperkecl agar tdak banyak menmbulkan masalah pada proses selanjutnya. Data unvarate tme seres berjumlah 112 record berupa urutan waktu arus mudk lebaran H-7 hngga H+7 dar taun 2008 hngga Normalsas yang dgunakan pada peneltan n adalah normalsas mn max dengan nterval [0 1]. Tabel 3. Hasl Normalsas Volume Sepeda Motor Jembatan Tmbang Wanareja Clacap Tahun Sepeda Motor Arah Masuk Sepeda Motor Arah Masuk Tahun Data Aktual Data Normalsas Data Aktual Data Normalsas 772 0, , , , , , , , , , , , , , , , , , , ,

7 Jurnal SIMETRIS, Vol 7 No 1 Aprl 2016 Setelah mendapatkan hasl data normalsas, selanjutnya adalah memetakan data untuk tranng berupa 5 varabel nput yatu x1, x2, x3, x4, x5 dan 1 varabel output yatu y. Inputan berdasarkan pemetaan yang sudah d bahas pada bab sebelumnya yatu x1 tahun 2008, x2 tahun 2009, x3 tahun 2010, x4 tahun 2011, x5 tahun 2012 dan output y adalah tahun Inputan yang sudah sap akan d cluster menjad 3 menggunakan K-Means clusterng dengan Eucldean dstance space untuk mendapatkan mean dan standart devas sebaga parameter baru a dan c. Serangkaan proses preprocessng yang telah dlakukan selanjutnya membawa kepada proses pembelajaran ANFIS. Proses pembelajaran n akan dbag 2 yatu tranng dar tahun 2008 hngga 2013 dan testng dar tahun 2014 hngga Terdapat 5 tahapan atau 5 layer pada proses pembelajaran ANFIS yang setap layernya kan menghaslkan bobot baru atau neuron baru yang akhrnya pada tahap terakhrakan mneghaslkan output dar seluruh tahapan tersebut. Pada proses tranng dan testng ANFIS menggunakan K-Means clusterng dlakukan pengujan menggunakan pengelompokan data dengan Matlab menjad 2, 3, 4, dan 5 cluster. Sedangkan pengujan untuk epoch adalah pada epoch 20, 40, 60, 80 dan 100. Pengclusteran pada data nput secara random menghaslkan RMSE dan waktu proses yang berbeda pada setap epoch, hngga perlu adanya 5 kal pengujan pada setap epoch yang selanjutnya d rata-rata untuk memperoleh RMSE terbak. Tabel 4. Input dan Output Data Tranng Data Input Output ke- x1 x2 x3 x4 x5 Y 1 0,0247 0,0139 0,0346 0,0148 0,0411 0, ,0322 0,0643 0,0938 0,0601 0,0773 0, ,1448 0,1338 0,2089 0,1731 0,1779 0, ,3029 0,1659 0,2404 0,4211 0,2645 0, ,5918 0,9998 0,3897 0,5515 0,6766 0, ,4123 0,8918 0,9950 0, , ,1083 0,1380 0,4394 0,2943 0,6746 0, ,2480 0,1197 0,1214 0,2257 0,3441 0, ,1858 0,1567 0,0835 0,1191 0,2770 0, ,1525 0,1671 0,2732 0,3774 0,2572 0, ,1085 0,1215 0,2822 0,3312 0,3424 0, ,1053 0,2655 0,2715 0,5233 0,2240 0, ,0620 0,1994 0,2014 0,3836 0,2593 0, ,0564 0,5016 0,2703 0,2323 0,0339 0, ,0295 0,1561 0,0751 0, ,0358 0,0478 0,1261 0,1183 0,1779 0, , ,0346 0,0148 0,0411 0,0236 0, , ,0938 0,0601 0, ,1206 0, ,1338 0,2089 0,1731 0,1779 0,3106 0, ,1659 0,2404 0,4211 0,2645 0,4447 0, ,0420 0,0358 0,0478 0,1261 0,1183 0,1779 Tabel 5. Hasl Pengujan Terbak dengan K-Means Clusterng untuk ANFIS Cluster Pengujan ke- RMSE Tranng RMSE Test Waktu Proses 1 0, , , , , , , , , , , , , , , Rata-rata 0, , ,0695 Sedangkan arstektur ANFIS yang tercpta pada pengujan n adalah : 205

8 Jurnal SIMETRIS, Vol 7 No 1 Aprl 2016 x1 w1 w 1 x2 x3 w2 w 2 w f x4 w3 w 3 x5 Lapsan 1 Lapsan 2 Lapsan 3 Lapsan4 Lapsan 5 Gambar 3. Arstektur ANFIS 3 Rule Performa terbak untuk metode ANFIS kal n terdapat pada 3 cluster K-Means. Dapat d artkan bahwa rule yang tercpta pada pada proses pembelajaran n adalah 3 rule. Rule yang tercpta dengan metode sstem nferens fuzzy model Tagak-Sugeno-Kang (TSK) dengan aturan fuzzy f-then adalah : If x 1 s A 1 and s B 1 and x 3 s C 1 and x 4 s D 1 and x 5 s E 1 Then y 1 = c 11 x 1 + c 12 + c 13 x 3 +c 14 x 4 + c 15 x 5 + c 10 (8) If x 1 s A 2 and s B 2 and x 3 s C 2 and x 4 s D 2 and x 5 s E 2 Then y 2 = c 21 x 1 + c 22 + c 23 x 3 +c 24 x 4 + c 25 x 5 + c 20 (9) If x 1 s A 3 and s B 3 and x 3 s C 3 and x 4 s D 3 and x 5 s E 3 Then y 3 = c 31 x 1 + c 32 + c 33 x 3 +c 34 x 4 + c 35 x 5 + c 20 (10) Keterangan : x y A B, C, D, E : data volume kendaraan ke- : volume kendaraan tahun ke-, : derajat keanggotaan baru c : w x Dar peneltan sebelumnya yang menggunakan FCM untuk ANFIS drasa perlu adanya perbakan untuk mengetahu hasl akuras manakah yang lebh bak antara K-Means clusterng untuk ANFIS dengan FCM untuk ANFIS dalam peneltan n dlakukan pengujan menggunakan FCM untuk pengclusteran data. Adapun haslnya adalah : 206

