Optimasi Support Vector Regression (SVR) Menggunakan Algoritma Improved-Particle Swarm Optimization (IPSO) untuk Peramalan Curah Hujan

Transkripsi

1 Jurnal Pengembangan Teknologi Informasi dan Ilmu Kompuer e-issn : X Vol. 1, No. 11, November 217, hlm hp://j-piik.ub.ac.id Opimasi Suppor Vecor Regression (SVR) Menggunakan Algorima Improved-Paricle Swarm Opimizaion (IPSO) unuk Peramalan Curah Hujan Husin Muhamad 1, Imam Cholissodin 2, Budi Darma Seiawan 3 1,2,3 Program Sudi Teknik Informaika/Ilmu Kompuer Universias Brawijaya 1 husin.muh@oulook.com, 2 imamcs@ub.ac.id, 3 s.budidarma@ub.ac.id Absrak Perubahan iklim yang erjadi dikarenakan oleh pemanasan global menyebabkan perubahan pola curah hujan. Mengeahui pola curah hujan sanga pening bagi beberapa akivias dan pekerjaan yang ada. Maka dari iu diperlukan peramalan curah hujan unuk mengeahui pola curah hujan yang akan mendaang. Salah sau meode peramalan yang sering digunakan adalah Suppor Vecor Regression. Namun, meode ersebu masih memiliki kekurangan yaiu pada penenuan nilai parameer yang epa. Maka diperlukan algorima opimasi unuk membanu menenukan nilai parameer SVR yang epa. Peneliian ini berujuan unuk melakukan peramalan curah hujan pada daerah Pujon, Malang dengan menggunakan meode Suppor Vecor Regression yang diopimasi dengan Improved-Paricle Swarm Opimizaion. Opimasi meode SVR dilakukan unuk mendapakan nilai parameer SVR yang paling opimal. Parameer SVR yang diopimasi adalah clr (konsana learning rae), C (kompleksias), λ (koefisien Hessian), ε (error rae) dan σ (koefisien kernel). Peramalan curah hujan bulan Januari dasarian perama pada ahun 27 sampai 215 yang dilakukan dengan menggunakan IPSO-SVR menghasilkan nilai RMSE sebesar dibandingkan dengan menggunakan meode SVR yang menghasilkan RMSE sebesar Hal ersebu menunjukkan bahwa meode SVR yang diopimasi dengan menggunakan IPSO lebih baik dibandingkan dengan meode SVR yang belum diopimasi. Kaa kunci: Peramalan, curah hujan, Suppor Vecor Regression, Improved-Paricle Swarm Opimizaion. Absrac Climae change ha happens because of global warming also cause change in rainfall paerns. Knowing rainfall paerns is really imporan for some aciviy and works. So, rainfall forecasing is needed o undersand he rainfall paerns in he fuure. One of he mehod used in forecasing is Suppor Vecor Regression. Bu, SVR sill has weakness in deermining he righ values for he parameers. So, an opimizaion algorihm is needed o help deermining he values of he parameers in SVR. The purpose of his research is o do rainfall forecasing in Pujon area, Malang using Suppor Vecor Regression ha s been opimized by Improved-Paricle Swarm Opimizaion. Opimizaion of SVR is done for geing he opimal values of SVR s parameers. The opimized SVR s parameers are clr (learning rae consans), C (complexiy), λ (Hessian s coefficien), ε (error rae) dan σ (kernel s coefficien). The rainfall forecasing for he firs en days of January from 27 unil 215 by using IPSO-SVR resuled value of in RMSE compared o using only SVR which resuled value of in RMSE. This proved ha opimizaion of SVR using IPSO is beer compared o using he unopimized SVR. Keywords: Forecasing, rainfall, Suppor Vecor Regression, Improved-Paricle Swarm Opimizaion. 1. PENDAHULUAN Indonesia erleak dianara dua benua dan dua samudera sera dilewai oleh garis khaulisiwa. Posisi ini menjadikan Indonesia sebagai daerah peremuan sirkulasi uara-selaan (meridional) yang dikenal sebagai Sirkulasi Fakulas Ilmu Kompuer Universias Brawijaya 1142 Hadley dan sirkulasi imur-bara (zonal) yang dikenal sebagai Sirkulasi Walker (Achmad, e al., 213). Perubahan iklim yang erjadi dikarenakan oleh pemanasan global menyebabkan perubahan anara lain erjadinya kenaikan inggi permukaan lau, kenaikan suhu udara dan perubahan pola curah hujan.

