Prediksi Penerimaan Zakat menggunakan Metode Support Vector Regression (SVR) dengan Flower Pollination Algorithm (FPA)

Transkripsi

1 Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer e-issn: X Vol. 1, No. 7, Jun 017, hlm Predks Penermaan Zakat menggunakan Metode Support Vector Regresson (SVR) dengan Flower Pollnaton Algorthm (FPA) Tusart Handayan 1, Imam Cholssodn, Agus Wahyu Wdodo 3 Program Stud Teknk Informatka, Fakultas Ilmu Komputer, Unverstas Brawjaya Emal: @mal.ub.ac.d, mamcs@ub.ac.d, 3 a_wahyu_w@ub.ac.d Abstrak Pembayaran dan penyaluran zakat d Indonesa dkelola oleh Badan Aml Zakat, salah satunya adalah Lembaga Aml Zakat Infaq dan Shadaqah Muhammadyah (LAZISMU) Malang. Fluktuas tngg rendahnya dana zakat yang dterma oleh LAZISMU Malang mempengaruh banyaknya dana zakat yang bsa dsalurkan kepada masyarakat d seluruh wlayah Malang. Predks penermaan zakat sangat dperlukan untuk mengetahu jumlah zakat yang akan dterma, sehngga antspas solus ketka dana kurang dar target penyaluran dapat dlakukan sedn mungkn. Predks yang dlakukan pada peneltan n adalah menggunakan metode Support Vector Regresson (SVR) dengan Flower Pollnaton Algorthm (FPA). SVR dgunakan untuk melakukan predks penermaan zakat berdasarkan data hstory penermaan zakat, kemudan FPA dgunakan untuk melakukan optmas nla dar parameter yang akan dgunakan pada metode SVR. Data yang dgunakan sebanyak 64 data hstors dar bulan Jul 011 Oktober 016, data penermaan zakat dar salah satu Lembaga Aml Zakat Nasonal wlayah Malang yatu LAZISMU Malang. Hasl pengujan yang dlakukan terhadap predks penermaan zakat menggunakan SVR dengan FPA pada data penermaan zakat dar tahun 011 hngga 016 menghaslkan nla sebesar dalam ftness atau dalam MAPE yang berart rata-rata selsh antara data aktual dengan hasl predks adalah senla Rp Kata Kunc: penermaan zakat, zakat, SVR, FPA, MAPE. Abstract Payment and dstrbuton of zakat n Indonesa managed by Badan Aml Zakat, whch of one s Lembaga Aml Zakat Infaq and Shadaqah Muhammadyah (LAZISMU) Malang. Fluctuatons n the level of zakat fund receved by LAZISMU Malang affect n the amount of zakat fund that can be dstrbuted to communtes n the all of Malang regon. Zakat recepton forecastng s so needed to determned the amount of zakat receved, so that soluton antcpaton when the fund s less than the dstrbuton target can be done as early as possble. Predcton are made on ths research s usng Support Vector Regresson (SVR) wth Flower Pollnaton Algorthm (FPA) method. SVR used to make predcton of zakat receved based on hstorcal data zakat receved, and then FPA used to make optmzaton value from parameter to be used on SVR method. Data used as many as 64 hstorcal data from Jul 011 up to Oktober 016 data receved of zakat for the one of Lembaga Aml Zakat Nasonal at Malang regon that s LAZISMU Malang. The results of tests performed on the predcton zakat usng SVR wth FPA on zakat revenue data from 011 to 016 resulted value of n the ftness and n the MAPE whch means average dfference between of actual data and predct result s Rp Keywords: zakat revenue, zakat, SVR, FPA, MAPE. 1. PENDAHULUAN Pengelola zakat d Indonesa datur dalam Undang-Undang No. 38 tahun 1999 yang bers Badan Aml Zakat adalah lembaga pengelola zakat yang terdr atas masyarakat dengan tugas yatu mengumpulkan, mendstrbuskan, dan mendayagunakan serta bertanggungjawab kepada pemerntah sesua dengan tngkatnya. Salah satu Badan Aml Zakat yang ada d Kota Malang adalah Lembaga Aml Zakat Infaq dan Shadaqah Muhammadyah (LAZISMU) Malang. Fakultas Ilmu Komputer Unverstas Brawjaya 534

