Peramalan Jumlah Pengunjung Wisata Menggunakan Fuzzy Logical Relationship dan Algoritme Genetika (Studi Kasus Wisatawan Kabupaten Banyuwangi)

Transkripsi

1 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X Vol. 2, No. 3, Maret 2018, hlm Peramalan Jumlah Pengunjung Wisata Menggunakan Fuzzy Logical Relationship dan Algoritme Genetika (Studi Kasus Wisatawan Kabupaten Banyuwangi) Irma Lailatul Khoiriyah 1, Imam Cholissodin 2, Budi Darma Setiawan 3 Program Studi Teknik Informatika, 1 irma.lailatul31@gmail.com, 2 imamcs@ub.ac.id, 3 s.budidarma@ub.ac.id Abstrak Pariwisata merupakan salah satu sektor penting di Kabupaten Banyuwangi. Peningkatan jumlah wisatawan yang tidak terduga menyebabkan kesulitan bagi para pelaku pariwisata dalam memberikan pelayanan terbaiknya. Sebaliknya, jika terjadi penurunan akan menyebabkan turunnya tingkat hunian serta sektor pariwisata yang ada. Peramalan jumlah wisawatan dibutuhkan untuk mengetahui jumlah wisatawan di masa mendatang, sehingga dapat digunakan sebagai antisipasi solusi sedini mungkin ketika jumlah wisatawan melebihi atau kurang dari yang ditargetkan. Peramalan yang dilakukan pada penelitian ini menggunakan Fuzzy Logical Relationship dan Algoritme Genetika. Fuzzy Logical Relationship digunakan untuk melakukan peramalan jumlah pengunjung wisatawan berdasarkan histori data jumlah wisatawan, kemudian Algoritme Genetika digunakan untuk melakukan optimasi pembagian interval yang akan digunakan pada Fuzzy Logical Relationship. Data yang digunakan sebanyak 144 data dari bulan Januari Desember 2016, data didapatkan dari Dinas Kebudayaan dan Pariwisata Kabupaten Banyuwangi. Hasil pengujian yang dilakukan terhadap peramalan jumlah pengunjung wisata menggunakan FLR dan GA menghasilkan nilai sebesar 280x10-9 dalam fitness yang artinya selisih rata-rata antara data aktual dengan hasil peramalan sebesar dalam MSE. Kata kunci: peramalan, wisatawan, Fuzzy Logical Relationship, Algoritme Genetika, MSE. Abstract Tourism is one of the important sectors in Banyuwangi Regency. An unexpected increase in the number of tourists makes it difficult for tourism department to give their best service. On the contrary, if there is a reduction, it will cause the decrease of the occupancy rate and the tourism sector that already exist. Forecasting the number of tourists is needed to determine the number of visitors in the future, so the solution can be anticipated as early as possible when number of tourists is more or less than the targeted. Forecasting that conducted in this study was using Fuzzy Logical Relationship and Genetic Algorithm. Fuzzy Logical Relationship is used to forecast the number of tourist based on tourist data history, then Genetic Algorithm is used to perform optimization interval distribution that will be used on Fuzzy Logical Relationship. Data that were used as many as 144 historical data from January 2005 to December 2016, number of tourist data was achieved from the Department of Culture and Tourism of Banyuwangi Regency. The results of the tests that was conducted on forecasting the number of visitors using the FLR and GA equations produce 280x10-9 in fitness which means the difference between the average of actual data and the result of forecasting is in MSE. Keywords: forecasting, tourist, Fuzzy Logical Relationship, Genetic Algorithm, MSE. 1. PENDAHULUAN Pariwisata merupakan aktifitas sekumpulan orang menuju wilayah di luar lingkungan mereka, baik untuk tujuan pribadi maupun tujuan bisnis (UNWTO, 2014). Perkembangan pariwisata akan membawa perkembangan Fakultas Ilmu Komputer Universitas Brawijaya 1109 ekonomi yang positif pada negara dan secara umum memperbaiki kualitas hidup warganya (Mansor & Ishak, 2015). Salah satu Dinas yang terdapat di wilayah Banyuwangi yakni Dinas Kebudayaan dan Pariwisata (DISBUDPAR) bertidak mengelola berbagai bidang pelayanan di kabupaten Banyuwangi, salah satunya ialah bidang pariwisata.