2 Jurnal Pengembangan Teknologi Informasi dan Ilmu Kompuer 1143 Perencanaan peranian menjadi kurang opimal dikarenakan kondisi flukuasi curah hujan yang idak menenu dalam beberapa ahun erakhir (Mukid, 213). Fenomena El-Nino dan La-Nina juga menjadi salah sau penyebab perubahan iklim di Indonesia. Menuru Boer (23), Indonesia elah mengalami kekeringan aau curah hujan di bawah raa-raa sebanyak 43 kali sejak ahun Sebuah inovasi eknologi enang peramalan curah hujan sanga dibuuhkan menginga kondisi curah hujan Indonesia yang sanga flukuaif unuk menunjang akivias dan pembangunan di berbagai bidang (Mulyana, 214). Peramalan (forecasing) dapa dilakukan dengan dua pendekaan. Pendekaan yang perama adalah pendekaan saisik dan pendekaan yang kedua adalah pendekaan kecerdasan buaan (AI). Peramalan dengan pendekaan saisik erdiri dari meode perimbangan, meode regresi, meode kecenderungan, meode inpu oupu, dan meode ekonomerika (Suprano, 2). Meode regresi adalah salah sau meode peramalan yang sering digunakan karena dapa diaplikasikan unuk peramalan dengan daa yang memiliki variabel yang banyak. Proses kompuasi pada meode regresi dapa menjadi lama karena meode regresi adalah meode yang memiliki keerganungan anara variasi dan relasi dari iap variabel (Abraham & Ledoler, 25). Peramalan dengan pendekaan yang kedua adalah pendekaan kecerdasan buaan (AI). Salah sau eknik peramalan AI adalah dengan menggunakan Suppor Vecor Regression (SVR). Suppor Vecor Regression (SVR) adalah hasil pengembangan Suppor Vecor Machine (SVM) dengan meode regresi sehingga dapa digunakan unuk peramalan layaknya meode regresi pada pendekaan saisik. Namun, Suppor Vecor Regression (SVR) memiliki parameer yang idak dienukan sehingga susah unuk menenukan parameer yang opimal. Makridakis dan Hibon (2) menyaakan bahwa menggabungkan beberapa model menjadi sau dapa meningkakan hasil akurasi peramalan. Maka, perlu dilakukan penggabungan meode SVR dengan meode lain unuk menenukan parameer yang opimal (Kavousi-Fard e al., 214). Terdapa beberapa meode opimasi yang dapa menyelesaikan permasalahan opimasi. Salah saunya adalah peneliian yang dilakukan oleh Chen e al. (212) dalam meramalkan suhu pada ransformer lisrik. Pada peneliian ini, peramalan dilakukan dengan SVR yang diopimasi dengan meode Paricle Swarm Opimizaion (PSO) yang menghasilkan nilai Roo Mean Square Error (RMSE) sebesar,92. Nilai ersebu lebih kecil dibandingkan dengan nilai RMSE meode SVR sebesar 1,142 dan meode ANN sebesar 1,37. Peneliian lain mengenai opimasi Suppor Vecor Regression (SVR) menggunakan Paricle Swarm Opimizaion (PSO) yaiu dari Hsieh (211). Peneliian ini menggunakan meode SVR-PSO unuk peramalan harga saham dengan hasil keluaran nilai RMSE sebesar 49,1. Sedangkan jika menggunakan meode SVR, nilai RMSE yang dihasilkan sebesar 49,27. Selain nilai RMSE yang lebih kecil, waku kompuasi yang dibuuhkan unuk meode SVR-PSO pada peneliian ini yaiu 164 deik lebih cepa dibandingkan dengan meode SVR yang membuuhkan waku kompuasi 1252 deik. Hal yang menyebabkan waku kompuasi yang lebih cepa adalah keepaan koefisien yang digunakan sehingga jumlah ierasi yang dilakukan idak erlalu banyak. Berdasarkan peramalan curah hujan dan penjelasan singka mengenai Suppor Vecor Regression (SVR) dan meode Paricle Swarm Opimizaion (PSO) yang