2 Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer 535 Fluktuas tngg rendah dana zakat yang dterma oleh lembaga LAZISMU mempengaruh jumlah dana zakat yang bsa dsalurkan kepada calon penerma zakat. Solus yang saat n dlakukan ketka jumlah yang dterma kurang dar target dstrbus kepada calon penerma zakat adalah dengan melakukan seleks ulang kepada calon penerma zakat. Predks penermaan zakat sangat dperlukan untuk mengetahu jumlah zakat yang akan dterma, sehngga antspas solus ketka dana kurang dar target penyaluran bsa dlakukan sedn mungkn. Beberapa metode yang dapat dgunakan untuk melakukan predks, sebaga contohnya adalah Support Vector Regresson (SVR) dan Artfcal Network Neural (ANN). SVR terbukt sebaga salah satu metode predks yang memberkan hasl jauh lebh bak dbandngkan dengan yang lannya. Hal n ddukung oleh peneltan yang dlakukan oleh Anandh, dkk. (013) dengan menggunakan metode SVR untuk menyelesakan kasus predks permntaan dan pasokan kayu, menghaslkan nla Mean Magntute Relatve Error (MMRE) yang cukup rendah yakn Peneltan predks waktu perjalanan dengan SVR menghaslkan nla Relatve Mean Error (RME) sebesar 3.91% (Hsn Wu, dkk., 015). SVR memlk kelemahan yatu ketdakmampuan SVR dalam menemukan kombnas koefsen parameter yang mampu memberkan hasl yang optmal, sehngga dperlukan metode optmas untuk memudahkan SVR dalam menemukan kombnas koefsen parameternya (Alfredo et al., Telkom Bandung). Metode optmas untuk mengoptmalkan hasl predks terdapat beberapa macam, sebaga contohnya: Genetc Algorthm (GA), Partcle Swarm Optmzaton (PSO), Flower Pollnaton Algorthm (FPA) dan Artfcal Bee Colony (ABC). Optmas dengan menggunakan algortma Flower Pollnaton Algorthm (FPA) terbukt mampu memberkan hasl yang lebh bak dbandngkan dengan algortma optmas yang lannya. Pernyataan n ddukung dengan peneltan yang dlakukan oleh Chroma, dkk. (016) dengan membandngkan hasl dar kasus predks konsums mnyak tanah menggunakan algortma FPA, GA, PSO, dan ABC. Dar peneltan tersebut FPA memberkan hasl yang jauh lebh bak dbandngkan yang lannya, menghaslkan nla MSE sebesar Berdasarkan penjabaran datas, mplementas predks zakat yang akan dlakukan pada peneltan n adalah menggunakan Support Vector Regresson (SVR) dengan Flower Pollnaton Algorthm (FPA). Dharapkan dengan dlakukan peneltan n bsa memberkan hasl predks untuk jangka waktu terdekat sesua dengan data uj yang dgunakan.. TINJAUAN PUSTAKA.1 Zakat Defns zakat berdasarkan Undang-Undang Pengelolaan Zakat, Zakat adalah sebagan harta yang wajb dkeluarkan oleh seorang muslm yang untuk dsalurkan kepada yang berhak menerma sesua dengan ketentuan dan syarat Islam. Zakat dbedakan atas jens yatu zakat ftrah atau nafs dan zakat maal atau zakat harta. Zakat ftrah adalah zakat yang sfatnya wajb dkeluarkan oleh muslm yang mempunya kelebhan persedaan makanan untuk dgunakan pada har raya umat Islam dengan beberapa ukuran pemberan dan beberapa aturan penerma, sedangkan zakat maal adalah kewajban zakat yang harus dkeluarkan oleh seseorang sesua dengan harta yang dmlk dengan aturan pengeluaran yang telah dtentukan dan penerma yang telah datur dalam syarat Islam (Purbasar, 015).. Support Vector Regresson (SVR) SVR merupakan pengembangan model regres dar SVM. SVR memetakan data secara non-lnear ke dmens yang lebh tngg dengan tujuan dapat menerma regres lnear. Algortma sekuensal adalah salah satu metode untuk regres non-lnear yang mampu memberkan solus optmal, teras lebh cepat, dan urutan yang lebh tepat dbandngkan dengan metode konvensonal (Vjayakumar & Wu, 1999). Berkut adalah tahapan Algortma Sekuensal untuk regres non lner: 1. Insalsas parameter yatu varabel skalar ( ), learnng rate ( ), varabel slack (C), epslon ( ) dan teras maksmum.. Insalsas dan dengan nla awal 0 untuk keduanya, dlanjutkan dengan menghtung nla Matrks Hessan. Rj ( K( x, x) ) untuk,j = 1,,l (1) 3. Lakukan teras untuk setap ttk data pelathan sesua dengan langkah a, b dan c. a. Lakukan pada setap data lath dengan persamaan berkut: l E y ( ) R () j 1 j j j Fakultas Ilmu Komputer, Unverstas Brawjaya