9 Jurnal SIMETRIS, Vol 7 No 1 Aprl 2016 Tabel 6. Performa ANFIS menggunakan FCM Cluster Pengujan ke- RMSE Tranng RMSE Test Waktu Proses 1 0, , , , , , , , , , , , , , , Rata-rata 0, , , ANFIS menggunakan FCM menghaslkan performa dengan RMSE Tranng 0, dan RMSE Test 0, dan waktu proses 0, detk. Dapat dkatakan bahwa untuk peneltan n performa ANFIS menggunakan K-Means clusterng terbukt memlk hasl yang lebh bak darpada performa ANFIS menggunakan FCM. Dengan hasl tranng performa ANFIS menggunakan K-Means tersebut dlakukan predks untuk tahun Berkut adalah hasl predks volume lalu lntas angkutan lebaran moda sepeda motor arah masuk pada posko Jembatan Tmbang Wanareja Clacap : Tabel 7. Hasl Output ANFIS Predks Tahun 2015 Poss Output ANFIS Volume Asl H-7 0, H-6 0, H-5 0, H-4 0, H-3 0, H-2 0, H-1 0, H 1 0, H 2 0, H+1 0, H+2 0, H+3 0, H+4 0, H+5 0, H+6 0, H+7 0, Hasl predks volume lalu lntas angkutan lebaran pada wlayah Jawa Tengah dar H-7 hngga H+7 moda sepeda motor arah masuk pada posko Jembatan Tmbang Wanareja Clacap tahun 2015 dapat dketahu dengan performa terbak dengan metode K-Means clusterng untuk ANFIS. Predks memperlhatkan akan terjad penngkatan volume kendaraan sektar 30% dbandngkan pada volume lalu lntas angkutan lebaran pada wlayah Jawa Tengah moda sepeda motor arah masuk pada posko Jembatan Tmbang Wanareja Clacap tahun PENUTUP 5.1 Kesmpulan Pada awal hngga akhr peneltan predks volume lalu lntas lebaran wlayah Jawa Tengah dengan metode K-Means clusterng untuk Adaptve Neuro Fuzzy Inference System (ANFIS) dperoleh beberapa kesmpulan, yatu sebaga berkut : a. Peneltan menggunakan K-Means clusterng untuk ANFIS n dapat mempredks volume lalu lntas pada tahun 2015 dan tahun-tahun selanjutnya untuk semua moda transportas bak arah masuk maupun arah keluar wlayah Jawa Tengah. b. Dengan nput parameter ANFIS yang dgunakan yatu pengclusteran hngga 5 cluster, epoch 100, error goal 0 dperoleh performa terbak ANFIS untuk moda transportas sepeda motor arah masuk Posko Jembatan Tmbang Wanareja Clacap dengan K-Means clusterng yang terbag menjad 3 cluster, epoch sebesar 20 dengan RMSE Tranng 0,1198, RMSE Testng 0,0282 dan waktu proses 207

10 Jurnal SIMETRIS, Vol 7 No 1 Aprl ,0695 detk, terbukt lebh bak dar pada pengclusteran menggunakan FCM untuk ANFIS dengan RMSE Tranng 0, dan RMSE Test 0, dan waktu proses 0, detk. 5.2 Saran Perbakan serta pengembangan sangat dperlukan agar peneltan selanjutnya memberkan hasl yang lebh bak dar peneltan sebelumnya. Saran yang dapat dberkan untuk peneltan selanjutnya adalah : a. Menggabungkan dengan metode predks lan agar dapat dketahu perbandngan dan hasl akuras predks yang lebh bak. b. Predks volume lalu lntas lebaran n dapat membantu atau djadkan rekomendas kepada phak yang berwenang untuk dmplementaskan pada Dnas Perhubungan Komunkas dan Informatka Provns Jawa Tengah. DAFTAR PUSTAKA [1] Azzah, N., Predks Tngkat Layanan Jalan Menggunakan Metode Adaptve Neuro Fuzzy Inference System. Jurnal Sstem Informas Bsns, Unverstas Dponegoro, Semarang. [2] Quek, C., Pasquer, M., dan Lm, B., 2009, A Novel Self Organzng Fuzzy Rule Based System for Modellng Traffc Flow Behavour, Expert System Wth Aplcatons 36, [3] Hartat, S., Kusumadew, S., 2010, Neuro-Fuzzy Integras dan Jarngan Syaraf, Graha Ilmu, Yogyakarta. [4] Jang, J.S.R., Sun, C.T., dan Mzutan, E., 1997, Neuro-Fuzzy And Soft Computng, A Computatonal Approach to Learnng and Machne Intellgence, Prentce-Hall Internatonal, Inc, USA. [5] Dnas Perhubungan Komunkas dan Informatka., Analsa dan Evaluas Penyelenggaraan Angkutan Lebaran, Jawa Tengah. 208