sudah diuraikan, maka dirancang peneliian yang menggabungkan kedua meode yaiu Opimasi Suppor Vecor Regression (SVR) menggunakan Improved- Paricle Swarm Opimizaion (IPSO) unuk Peramalan Curah Hujan. Implemenasi yang dilakukan adalah menggabungkan meode Suppor Vecor Regression (SVR) unuk melakukan peramalan curah hujan, sedangkan meode Improved-Paricle Swarm Opimizaion (IPSO) digunakan unuk melakukan opimasi erhadap parameer yang ada pada SVR sehingga diharapkan hasil peramalan dengan akurasi yang inggi. Peneliian ini diharapkan dapa membanu masyaraka pada umumnya unuk membanu mengaasi permasalahan peramalan curah hujan di Indonesia yang flukuaif. 2. DASAR TEORI 2.1 Penjelasan Daase Daa yang digunakan pada peneliian ini adalah daa curah hujan daerah Pujon Malang yang didapa dari Badan Meeorologi Klimaologi & Geofisika Sasiun Klimaologi Karangploso Malang. Daa yang digunakan dibagi menjadi dua bagian yaiu daa raining

3 Jurnal Pengembangan Teknologi Informasi dan Ilmu Kompuer 1144 dan daa esing. Daa ersebu ersusun dari curah hujan perdasarian dari ahun 2 sampai 215 dengan sauan milimeer kubik. 2.2 Peramalan Peramalan (forecasing) adalah suau proses memprediksikan keadaan pada masa yang akan daang dengan menggunakan informasi yang ada di masa lalu. Peramalan diperlukan unuk memperkirakan kuanias, kualias, waku dan lokasi yang dibuuhkan pada masa yang akan daang. Dalam melakukan peramalan, hasil yang didapakan idak selalu epa sesuai dengan kenyaaan. Salah sau cara unuk menenukan ukuran kesalahan secara saisik yaiu dengan Roo Mean Squared Error (RMSE) yang diunjukkan pada Persamaan 1. RMSE = MSE = n =1 e 2 n 2.3 Suppor Vecor Regression (SVR) (1) Unuk mengaasi permasalahan klasifikasi, Vladimir Naumovich Vapnik mengenalkan meode Suppor Vecor Machine (SVM) pada ahun 1995 (Cores & Vapnik, 1995). Kemudian, unuk mengaasi kasus regresi dikembangkan meode Suppor Vecor Regression (SVR) yang menghasilkan oupu daa berupa bilangan riil aau koninyu (Ju & Hong, 213). Meode SVM memeakan masukan vekor dengan cara non linier ke dalam ruang fiur berdimensi inggi yang kemudian dierapkan pada SVR (Cores & Vapnik, 1995). Unuk menangani kasus regresi, Vijayakumar dan Wu (1999) mengenalkan algorima sekuensial unuk SVR sehingga dapa memberikan solusi yang opimal dan waku kompuasi yang lebih cepa dibandingkan dengan SVR konvensional. Langkah-langkah ersebu adalah sebagai beriku: Langkah 1: Inisialisasi parameer SVR yang akan digunakan dianaranya clr, C, ε, λ dan jumlah ierasi maksimum. Selain iu, inisialisasi α i dan α i (unuk inisialisasi awal, diberikan nilai ). Langkah 2: Membenuk Mariks Hessian dengan menggunakan Persamaan 2. R ij = K(x, x i ) + λ 2 unuk i, j = 1,2,, l (2) R ij = Mariks Hessian baris kei kolom ke-j K(x, x i ) = fungsi kernel λ = variabel skalar l = jumlah daa Langkah 3: Melakukan proses sequenial learning yang erdiri dari: 1. Menghiung nilai error (E) yang diunjukkan pada Persamaan 3. l E i = y i j=1 (α j α j ) R ij (3) E i = nilai error ke-i y i = nilai akual α j, α j = Lagrange Mulipliers R ij = Mariks Hessian baris ke i kolom ke-j 2. Menghiung δα i dan δα i dengan menggunakan Persamaan 4. δα i = min {max [γ(e i ε), α i ], C α i } δα i = min {max [γ( E i ε), α i ], C α i } (4) γ = nilai Learning Rae E i = nilai error ke-i ε = nilai kerugian