3 Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer 536 b. Lakukan pada setap data lath dengan persamaan berkut: mn max,, E C (3) mn max E,, C (4) c. Setelah dtemukan nla lagrange, tahap berkutnya adalah lakukan pada setap data lath persamaan 5 dan 6 (5) (6) 4. Lakukan secara berulang langkah ketga hngga mencapa teras maksmum atau max dan max 5. Dapat danggap suatu Support Vector jka syarat! 0 telah dpenuh, yang berart terjad perbedaan nla antara kedua varabel. 6. Menghtung dengan fungs regres : l f ( x) ( )( K( x, x) ) Keterangan: R j 1 (7) = matrks Hessan pada bars ke- dan kolom ke-j K( x, x) = fungs kernel yang dgunakan l E y = varabel skalar = banyak data yang dgunakan = nla error ke- = nla aktual data lath ke- j, j = nla Lagrange Multpler l = banyak data yang dgunakan δα, δα = perubahan nla α dan α Ɛ = nla epslon γ = nla learnng rate C = varabel slack.3 Flower Pollnaton Algorthm (FPA) Dalam mplementas algortma flower pollnaton dsesuakan dengan penyerbukan bunga yang sebenarnya yatu dengan konsep penyerbukan yang terdr atas dua jens: penyerbukan sendr (penyerbukan lokal) dan penyerbukan slang (penyerbukan global). Penyerbukan lokal terjad ketka penyerbukan dengan serbuk sar yang berasal dar bunga yang sama atau bunga berbeda pada satu tanaman. Penyerbukan global terjad apabla gamet serbuk sar yang dbawa oleh penyerbuk sepert serangga dapat mencapa jarak yang jauh dan bergerak dengan ksaran waktu yang lama (Chroma, dkk., 016). Drepresentaskan ke dalam persamaan 8 yang dgunakan ketka konds penyerbukan global yatu ketka nla probabltas lebh besar dar nla random dan persamaan 15 dgunakan ketka konds penyerbukan lokal yatu ketka nla probabltas lebh kecl dar nla random, sebaga berkut: x t+1 = x t + L(B x t ) (8) Berkut fungs untuk jarak penyerbukan bunga: L λγ(λ) sn(πγ ) π S = v u 1 Γ(1+β) sn(πβ σ u = { ) S 1+λ, (S S 0 > 0) (9) 1/β (10) Γ[ (1+β) β 1 ]β N(0,1) = x µ σ σ = 1 N ( N =1 (x x ) N 1 Γ(n) = 0 t x 1 e t } 1/β (11) (1) (13) (14) x t+1 = x t + ε(x j t x k t ) (15) Keterangan: t x = solus vektor pada teras t B = solus terbak saat n L = jarak penyerbukan oleh serangga Γ(λ) = fungs gamma standar λ = parameter ukuran penyerbukan γ = ukuran learnng rate untuk operas optmas dengan FPA S = symmetrc Levy stable dstrbuton u = dstrbus normal N(0,1) σ u v = dstrbus normal N(0,1) β = beta dengan nla 0 sampa dengan σ u = sgma u N = banyaknya nla yang akan dcar standard devasnya x = data berdstrbus normal ndeks ke x = rata-rata nla berdstrbus normal n = nla yang akan dhtung fungs gamma nya x = varabel peubah e =.7188 t x = solus vektor pada teras t ε = dstrbus seragam [0,1] t x k = solus vektor k pada teras t Fakultas Ilmu Komputer, Unverstas Brawjaya

