SKRIPSI HYBRIDRADIAL BASIS FUNCTION(RBF) DENGAN ALGORITMA GENETIKA DAN ALGORITMA SIMULATED ANNEALING UNTUK PREDIKSI KONSUMSI LISTRIK

Transkripsi

1 SKRIPSI HYBRIDRADIAL BASIS FUNCTION(RBF) DENGAN ALGORITMA GENETIKA DAN ALGORITMA SIMULATED ANNEALING UNTUK PREDIKSI KONSUMSI LISTRIK LUTHFI HIDAYATI PROGRAM STUDI S-1 MATEMATIKA DEPARTEMEN MATEMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS AIRLANGGA SURABAYA 2016

2 SKRIPSI HYBRIDRADIAL BASIS FUNCTION(RBF) DENGAN ALGORITMA GENETIKA DAN ALGORITMA SIMULATED ANNEALING UNTUK PREDIKSI KONSUMSI LISTRIK LUTHFI HIDAYATI PROGRAM STUDI S-1 MATEMATIKA DEPARTEMEN MATEMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS AIRLANGGA SURABAYA 2016 i

3 ii

4 iii

5 PEDOMAN PENGGUNAAN SKRIPSI Skripsi ini tidak dipublikasikan, namun tersedia di perpustakaan dalam lingkungan Universitas Airlangga. Diperkenankan untuk dipakai sebagai referensi kepustakaan, tetapi pengutipan seizin penulis dan harus menyebutkan sumbernya sesuai kebiasaan ilmiah. Dokumen skripsi ini merupakan hak milik Universitas Airlangga. iv

6 v

7 KATA PENGANTAR Alhamdulillahirabbil alamin. Segala puji syukur kepada Tuhan Yang Maha Esa karena atas berkat rahmat, hidayah, dan tuntunan-nya penulis dapat menyusun skripsi yang berjudul HybridRadial Basis Function (RBF) dengan Algoritma Genetika dan Algoritma Simulated Annealing untuk Prediksi Konsumsi Listrik ini dengan baik. Pada penyusunan skripsi ini tak lepas dari begitu banyak bantuan dan dukungan dari segala pihak. Oleh karena itu, penulis ingin mengucapkan terima kasih kepada: 1. Universitas Airlangga yang telah memberikan kesempatan kepada penulis untuk menuntut ilmu. 2. Direktorat Jendral Pendidikan Tinggi (Dirjen Dikti) yang telah memberikan Beasiswa PPA-BBM kepada penulis untuk membantu secara ekonomis serta memacu semangat belajar. 3. Badrus Zaman, S.Kom., M.Cs. selaku Kepala Departemen Matematika Fakultas Sains dan Teknologi Universitas Airlangga Surabaya yang telah memberikan ilmu serta nasihat selama perkuliahan. 4. Dr. Mohammad Imam Utoyo, M.Si selaku Kepala Prodi Matematika Fakultas Sains dan Teknologi Universitas Airlangga yang selalu memberikan saran dan motivasi dan juga selaku dosen wali selama menjadi mahasiswa Fakultas Sains dan Teknologi Universitas Airlangga vi

8 yang telah banyak memberikan arahan, waktu, nasihat, serta semangat demi kesuksesan menjadi mahasiswa. 5. Auli Damayanti, S.Si., M.Si selaku dosen pembimbing I yang senantiasa sabar dan teliti dalam memberikan bimbingan berupa ilmu, arahan, saran, waktu, dan motivasi serta semangat. 6. Dr. Herry Suprajitno, M.Si selaku dosen pembimbing II yang senantiasa sabar dan teliti dalam memberikan bimbingan berupa ilmu, arahan, saran, waktu, dan motivasi serta semangat. 7. Kedua Orang Tua yaitu Purwanto dan Maria Ulfa yang sangat luar biasa dalam memberikan doa, nasihat, motivasi, dan fasilitas. Tidak lupa juga terima kasih untuk nenek Juariah dan adik Moh. Rofi Udin serta seluruh keluarga besar penulis yang menjadi motivasi dalam penulisan skripsi ini. 8. Paman penulis yang selalu menjadi panutan dan motivasi untuk bisa sukses dan selalu membantu penulis dalam kesulitan apapun selama kuliah yaitu Om Miftakhul Khoiri. 9. Teman-teman Matematika 2012, khususnya sahabat penulis yang tercinta Gilang Fathira M., Syahrul Fadilah, Fanti Rachmawati, dan Okta Diana N.S.C. yang selalu setia menjadi teman berbagi cerita, memberikan dukungan dan semangat, membantu kesulitan dalam memahami materi, berbagi pengetahuan, dan selalu membuat kelas terasa nyaman. 10. Serta semua pihak yang tidak dapat disebutkan satu per satu, yang telah membantu terselesaikannya skripsi ini. vii