C = nilai kompleksias α i, α i = Lagrange Mulipliers 3. Menghiung nilai Lagrange Mulipliers dengan menggunakan Persamaan 5. α i = α i + δα i α i = α i + δα i (5) α i, α i = Lagrange Mulipliers Langkah 4: Mengulang proses sequenial learning pada langkah keiga hingga mencapai jumlah ierasi maksimum aau memiliki kondisi berheni yaiu max ( δα i ) < ε dan max ( δα i ) < ε. Langkah 5: Jika daa memenuhi persyaraan (α i α i ) idak sama dengan, maka dapa disebu sebagai suppor vecor. Langkah 6: Melakukan pengujian dengan menggunakan Persamaan 5. l i=1 (5) f(x) = (α i α i )(K(x, x i ) + λ 2 ) α i, α i = Lagrange Mulipliers

4 Jurnal Pengembangan Teknologi Informasi dan Ilmu Kompuer 1145 K(x, x i ) = fungsi kernel λ = variabel skalar l = banyak daa Langkah 7: Selesai. 2.4 Improved-Paricle Swarm Opimizaion (IPSO) Paricle Swarm Opimizaion (PSO) adalah meode opimasi global yang diperkenalkan oleh Kennedy dan Eberhar pada ahun 1995 berdasarkan peneliian erhadap perilaku kawanan burung dan ikan. Seiap parikel dalam Paricle Swarm Opimizaion memiliki kecepaan parikel bergerak dalam ruang pencarian dengan kecepaan yang dinamis disesuaikan dengan perilaku hisoris mereka. Oleh karena iu, parikel memiliki kecenderungan unuk bergerak menuju daerah pencarian yang lebih baik selama proses pencarian. Improved-Paricle Swarm Opimizaion (IPSO) merupakan pengembangan dari algorima opimasi Paricle Swarm Opimizaion (PSO) unuk mencegah konvergensi dini. Pada algorima PSO konvensional, konvergensi parikel erjadi sanga cepa, namun pergerakan dari parikel yang ada hanya erjadi pada area lokal opimal dan global opimal (Yan e al., 213). Dalam algorima IPSO erdapa beberapa proses sebagai beriku (Cholissodin & Riyandani, 216): 1. Inisialisasi a. Inisialisasi kecepaan awal Pada ierasi ke-, dapa dipasikan bahwa nilai kecepaan awal semua parikel adalah. b. Inisialisasi posisi awal parikel Pada ierasi ke-, posisi awal parikel dibangkikan dengan Persamaan 6. x = x min + rand[,1] (x max x min ) (6) x = posisi parikel x min = baas bawah posisi x max = baas aas posisi c. Inisialisasi pbes dan gbes Pada ierasi ke-, pbes akan disamakan dengan nilai posisi awal parikel. Sedangkan gbes dipilih dari sau pbes dengan finess eringgi. 2. Updae kecepaan Zou e al. (215) menambahkan λ sebagai fakor konvergen yang dileakkan di depan bobo inersia, λ = sin 3 α dan α = [, π/8].unuk melakukan updae kecepaan, digunakan Persamaan 7. v i,j = λ. w. v i,j + c 1. r 1 (Pbes i,j x i,j ) + c 2. r 2 (Gbes g,j x i,j ) (7) v i,j = kecepaan parikel i dimensi j pada ierasi ke- λ = fakor konvergen w = bobo inersia c 1, c 2 = koefisien akselerasi r 1, r 2 = random [,1] Pbes i,j = posisi pbes i dimensi j x i,j Gbes g,j pada ierasi ke- = posisi parikel i dimensi j pada ierasi ke- = posisi gbes g dimensi j pada ierasi ke- 3. Updae posisi dan hiung finess Unuk melakukan updae posisi, digunakan Persamaan 8. x +1 i,j = x i,j x i,j +1 + λ. w. v i,j (8) = posisi parikel i dimensi j pada ierasi ke- v i,j = kecepaan parikel i dimensi j pada ierasi ke- λ = fakor konvergen w = bobo inersia 4. Updae pbes dan gbes Dilakukan perbandingan anara pbes pada ierasi sebelumnya dengan hasil dari updae posisi. Finess yang lebih inggi akan menjadi pbes yang baru. pbes erbaru yang memiliki nilai finess eringgi akan menjadi gbes yang baru.