4 Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer Support Vector Regresson (SVR) dan Flower Pollnaton Algorthm (FPA) Tahapan metode hybrd SVR-FPA untuk predks penermaan zakat adalah sebaga berkut: 1. Insalsas parameter dan data.. Penentuan batas nla untuk parameter yang doptmas dan nsalsas sebanyak N flower sebaga populas. 3. Menghtung nla ftness dengan pelathan SVR dan mencar x best. 4. Ulang tahap berkut hngga teras maksmal: a. Bangktkan nla random untuk tap dmens ndvdu seluruh populas. b. Jka random<p lakukan penyerbukan global, dan jka random>=p lakukan penyerbukan lokal. c. Evaluas hasl reposs penyerbukan dengan sebelum penyerbukan dan dapatkan solus terbak untuk tap ndvdu atau flower seluruh populas, dan update x best. 5. x best yang ddapatkan dar teras maksmal FPA sebaga solus terbak untuk parameter SVR yang doptmas. 6. Lakukan perhtungan SVR untuk fungs regres dan nla ftness dengan koefsen parameter dar FPA..5 Normalsas Data Normalsas data merupakan metode preprocessng yang bertujuan untuk menyamakan data agar berada pada jarak tertentu (S.Gopal, dkk., 015). Pada peneltan n menggunakan metode Mn-Max Normalzaton. Rumus normalsas dtunjukkan pada persamaan 16. ( x xmn ) x' x x (16) max mn Keterangan: x = hasl normalsas x = data yang akan d normalsas x max = nla maksmum dar keseluruhan data yang dgunakan x mn = nla mnmum dar keseluruhan data yang dgunakan Sedangkan denormalsas dgunakan untuk mengembalkan data pada besar nla yang sebenarnya, dapat dmplementaskan dengan persamaan 17. x = (x (x max x mn )) + x mn (17).6 Nla Evaluas Nla evaluas yang dgunakan pada peneltan n adalah Mean Absolute Percentage Error (MAPE) dengan tujuan mengetahu besarnya akuras dar hasl peramalan yang, ddapatkan dar selsh antara nla ramalan dan nla aktual atau error rate (Mathaba, dkk., 014). Nla ftness ddapat dar perhtungan 1/(1+MAPE), semakn besar hasl perhtungan nla ftness menunjukkan solus yang dhaslkan juga semakn bak. Perhtungan MAPE dtunjukkan dengan persamaan 18: n 1 yˆ y MAPE 100 (18) n 1 y Keterangan: = nla hasl ramalan n ŷ y = nla actual = banyaknya data yang dgunakan 3. METODOLOGI Tahapan yang dlakukan pada peneltan n dtunjukkan pada Gambar 1 berupa Dagram Alr Metodolog Peneltan. Stud Lteratur Analsa Kebutuhan Sstem Pengumpulan Data Perancangan Sstem Implementas Sstem Pengujan dan Analss Sstem Penarkan Kesmpulan Gambar 1. Dagram Alr Metodolog Peneltan 3.1. Data Peneltan Data yang dgunakan pada peneltan n adalah dengan menggunakan data hstors penermaan zakat dar lembaga pengelola zakat wlayah Malang Lembaga Aml Zakat Infaq dan Shadaqah (LAZISMU) Malang pada tap Fakultas Ilmu Komputer, Unverstas Brawjaya

5 Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer 538 perode pengumpulan yatu tap bulan dar bulan Jul 011 hngga Oktober PERANCANGAN Pada bagan perancangan dberkan penjelasan tentang penyelesaan permasalahan predks penermaan zakat menggunakan Support Vector Regresson (SVR) dengan Flower Pollnaton Algrthm (FPA). Dagram alr untuk perancangan sstem predks dengan SVR-FPA dtunjukkan pada Gambar. Tahapan awal dar mplementas SVR-FPA untuk predks penermaan zakat dmula dengan nsalsas populas awal dan perhtungan nla ftness yang dtunjukkan pada Tabel 1. Tabel 1. Insalsas Populas dan Nla Ftness Insalsas λ Ɛ CLR C ftness X flower Flower Flower Flower Flower Flower Mula Insalsas data, ItrMax,λ, Ɛ, γ, C, dan σ Normalsas data FPA Pelathan SVR Iteras maksmum Ya Testng SVR Hasl predks penermaan zakat Tdak 5. IMPLEMENTASI Implementas antarmuka yang dgunakan pada sstem predks penermaan zakat menggunakan Support Vector Regresson (SVR) dengan Flower Pollnaton Algorthm (FPA) terdr atas halaman utama dan halaman nput, sepert pada Gambar 3 dan 4. Gambar 3. Halaman Utama Sstem Gambar 4. Halaman Input Data Sstem 6. PENGUJIAN Pengujan yang dlakukan terhadap sstem terdr atas 3 macam, yatu pengujan jumlah teras SVR dan FPA, pengujan batas mnmal dan maksmal parameter SVR, serta pengujan varas data lath dan data uj. Tujuannya adalah menemukan kombnas teras, parameter, dan data yang mampu memberkan hasl predks yang optmal. Pengujan dlakukan berulang sebanyak 10 kal terhadap masng-masng nla yang dujkan. 