2 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1110 Peramalan adalah perkiraan nilai yang tidak terlihat dari beberapa urutan informasi yang telah didapatkan sebelumnya (Amjad, et al., 2012). Pariwisata merupakan salah satu sektor penting di kabupaten Banyuwangi. Data dari sejumlah kunjungan wisatawan digunakan sebagai tolak ukur keberhasilan pembangunan wisata. Keberhasilan pembangunan tersebut dapat dilihat dari jumlah kedatangan wisatawan, baik domestik maupun mancanegara. Tidak hanya itu, data juga digunakan untuk memperkirakan target jumlah pengunjung pada masa mendatang, sehingga dapat dilakukan pengembangan potensi wisata. Dengan demikian data kunjungan wisatawan menjadi hal yang penting dalam pembangunan, pengelolaan dan pengembangan wisata demi meningkatkan ketertarikan serta minat pengunjung wisata. Namun, belum ada sistem yang digunakan untuk melakukan peramalan jumlah kunjungan, karena target jumlah kunjungan hanya diperkirakan menggunakan estimasi, sehingga tidak ada proses pembelajaran dari data yang ada sebelumnya. Fluktuasi tinggi rendanya jumlah kunjungan juga mempengaruhi pelayanan terhadap wisatawan. Jumlah kunjungan terbanyak sepanjang tahun sejumlah dan jumlah kunjungan terkecil sejumlah Adanya peningkatan jumlah pengunjung pariwisata yang tidak terduga menyebabkan kesulitan bagi para pelaku pariwisata dalam memberikan pelayanan terbaiknya. Sebaliknya, jika terjadi penurunan akan jumlah wisatawan, maka akan berdampak pada turunnya tingkat hunian serta sektor-sektor pariwisata yang ada. Jika terjadi dalam kurun waktu yang lama, hal ini dapat mengancam sektor perekonomian di kabupaten Banyuwangi hingga berdampak pada adanya pengangguran. Oleh karena itu, diajukan solusi untuk menangani permasalahan peramalan jumlah wisatawan berupa sistem yang dapat digunakan untuk memperkirakan jumlah wisatawan di masa yang akan datang, dengan acuan data jumlah kunjungan yang ada sebelumnya. Salah satu teknik peramalan yang dapat digunakan ialah Fuzzy time series (FTS) yang pertama kali diterapkan oleh Song dan Chissom (Song & Chissom, 1993). Metode FTS ini terbukti mampu menyelesaikan permasalahan peramalan dengan hasil yang baik. Hal tersebut di dukung oleh penelitian Anggodo dan Mahmudy (2016) yang mampu menyelesaikan permasalahan kebutuhan hidup minimum menggunakan automatic clustering dan fuzzy logical relationship dengan nilai evaluasi MSE sebesar dan 0, sebagai hasil nilai koofisien korelasi. Penelitian lain oleh Qiu et al (2015) menggunakan generalisasi metode automatic clustering dan fuzzy logical relationship dapat menyelesaikan peramalan jumlah mahasiswa universitas Alabama dengan hasil nilai kesalahan yang lebih rendah dari penelitian sebelumnya. Pada kasus serupa pengembangan metode fuzzy logical relationship dengan beberapa metode lain menghasilkan nilai kesalahan yang paling rendah dibandingkan penelitian yang ada sebelumnya yakni 84,68 menggunakan RMSE (Root Mean Square Error), sehingga dapat disimpulkan bahwa permasalahan peramalan dapat diselesaikan menggunakan metode fuzzy logical relationship yang berdiri sendiri atau dengan berbagai kombinasi metode (Cheng, et al., 