9 Penulis berharap semoga skripsi ini dapat bermanfaat sebagai bahan pustaka dan menambah wawasan khususnya bagi mahasiswa Universitas Airlangga Surabaya. Penulis menyadari bahwa dalam penulisan skripsi ini masih banyak kekurangan. Oleh karena itu, saran serta kritik yang bersifat membangun dan dapat memperbaiki skripsi ini sangat diharapkan penulis demi kesempurnaan skripsi ini. Surabaya, April 2016 Penulis Luthfi Hidayati viii

10 Luthfi Hidayati, 2016, Hybrid Radial Basis Function (RBF) dengan Algoritma Genetika dan Algoritma Simulated Annealing untuk Prediksi Konsumsi Listrik. Skripsi ini dibawah bimbingan Auli Damayanti, S.Si., M.Si. dan Dr. Herry Suprajitno, M.Si. Departemen Matematika, Fakultas Sains dan Teknologi, Universitas Airlangga, Surabaya. ABSTRAK Prediksi konsumsi listrik merupakan suatu usaha untuk memperkirakan penggunaan listrik di masa yang akan datang berdasarkan pada data konsumsi listrik yang sudah ada sebelumnya. Salah satu metode yang dapat digunakan untuk menyelesaikan masalah prediksi adalah Radial Basis Function (RBF) yang merupakan salah satu metode jaringan saraf tiruan (JST). Tujuan dari skripsi ini adalah untuk menerapkan Hybrid Radial Basis Function dengan Algoritma Genetika dan Simulated Annealing untuk memprediksi konsumsi listrik. Data yang digunakan adalah data bulanan konsumsi listrik sektor rumah tangga wilayah Jawa Timur mulai dari bulan Januari tahun 2010 hingga bulan Mei tahun Pada pelatihan jaringan diperoleh hasil MSE pelatihan sebesar 0, dengan jumlah individu (popsize) yang digunakan adalah sebanyak 10, learning rate = 0,9, probabilitas crossover (Pc) = 0,9, probabilitas simulated annealing (Psa) = 0,01, dan lapisan hidden = 4. Nilai MSE yang diperoleh relatif kecil sehingga bobot optimal yang dihasilkan mampu mengenali pola dengan baik. Hal tersebut terlihat dari nilai selisih rata-rata yang dihasilkan sebesar 4, %. Hasil selisih rata-rata tersebut menunjukkan bahwa hasil uji validasi memiliki nilai yang mendekati nilai data yang sebenarnya. Kata Kunci : Prediksi, Jaringan Saraf Tiruan, Radial Basis Function, Algoritma Genetika, Simulated Annealing, dan Hybrid. ix

11 Luthfi Hidayati, 2016, Hybrid Radial Basis Function (RBF) with Genetic Algorithm and Simulated Annealing Algorithm to Predict Electricity Consumption. This final project was supervised by Auli Damayanti, S.Si., M.Si. and Dr. Herry Suprajitno, M.Si. Mathematics Departement, Faculty of Science and Technology, Airlangga University, Surabaya. ABSTRACT Prediction electricity consumption is an attempt to estimate power usage in the future based on electricity consumption data that already exists. One method that can be used to solve the problem of prediction is Radial Basis Function (RBF), which is one method of artificial neural network (ANN). The purpose of this paper is to apply the Hybrid Radial Basis Function with Genetic Algorithm and Simulated Annealing to predict electricity consumption. The data used is data monthly electricity consumption of the household sector in East Java region ranging from January 2010 to May During the training network training MSE results obtained by by the number of individuals (popsize) used were as many as 10, learning rate (α) = 0.9, the probability of crossover (Pc) = 0.9, the probability of simulated annealing (Psa) = 0.01, and a layer of hidden = 4. the MSE obtained are relatively small so that the optimal weights produced able to recognize patterns well. It is seen from the average value of the difference generated at 4, %. Results The mean difference indicates that the results of the validation test has a value close to the actual data values. Keywords : Prediction, Neural Network, Radial Basis Function, Genetic Algorithms, Simulated Annealing, and Hybrid. x

12 DAFTAR ISI LEMBAR JUDUL... i LEMBAR PERNYATAAN... ii LEMBAR PENGESAHAN NASKAH SKRIPSI... iii PEDOMAN PENGGUNAAN SKRIPSI... iv SURAT PERNYATAAN TENTANG ORISINALITAS... v KATA PENGANTAR... vi ABSTRAK... ix ABSTRACT... x DAFTAR ISI... xi DAFTAR GAMBAR... xv DAFTAR TABEL... xvi DAFTAR LAMPIRAN... xviii BAB I PENDAHULUAN 1.1 Latar Belakang Rumusan Masalah Tujuan Penulisan Manfaat Penulisan... 4 BAB II TINJAUAN PUSTAKA 2.1 Konsumsi Listrik Prediksi Jaringan Syaraf Tiruan (JST)... 5 xi