6.1 Pengujan Jumlah Iteras SVR dan FPA Pengujan pertama yang dlakukan adalah jumlah teras SVR dan FPA dengan tujuan menemukan banyak teras SVR dan FPA yang mampu memberkan hasl predks yang optmal. Hasl pengujan jumlah teras SVR dtunjukkan pada Gambar 5 dan Gambar 6, sedangkan hasl pengujan jumlah teras FPA dtunjukkan pada Gambar 7 dan Gambar 8. Selesa Gambar. Dagram Alr SVF-FPA Fakultas Ilmu Komputer, Unverstas Brawjaya

6 Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer 539 Gambar 5. Grafk Rata-rata Ftness Pengujan Iteras SVR Gambar 6. Grafk Waktu Komputas Pengujan Iteras SVR Berdasarkan hasl pengujan banyak teras SVR, jumlah teras SVR yang memberkan hasl predks terbak adalah dengan nla ratarata ftness Dar hasl pengujan yang telah dlakukan semakn menngkat jumlah teras SVR yang dgunakan, maka rata-rata ftness yang dhaslkan juga mengalam penngkatan dtunjukkan pada Gambar 5. Hal n dkarenakan jumlah teras SVR mempengaruh tngkat press dar hasl nla SVR. Sementara tu, semakn menngkat jumlah teras SVR yang dgunakan juga akan menyebabkan terjadnya penngkatan waktu komputas yang dgunakan. Hasl pengujan jumlah teras SVR terhadap waktu komputas dtunjukkan pada Gambar 6. Gambar 7. Grafk Rata-rata Ftness Pengujan Iteras FPA Gambar 8. Grafk Waktu Komputas Pengujan Iteras FPA Berdasarkan hasl pengujan banyak teras FPA, jumlah teras terbak FPA yang memberkan hasl predks terbak adalah 50 dengan nla rata-rata ftness yatu Dar analsa hasl pengujan teras FPA terhadap ratarata ftness yang dtunjukkan pada Gambar 7 ddapatkan hasl yatu semakn besar teras FPA bukan berart semakn tngg hasl ftness yang dhaslkan karena sfat dar FPA yatu stochastc atau random, namun menyebabkan waktu komputasnya menngkat dtunjukkan pada Gambar Pengujan Batas Mnmum dan Maksmum Parameter SVR Pengujan batas mnmum dan maksmum parameter SVR bertujuan menemukan kombnas batas yang djadkan rentang nla untuk parameter SVR yang mampu memberkan hasl predks terbak. Hasl pengujan batas mnmum dan maksmum parameter Lambda dtunjukkan pada Gambar 9, parameter C pada Gambar 10, parameter CLR pada Gambar 11, dan untuk parameter Epslon pada Gambar 1 Berdasarkan hasl pengujan rentang parameter Lambda yang dtunjukkan pada Gambar 9, rentang Lambda yang terbak adalah dengan nla ftness yatu Lambda berkatan dengan augmented factor, semakn besar nla Lambda yang dgunakan maka akan memberkan hasl yang optmal. Namun, apabla nla Lambda yang dgunakan terlalu besar menyebabkan melambatnya waktu komputas dkarenakan kecepatan konvergens yang lambat dan tdak stablnya proses learnng (Vjayakumar & Wu., 1999). Fakultas Ilmu Komputer, Unverstas Brawjaya

7 Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer 540 learnng rate, semakn besar nla CLR, maka semakn cepat proses learnng yang dlakukan. Gambar 9. Pengujan Rentang Parameter Lambda Gambar 1. Pengujan Rentang Parameter Epslon Gambar 10. Pengujan Rentang Parameter C Berdasarkan pengujan batas mnmal dan maksmal parameter C yang dtunjukkan pada Gambar 10, rentang parameter C yang terbak adalah dengan nla ftness yang dhaslkan yatu Nla complexty (C) merupakan varabel yang menampung nla penalty akbat adanya pelanggaran tolerans yang berupa batas atas devas. Semakn besar nla C, maka semakn jauh dengan standar devas (Mahares., 013). Berdasarkan hasl pengujan batas mnmal dan maksmal parameter Epslon yang dtunjukkan pada Gambar 