5 Raa-raa Finess Jurnal Pengembangan Teknologi Informasi dan Ilmu Kompuer PERANCANGAN DAN IMPLEMENTASI Proses opimasi Suppor Vecor Regression menggunakan algorima Improved-Paricle Swarm Opimizaion unuk peramalan curah hujan diunjukkan pada Gambar 1. Mulai Daa curah hujan Kemudian perhiungan yang digunakan sebagai finess parikel adalah nilai error (RMSE) dari peramalan dengan menggunakan SVR yang diunjukkan pada Persamaan 9. finess = 1 1+RMSE (9) Normalisasi Daa 4. PENGUJIAN DAN ANALISIS 4.1 Pengujian dan Analisis Jumlah Ierasi IPSO Kondisi berheni Ya Hasil peramalan curah hujan Selesai Tidak Gambar 1. Diagram Alir Proses Peramalan dengan IPSO-SVR Langkah-langkah yang dilakukan dalam implemenasi anara lain: 1. Implemenasi opimasi Suppor Vecor Regression (SVR) menggunakan Improved-Paricle Swarm Opimizaion (IPSO) unuk peramalan curah hujan ke dalam bahasa pemrograman Java. 2. Oupu yang diperoleh berupa hasil peramalan dan RMSE. Represenasi parikel yang digunakan dalam IPSO adalah parameer SVR yang akan diopimasi. Parikel dalam IPSO diunjukkan pada Tabel 1. Tujuan dari pengujian jumlah ierasi adalah unuk mendapakan jumlah ierasi IPSO yang paling opimal. Daa yang digunakan adalah curah hujan bulan Januari dasarian perama ahun 24 sampai 215 yang erbagi menjadi daa laih dan daa uji. Hasil pengujian diunjukkan pada Gambar 2 sedangkan baas parameer yang digunakan adalah sebagai beriku: Baas nilai parameer clr :.1.1 Baas nilai parameer C : 1 2 Baas nilai parameer ε :.1.1 Baas nilai parameer λ : 1 67 Baas nilai parameer σ :.1 2,7,6,5,4,3,2,1 Pengujian Jumlah Ierasi IPSO Jumlah Ierasi Gambar 2. Grafik pengujian jumlah ierasi IPSO Tabel 1. Represenasi parikel IPSO Parikel clr C ε λ σ Berdasarkan Gambar 2 didapakan bahwa jumlah ierasi yang semakin banyak mengindikasikan nilai finess yang semakin baik

6 Raa-raa Finess Raa-raa Finess Jurnal Pengembangan Teknologi Informasi dan Ilmu Kompuer 1147 dan menunjukkan jumlah ierasi yang dibuuhkan unuk mencapai konvergensi. Konvergensi diunjukkan seelah mencapai ierasi 5 idak ada perubahan finess yang signifikan pada ierasi-ierasi selanjunya. Namun, pada pengujian yang elah dilakukan, didapakan jumlah ierasi IPSO paling opimal adalah sejumlah 5 ierasi. Dengan menggunakan daa dan baas parameer yang sama, dilakukan pengujian jumlah ierasi SVR yang berujuan unuk mengeahui jumlah ierasi erbaik dari SVR. Hasil pengujian diunjukkan pada Gambar 3. Pengujian Jumlah Ierasi SVR,2,18,16,14,12,1,8,6,4, Jumlah Ierasi Gambar 3. Grafik pengujian jumlah ierasi SVR Berdasarkan Gambar 3 didapakan bahwa hasil finess cenderung meningka semakin banyaknya ierasi. Hal ini menunjukkan bahwa semakin banyak ierasi pada SVR, akan semakin baik pula proses pelaihan yang erjadi di dalam SVR. Sehingga akan menghasilkan nilai finess yang semakin baik pula. Pada percobaan yang dilakukan, didapakan jumlah ierasi erbaik yaiu 1 ierasi. Pengujian Jumlah Parikel IPSO,25,2,15,1, Jumlah Parikel Gambar 4. Grafik pengujian jumlah parikel IPSO Berdasarkan Gambar 4 diunjukkan bahwa nilai finess cenderung naik sesuai dengan naiknya jumlah parikel. Hal ini dikarenakan semakin banyak jumlah parikel, semakin banyak pula peluang yang dihasilkan oleh parikel secara acak. Hal ersebu enu akan menaikkan kemungkinan proses IPSO-SVR mendapakan nilai finess yang inggi. Pada percobaan yang dilakukan didapakan jumlah parikel yang paling opimal adalah Pengujian dan Analisis Baas Parameer SVR Pengujian yang dilakukan adalah menguji beberapa variasi baas aas dan baas bawah dari parameer SVR. Tujuan dari pengujian ini adalah unuk mendapakan baas aas dan baas bawah paling opimal dari parameer SVR. Pengujian ini erdiri dari pengujian clr, C, ε, λ dan σ. Hasil pengujian clr diunjukkan pada Gambar Pengujian dan Analisis Jumlah Parikel Tujuan dari pengujian jumlah parikel adalah unuk mendapakan jumlah parikel IPSO yang paling opimal. Daa yang digunakan adalah curah hujan bulan Januari dasarian perama ahun 24 sampai 215 yang erbagi menjadi daa laih dan daa uji. Hasil pengujian diunjukkan pada Gambar 4.