13 2.3.1 Arsitektur Jaringan Syaraf Tiruan Pelatihan Jaringan Fungsi Aktivasi Radial Basis Function (RBF) Normalisasi dan Denormalisasi Algoritma Genetika (AG) Inisialisasi Parameter Representasi Kromosom Fungsi Fitness Seleksi Crossover Mutasi Simulated Annealing Hybrid Pemrograman C BAB III METODE PENELITIAN BAB IV PEMBAHASAN 4.1 Prediksi Konsumsi Listrik Hybrid RBF-AG-SA untuk Memprediksi Konsumsi Listrik Inisialisasi Parameter Normalisasi Data Pembagian Data Generate Populasi Awal xii

14 4.2.5 Mengubah Kromosom ke Bobot dan Bias Proses Pelatihan RBF Mengubah Bobot dan Bias ke Kromosom Menghitung Nilai Fitness Seleksi Roulette wheel Convex Crossover Simulated Annealing Populasi Baru Kromosom Optimal Hasil Pelatihan Uji Validasi Penyelesaian Secara Manual Prediksi Konsumsi Listrik dengan Hybrid RBF-AG-SA Inisialisasi Parameter Normalisasi Data Generate Populasi Awal Mengubah Kromosom ke Bobot dan Bias Proses Radial Basis Function (RBF) Mengubah Bobot dan Bias ke Kromosom Menghitung Nilai Fitness Seleksi Roulette wheel Convex Crossover Simulated Annealing Populasi Baru xiii

15 4.4 Program Implementasi Program pada Data Pelatihan Uji Validasi BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan Saran DAFTAR PUSTAKA LAMPIRAN xiv

16 DAFTAR GAMBAR Gambar Judul Halaman 2.1 Arsitektur Jaringan Single Layer Net Arsitektur Jaringan Multi Layer Net Fungsi Identitas Fungsi Step biner Fungsi Sigmoid biner Arsitektur Jaringan Radial Basis Function Flowchart RBF-AG-SA Prosedur Hybrid RBF-AG-SA Prosedur Inisialisasi Parameter Prosedur Normalisasi Data Prosedur Pembagian Data Prosedur Generate Populasi Awal Prosedur Mengubah Kromosom ke Bobot dan Bias Prosedur Pelatihan RBF Prosedur Mengubah Bobot dan Bias ke Kromosom Prosedur Menghitung Nilai Fitness Prosedur Convex Crossover Prosedur Populasi Baru Prosedur Kromosom Optimal Hasil Pelatihan Prosedur Denormalisasi Data 46 xv

17 DAFTAR TABEL Tabel Judul Halaman 3.1 Tabel Rancangan Data Generate Populasi Awal Bobot dan Bias Awal Bobot dan Bias Baru Nilai MSE pada Pola Nilai MSE Total Mengubah Bobot dan Bias ke Kromosom Nilai Fitness Nilai Fitness Relatif dan Kumulatif Calon Induk Crossover Induk Crossover Calon Induk Simulated Annealing Induk Simulated Annealing Kromosom Anak Hasil Crossover Nilai Fitness Kromosom Gabungan Populasi Baru Nilai MSE Bobot dan Bias Terbaik Hasil Pelatihan dengan Jumlah Neuron pada Lapisan Tersembunyi Hasil Pelatihan dengan Jumlah Neuron pada Lapisan Tersembunyi xvi

18 4.20 Hasil Pelatihan dengan Jumlah Neuron pada Lapisan Tersembunyi Hasil Pelatihan dengan Variasi Jumlah Maksimal Iterasi pada Lapisan Tersembunyi Hasil Pelatihan dengan Variasi Nilai α, Pc, dan Psa dengan Jumlah Individu sebanyak 10 dan Lapisan Hidden Hasil Pelatihan dengan Variasi Nilai α, Pc, dan Psa dengan Jumlah Individu sebanyak 50 dan Lapisan Hidden Bobot dan Bias Optimal Hasil Denormalisasi Selisih Hasil Uji Hasil Prediksi xvii

19 DAFTAR LAMPIRAN No Judul Lampiran 1 Data 2 Hasil Pembagian Data 3 Hasil Normalisasi Data 4 Prosedur Seleksi Roulette wheel 5 Prosedur Simulated Annealing 6 Source Code Program 7 Antarmuka Program xviii