1, rentang parameter Epslon yang terbak adalah dengan nla ftness yang dhaslkan adalah Nla Epslon menunjukkan tngkat keteltan dar regres, semakn besar nla epslon maka semakn tngg tngkat keteltan regres sehngga mampu memberkan hasl yang lebh bak. 6.3 Pengujan Varas Data Lath dan Data Uj Pengujan berkutnya adalah pengujan varas data lath dan data uj untuk menemukan kombnas data yang memberkan hasl terbak. Uj coba varas data lath dan data uj dlakukan pada 3 bagan yang berbeda yatu uj coba varas data lath 18 bulan untuk melakukan predks 6 bulan dtunjukkan pada Gambar 13, uj coba varas data lath 36 bulan untuk melakukan predks 1 bulan pada Gambar 14, dan uj coba varas jumlah data lath untuk melakukan predks 6 bulan pada Gambar 15. Gambar 11. Pengujan Rentang Parameter CLR Berdasarkan hasl pengujan batas mnmal dan maksmal parameter CLR yang dtunjukkan pada Gambar 11, rentang parameter CLR yang terbak adalah dengan nla ftness yang dhaslkan adalah Konstanta Learnng Rate (CLR) sebandng dengan nla Gambar 13. Hasl Uj Coba Varas Data Lath 18 Data Uj 6 Berdasarkan hasl pengujan varas data lath dan data uj pada Gambar 13, varas data lath dan data uj yang memberkan hasl optmal adalah data bulan Februar Jul 015 yang Fakultas Ilmu Komputer, Unverstas Brawjaya

8 Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer 541 dgunakan untuk melakukan predks penermaan zakat pada bulan Agustus 015 Januar 016. Hal n dkarenakan data pada bulan tersebut cenderung stabl dbandng yang lannya. Gambar 14. Hasl Uj Coba Varas Data Lath 36 Bulan dan Data Uj 1 Bulan Berdasarkan grafk hasl uj coba varas data lath dan data uj pada Gambar 14, dapat dlhat bahwa kombnas data yang menghaslkan nla rata-rata ftness terbak adalah dengan data lath bulan Januar 01 Desember 014 untuk melakukan predks penermaan zakat pada bulan Januar 015 Desember 015, n dkarenakan pelathan data untuk beberapa pengujan yang sebelumnya dlakukan adalah dengan menggunakan kombnas data tersebut, sehngga pola data sudah dkenal dengan bak beserta nla untuk masng-masng parameter yang dgunakan pada pengujan saat n. Gambar 15. Hasl Uj Coba Varas Jumlah Data Lath Sedangkan berdasarkan grafk hasl uj coba varas data lath dan data uj pada Gambar 15 penggunaan data lath sebanyak 36 bulan memberkan hasl yang palng bak, dengan bulan Januar 01 Desember 014 sebaga data lath dan Januar 015 Desember 015 sebaga data uj. Dar Gambar 15 dapat dtark kesmpulan bahwa semakn banyak jumlah data lath yang dgunakan, tdak menjamn bahwa nla ftness yang dhaslkan juga akan mengalam penngkatan. 6.4 Analss Global Hasl Pengujan Berdasarkan analss dar keseluruhan pengujan yang telah dlakukan terhadap sstem, dapat dsmpulkan bahwa jumlah teras yang memberkan hasl terbak pada pengujan kal n untuk SVR adalah sejumlah dan untuk FPA adalah 50 dengan nla ftness yang dhaslkan adalah atau MAPE Batas mnmum dan maksmum untuk parameter lambda yang memberkan hasl ftness terbak pada rentang , untuk batas mnmum dan maksmum dar parameter C memberkan hasl terbak pada rentang , untuk parameter CLR memberkan hasl terbak pada rentang , untuk parameter Epslon memberkan hasl terbak pada rentang Sedangkan dar hasl pengujan varas data lath yang dlakukan pada pengujan kal n terhadap 18 bulan data lath dan 6 bulan data uj dhaslkan yang terbak adalah kombnas bulan Februar 014 Jul 015 sebaga data lath dan bulan Agustus 015 Januar 016 sebaga data uj, untuk pengujan terhadap 36 bulan data lath dan 1 bulan data uj kombnas terbak dhaslkan pada bulan Januar 01 Desember 014 sebaga data lath dan Januar 015 Desember 015 sebaga data uj. Jumlah