7 Raa-raa Finess Raa-raa Finess Raa-raa Finess Jurnal Pengembangan Teknologi Informasi dan Ilmu Kompuer 1148 Pengujian Baas Parameer clr,6,5,4,3,2,1 Baas Parameer Gambar 5. Grafik pengujian baas parameer clr Berdasarkan Gambar 5 diunjukkan bahwa nilai finess cenderung urun mengikui baas parameer yang semakin lebar. Hal ersebu menunjukkan bahwa baas parameer yang semakin kecil akan menghasilkan finess yang semakin baik. Pada percobaan yang dilakukan, parameer clr sebagai parikel IPSO akan bergerak sesuai dengan baas parameer yang digunakan dan baas parameer yang paling opimal adalah.1 1. Pengujian parameer selanjunya adalah parameer C. Dengan menggunakan parameer dan daa yang sama, dilakukan pengujian unuk mendapakan baas parameer C yang paling opimal. Hasil pengujian diunjukkan pada Gambar 6. Pengujian Baas Parameer C,6,5,4,3,2,1 Berdasarkan Gambar 6 diunjukkan nilai finess semakin inggi mengikui baas parameer yang semakin lebar. Hal ersebu menunjukkan bahwa baas parameer yang semakin lebar akan menghasilkan finess yang semakin baik. Pada percobaan yang dilakukan, parameer C sebagai parikel IPSO akan bergerak sesuai dengan baas parameer yang digunakan dan baas parameer yang paling opimal adalah 1-5. Pengujian parameer selanjunya adalah parameer ε. Dengan menggunakan parameer dan daa yang sama, dilakukan pengujian unuk mendapakan baas parameer ε yang paling opimal. Hasil pengujian diunjukkan pada Gambar 7. Pengujian Baas Parameer ε,8,7,6,5,4,3,2,1 Baas Parameer Gambar 7. Grafik pengujian baas parameer ε Berdasarkan Gambar 7 diunjukkan nilai finess cenderung inggi mengikui baas bawah yang semakin kecil. Hal ini menunjukkan bahwa semakin kecil nilai ε akan menghasilkan nilai finess yang inggi. Pada percobaan yang dilakukan, parameer ε sebagai parikel IPSO akan bergerak sesuai dengan baas parameer yang digunakan dan baas parameer yang paling opimal adalah.1.1. Pengujian parameer selanjunya adalah parameer λ. Dengan menggunakan parameer dan daa yang sama, dilakukan pengujian unuk mendapakan baas parameer λ yang paling opimal. Hasil pengujian diunjukkan pada Gambar 8. Baas Parameer Gambar 6. Grafik pengujian baas parameer C

8 Raa-raa Finess Raa-raa Finess Raa-raa Finess Jurnal Pengembangan Teknologi Informasi dan Ilmu Kompuer 1149 Pengujian Baas Parameer λ,8,7,6,5,4,3,2,1 Baas Parameer Gambar 8. Grafik pengujian baas parameer λ Berdasarkan Gambar 8 diunjukkan nilai finess cenderung menurun mengikui baas bawah yang semakin besar. Hal ini menunjukkan bahwa semakin kecil nilai λ akan menghasilkan nilai finess yang inggi. Pada percobaan yang dilakukan, parameer λ sebagai parikel IPSO akan bergerak sesuai dengan baas parameer yang digunakan dan baas parameer yang paling opimal adalah.1 2. Pengujian parameer selanjunya adalah parameer σ. Dengan menggunakan parameer dan daa yang sama, dilakukan pengujian unuk mendapakan baas parameer σ yang paling opimal. Hasil pengujian diunjukkan pada Gambar 9. Pengujian Baas Parameer σ,8,7,6,5,4,3,2,1 Baas Parameer Gambar 9. Grafik pengujian baas parameer σ Berdasarkan Gambar 9 diunjukkan nilai finess cenderung urun mengikui baas aas yang semakin besar. Hal ini menunjukkan bahwa semakin kecil nilai σ akan menghasilkan nilai finess yang inggi. Pada percobaan yang dilakukan, parameer σ sebagai parikel IPSO akan bergerak