data lath yang memberkan hasl terbak adalaha 36 bulan. Sesua dengan analss hasl dan pengujan yang telah dlakukan, untuk pengujan jumlah teras SVR dan FPA dberkan waktu komputas. Hal n dkarenakan jumlah teras SVR dan FPA yang dgunakan pada saat pengujan sangat berpengaruh terhadap kecepatan komputas untuk memberkan hasl predks zakat. Waktu komputas yang dgunakan untuk melakukan predks penermaan zakat dengan 50 teras FPA sudah cukup lama yatu 33 s. Mengngat waktu komputas yang dperlukan sudah cukup lama, maka pada pengujan tersebut hanya menggunakan teras SVR sebesar dengan tujuan untuk menghemat waktu komputas yang dgunakan. Detal hasl predks penermaan zakat dengan 50 teras FPA dapat dlhat pada Gambar 16. Grafk pada Gambar 17 menunjukkan hasl predks penermaan zakat dengan menggunakan teras SVR sebanyak Berdasarkan Gambar 17 hasl predks penermaan zakat dengan teras SVR menghaslkan ftness yang lebh bak dar hasl predks pada Gambar 16 yatu sebesar Fakultas Ilmu Komputer, Unverstas Brawjaya

9 Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer 54 sedangkan untuk nla ftness dengan 50 teras FPA hanya Hal n dkarenakan pada pengujan 50 teras FPA hanya menggunakan teras SVR sebesar 10000, sehngga haslnya kurang optmal. Dar hasl analss tersebut sebaknya teras SVR yang dgunakan adalah untuk mendapatkan hasl yang lebh optmal, namun dengan konsekuens yatu waktu komputas yang lama untuk mendapatkan hasl predks penermaan zakat. Detal hasl penermaan zakat dengan menggunakan teras SVR dapat dlhat pada Gambar 17. Gambar 16. Hasl Predks Pengujan Iteras 50 FPA Gambar 17. Hasl Predks Pengujan SVR 7. KESIMPULAN DAN SARAN Flower Pollnaton Algorthm (FPA) dapat dmplementaskan pada kasus predks penermaan zakat menggunakan Support Vector Regresson (SVR) untuk menemukan koefsen terbak dar parameter SVR yang doptmas. Pada peneltan n terdapat empat parameter dar SVR yang doptmas dengan FPA yatu nla lambda (λ), nla komplekstas (Ϲ), nla konstanta learnng rate (CLR), dan nla epslon (ε). Dengan batas rentang untuk masng-masng parameter berbeda yatu [ , 0.001] untuk lambda, [0.001, 1000] untuk C, [0.0001, 0.01] untuk CLR, dan [ , ] untuk epslon. Sedangkan error yang dhaslkan pada peneltan n sudah cukup kecl dan bak untuk menghaslkan predks penermaan zakat, dtunjukkan dengan nla dalam ftness atau dalam MAPE yang berart rata-rata selsh antara data aktual dengan hasl predks adalah Rp , dengan menggunakan teras SVR 10000, dan teras FPA 50. Peneltan selanjutnya yang bsa dlakukan adalah mplementas SVR dan FPA dengan menambahkan jumlah teras SVR dengan menggunakan pemrosesan paralel yang dgunakan untuk melakukan uj coba parameter dan data agar mampu menghaslkan predks dengan nla error yang cukup kecl dan waktu komputas yang dperlukan juga semakn cepat. Selan tu pada peneltan berkutnya bsa melakukan optmas parameter SVR yang belum doptmas pada peneltan saat n. Adapun parameter yang belum dlakukan optmas nlanya pada peneltan n adalah nla sgma (σ). Dengan tujuan mendapatkan nla yang optmal untuk setap parameter SVR, sehngga dapat memberkan hasl predks yang lebh bak. DAFTAR PUSTAKA Abdelazz, A., Al, E. & Elazm, S. A., 016. Optmal Szng and Locatons of Capactors n Radals Dstrbuton System Va Flower Pollnaton Optmzaton Algorthm and Power Loss Index. Engneerng Scence and Technology an Internatonal Journal, Volume 19, pp Abdel-Baset, M. & Hezam, I. M., 015. An Improved Flower Pollnaton Algorthm for Ratos Optmzaton Problems. Appled Mathematcs & Informaton Scences Letters an Internatonal Journal, Volume 3, pp Abdel-Raouf, O., Abdel-Baset, M. & Elhenawy, 014. A New Hybrd Flower Pollnaton Algorthm for Solvng Constraned Global Optmzaton Problems. Internatonal Journal of Fakultas Ilmu Komputer, Unverstas Brawjaya

10 Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer 543 Appled Operatonal Research, 4(), pp Agrest, A., Categorcal Data Analyss. nd penyunt. Genesvlle, Florda: Wley Interscence. Alfredo, Jondr & RIsmala, R., t.thn. Predks Harga Saham menggunakan Support Vector Regresson dan Frefly Algorthm. Departemen Informatka, Unverstas Telkom. Anandh, V. & Chezan, D. R. M., 013. Support Vector Regresson n Forecastng. Internatonal Journal of Advanced Research n Computer and Communcaton Engneerng, (10), pp Anon., 013. Dstrbus Normal. [Onlne] Avalable at: 7/rumus-dstrbus-normal-dstrbusgauss.html [Dakses 9 November 016]. B, L., Tsmhon, O. & Lu, Y., 011. Usng the Support Vector Regresson Approach to Model Human Performance. IEEE Transactons on System, Man, and Cybernetcs- Part A : System and Human, 41(3), pp Chroma, H. et al., 016. A New Approach for Forecastng OPEC Potrelum Consumpton based on Neural Network Tran by usng FLower Pollnaton Algorthm. Appled Soft Computng, Volume 48, pp Clavera, O., Monte, E. & Torra, S., 015. Regonal Forecastng wth Support Vector Regresson: The Case of Span. Research Insttute of Appled Economcs, Volume 7. Hoang, N.-D., Bu, D. T. & Kuo-We, L., 016. Groutablty Estmaton of Groutng Processes wth Cements Grouts usng Dfferental FLower Pollnaton Optmzed Support Vector Regresson. Appled Soft Computng, Volume 45, pp Lukask, S. & Kowalsk, P. A., t.thn. Study of Flower Pollnaton for Contnuous Optmzaton. System Research Insttute, Polsh Academy of Scence. Madura, J., 011. Internatonal Fnance Management. Pardede, C., t.thn. Kalkulus 4. Dalam: S. T. MESIN, penyunt. Kalkulus. s.l.:unverstas Gunadarma. Patro, S. & Sahu, K., t.thn. Normalzaton: A Preprocessong Stage. Inda: Department of SCE&IT, VSSUT, Burla. Pebranta, 013. Pengaruh Zakat yang dkelola Bazda terhadap Pengentasan Kemsknan d Kota Padang. Skrps S1 Ilmu Ekonom, Fakultas Ekonom. Preasad, R., Veera, R. & T., G. M., 016. Applcaton of Flower Pollnaton Algorthm for Optmal Placement and Szng of Dstrbuted Generaton n Dstrbuton System. Journal of Electrcal System and Informaton Technology, pp Rajkumar, N. & Jaganathan, P., 013. A New RBF Kernel Based Learnng Method Appled to Multclass Dermatology Dseases Classfcaton. Proceedng of 013 IEEE COnference of Informaton and Communcaton Technologes (ICT 013). Ren, Y. & Ba, G., 010. Determnaton of Optmal SVM Parameters by Usng GA/PSO. Journal of Computers, 5(8). RI, U.-u., Pengelolaan Zakat. [Onlne] Avalable at: www/bpkp.go.d /u/fledownload//1/1997.bpkp [Dakses 9 Agustus 016]. Sedgewck, R. & Wayne, K., 014. Introducton Programmng n Java An Interdscplne Approach: Scentfc Computaton. s.l.:unverstas Prceton. Sh, K. et al., 015. Support Vector Regresson Based Indoor Locaton n IEEE Envronments. Hndaw Publshng Corporaton Mobla Informaton System, Volume 015, pp Sradj, M., 014. Jalan Panjang Legslas Syarat Zakat d Indonesa: Stud terhadap Undang-Undang Nomor 3 tahun 011 tentang Pengelolaan Zakat. Jurnal Bmnas Islam, 7(3), pp Vjayakumar, S. & Wu, S., Sequental Support Vector Classfer and Regresson. Internatonal Conferences Fakultas Ilmu Komputer, Unverstas Brawjaya

11 Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer 544 on Soft Computng, pp Wu, C.-H., Ho, J.-M. & Lee, D., 004. Travel- Tme Predcton Wth Support Vector Regresson. IEEE Transactons on Intellgent Transportaton System, 5(4), pp Fakultas Ilmu Komputer, Unverstas Brawjaya