sesuai dengan baas parameer yang digunakan dan baas parameer yang paling opimal adalah Pengujian dan Analisis Jumlah Fiur SVR Pengujian jumlah fiur SVR ini berujuan unuk mendapakan jumlah fiur SVR yang paling opimal. Daa yang digunakan adalah curah hujan bulan Januari dasarian perama ahun 24 sampai 215 yang erbagi menjadi daa laih dan daa uji. Hasil pengujian diunjukkan pada Gambar 1. Pengujian Jumlah Fiur SVR,9,8,7,6,5,4,3,2, Jumlah Fiur SVR Gambar 1. Grafik pengujian jumlah fiur SVR Berdasarkan Gambar 1 diunjukkan finess dari proses peramalan dengan IPSO-SVR cenderung naik hingga jumlah fiur 8 dan kemudian urun. Hal ini menunjukkan bahwa unuk melakukan peramalan curah hujan, daa selama 8 ahun sebelumnya akan menghasilkan peramalan dengan ingka keakuraan yang inggi. Pada percobaan yang dilakukan, jumlah fiur SVR erbaik yang digunakan adalah 8 dengan finess sebesar Analisis Global Hasil Pengujian Berdasarkan dari hasil pengujian yang elah dilakukan didapakan parameer-parameer dengan nilai finess erbaik. Pada pengujian jumlah ierasi IPSO didapakan jumlah ierasi erbaik adalah 5 sedangkan jumlah ierasi erbaik unuk SVR adalah 1. Selain iu juga didapakan jumlah parikel erbaik pada IPSO adalah sejumlah 4 parikel. Pengujian lain yang dilakukan adalah pengujian baas parameer SVR yaiu clr, C, ε,

9 Jurnal Pengembangan Teknologi Informasi dan Ilmu Kompuer 115 λ dan σ. Baas parameer SVR juga digunakan sebagai baas posisi dari parikel IPSO parikel ersebu bergerak. Baas parameer clr yang menghasilkan finess erbaik adalah.1.1, unuk baas parameer C yang menghasilkan finess erbaik adalah 1 5, unuk baas parameer ε yang menghasilkan finess erbaik adalah.1.1, unuk baas parameer λ yang menghasilkan finess erbaik adalah.1 2, unuk baas parameer σ yang menghasilkan finess erbaik adalah.1 1. Kemudian pengujian selanjunya adalah pengujian jumlah fiur SVR yang didapakan jumlah fiur erbaik adalah 8. Dengan menggunakan semua parameer yang paling opimal berdasarkan pengujian yang dilakukan, finess yang didapakan adalah Unuk mengukur perbedaan ingka keakuraan dari IPSO-SVR dan SVR dilakukan percobaan dengan menggunakan daa curah hujan bulan Januari dasarian 1 pada ahun 27 sampai 215. Hasil dari percobaan yang dilakukan diunjukkan pada Tabel 2 sera pada Gambar 11 dan Gambar Tabel 2. Perbandingan IPSO-SVR dan SVR Meode RMSE IPSO-SVR SVR Peramalan Curah Hujan dengan IPSO-SVR Daa Akual Hasil Peramalan Gambar 11. Grafik peramalan dengan IPSO-SVR Peramalan Curah Hujan dengan SVR Daa Akual Hasil Peramalan Gambar 12. Grafik peramalan dengan SVR 5. KESIMPULAN DAN SARAN Berdasarkan hasil peneliian mengenai peramalan curah hujan dengan menggunakan meode Suppor Vecor Regression yang diopimasi dengan Improved-Paricle Swarm Opimizaion, maka dapa diambil kesimpulan bahwa meode Improved-Paricle Swarm Opimizaion (IPSO) dapa digunakan unuk mengopimasi parameer Suppor Vecor Regression (SVR). Pada peneliian ini, parameer SVR yang diopimasi adalah clr, C, ε, λ dan σ. Unuk mendapakan nilai parameer SVR yang paling opimal, langkah perama yang dilakukan adalah membangkikan nilai parameer SVR secara acak sebagai parikel pada IPSO. Kemudian perhiungan finess dari parikel ersebu adalah dengan menggunakan SVR. Seelah proses SVR dan IPSO sesuai jumlah ierasi yang dienukan, maka akan didapakan parameer SVR yang paling opimal. Parameer SVR yang paling opimal ersebu dapa digunakan unuk meramalkan curah hujan dengan ingka keakuraan yang inggi. Berdasarkan pengujian yang dilakukan dengan menggunakan daa curah hujan bulan Januari dasarian perama ahun 24 sampai 215, didapakan baas parameer erbaik dari clr =.1.1, C = 1 5, ε =.1.1, λ =.1 2 dan σ =.1 1. Sehingga didapakan nilai finess erbaik dari peramalan ersebu yaiu Peneliian mengenai peramalan curah hujan ini masih memiliki banyak kekurangan. Kekurangan ersebu dapa dikembangkan menjadi peneliian yang lebih baik. Saran yang dapa diberikan unuk peneliian selanjunya yaiu diharapkan pada peneliian selanjunya

10 Jurnal Pengembangan Teknologi Informasi dan Ilmu Kompuer 1151 peramalan curah hujan dengan menggunakan SVR dapa diopimasikan dengan algorima opimasi selain IPSO. Saran lain adalah proses opimasi yang dilakukan masih dapa dikembangkan dengan menambahkan seleksi kernel yang ada pada SVR. 6. DAFTAR PUSTAKA Abraham, B. & Ledoler, J., 25. Saisical Mehods for Forecasing. New Jersey : John Wiley & Sons, Inc. Achmad, A., Indrabayu & Fikha, 213. Kecerdasan Buaan Hybrid unuk Prediksi Curah Hujan. Prosiding Hasil Peneliian Fakulas Teknik UNHAS. Vol. 7. Boer, G.J. & Yu B., 23. Dynamical Aspecs of Climae Sensiiviy. Geophysical Research Leer, [e-journal] 3(1135). Tersedia melalui : Wiley Online Library <hp://onlinelibrary.wiley.com/doi/1.1 29/22GL16549/full> [Diakses 15 Januari 217] Chen, W., Su, X., Chen, X., Zhou, Q. & Xiao, H., 212. Combinaion of Suppor Vecor Regression wih Paricle Swarm Opimizaion for Ho-spo Temperaure Predicion of Oil-immersed Power Transformer. Elecrical Review, 88, pp Cholissodin, I. & Riyandani, I., 216. Swarm Inelligence, Fakulas Ilmu Kompuer, Universias Brawijaya, Malang. Cores, C. & Vapnik, V., Suppor-vecor Neworks. Machine Learning, 2(3), pp Hsieh, H.I., Lee, T.P. & Lee, T.S., 211. A Hybrid Paricle Swarm Opimizaion and Suppor Vecor Regression Model for Financial Time Series Forecasing. Inernaional Journal of Business Adminisraion, Vol.2, No.2. Ju, F.Y. & Hong, W.C., 213. Applicaion of Seasonal SVR wih Chaoic Graviaional Search Algorihm in Elecriciy Forecasing. Applied Mahemaical, 37, pp Kavousi-Fard, A., Same, H. & Marzbani, F., 214. A New Hybrid Modified Firefly Algorihm and Suppor Vecor Regression Model for Accurae Shor Term Load Forecasing. Exper Sysems wih Applicaions, 41, pp Makridakis, S. & Hibon, M. 2. The M3- Compeiion: resuls, conclusions and implicaions. Inernaional Journal of Forecasing, 16, pp Mukid, M.A., Aji, H.W. & Erfiani, 29. Kinerja Regresi Proses Gaussian Unuk Pemodelan Kalibrasi Peubah Ganda Pada Daerah Idenifikasi Spekra Infra Merah Senyawa Akif. Prosiding Seminar Nasional Saisika IX ITS. Surabaya, 7 November 29. Mulyana, E., 214. Hubungan Anara Enso dengan Variasi Curah Hujan di Indonesia. Jurnal Sains & Teknologi, 3, pp.1-4. Suprano J., 2. Saisika Teori dan Aplikasi. Jakara : Erlangga. Wu, J. & Chen, E., 21. A Novel Hybrid Paricle Swarm Opimizaion for Feaure Selecion and Kernel Opimizaion in Suppor Vecor Regression. 21 Inernaional Conference on Compuaional Inelligence and Securiy, pp Yan, X., Wu, Q., Liu, H. & Huang, W., 213. An Improved Paricle Swarm Opimizaion Algorihm and Is Applicaion. Inernaional Journal of Compuer Science Issues, 1(1), pp