2016). Berbeda dengan Chai et al (2013) melakukan optimasi pada permasalahan peramalan saham menggunakan algoritme genetika pada metode fuzzy logical relationship. Penggunaan metode ini terbukti mendapatkan hasil yang signifikan dengan nilai RMSE terkecil yakni 79,7. Selain itu optimasi yang sama juga dilakukan pada generalisasi metode fuzzy logical relationship hasil akurasi yang lebih baik dari penelitian sebelumnya sebesar 80,27 dengan RMSE (Sachdev & Sharma, 2015). Dari beberapa penelitian tersebut, penggunaan metode fuzzy logical relationship dan algoritme genetika menghasilkan akurasi yang lebih signifikan dan nilai kesalahan yang lebih rendah dibandingkan dengan metode konvensional lainnya. Berdasarkan penjabaran tersebut implementasi yang akan dilakukan pada penelitian ini menggunakan fuzzy logical relationship dan algoritme genetika (studi kasus wisatawan Banyuwangi). Metode fuzzy logical relationship digunakan untuk melakukan peramalan, dan algoritme genetika digunakan untuk melakukan optimasi parameter pada fuzzy logical relationship. 2. TINJAUAN PUSTAKA 2.1 Wisatawan Wisatawan adalah setiap orang yang mengunjungi negara diluar lingkungan tempat

3 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1111 tinggalnya, hal ini dapat di dorong oleh beberapa kepentingan tanpa ada maksud untuk mendapatkan penghasilan dari tempat yang dikunjungi tersebut. Definisi ini terdiri dari dua kategori yakni, pertama wisatawan (tourism) ialah pengunjung dengan pengertian seperti di atas dan bertempat tinggal setidaknya dua puluh empat jam, namun tidak boleh lebih dari enam bulan dengan maksud kunjungan seperti liburan atau olahraga. Kedua Pelancong (excursionist) ialah pengunjung dengan pengertian seperti di atas yang bertempat tinggal kurang dari dua puluh empat jam, yang akan disebut juga sebagai cruise passanger yaitu pengunjung yang berada di suatu negara dengan kapal atau kereta api, akan tetapi mereka tidak menginap atau bertempat tinggal di akomodasi yang tersedia di negara tersebut. (WTO,2014). 2.2 Fuzzy Logical Relationship Dalam proses peramalan menggunakan fuzzy time series, fuzzy logical relationship menjadi salah satu faktor paling kritis yang mempengaruhi keakuratan peramalan (Qiu, et al., 2015). Peramalan menggunakan model fuzzy logical relationship dilakukan langkahlangkah sebagai berikut (Cheng, et al., 2016): 1. Mendefinisikan himpunan semesta atau universe od discourse dan membagi histori dari data menjadi interval-interval serta menghitung titik tengah (midpoin) setiap interval. 2. Mengasumsikan terdapat n interval, u1, u2, u3,, u n. Kemudian membentuk himpunan fuzzy A i, dimana 1 i n, sehingga terbentuk himpunan fuzzy sebagai berikut: A 1 = 1/u /u 2 + 0/u 3 + 0/u 4 + 0/u 5 + 0/u 6 + 0/u 7 A 2 = 0.5/u 1 + 1/u 2 + 0/u 3 + 0/u 4 + 0/u 5 + 0/u 6 + 0/u A n = 0/u 1 + 0/u 2 + 0/u 3 + 0/u 4 + 0/u /u n-1 + 0/u n (1) 3. Melakukan fuzzifikasi terhadap setiap data dari histori data menjadi himpunan fuzzy. Apabila datum merupakan u i, dimana 1 i n. Maka akan dilakukan proses fuzzifikasi menjadi A i. 4. Membangun fuzzy logical relationship (FLR) berdasarkan pada hasil fuzzifikasi di langkah ke-3. Jika hasil dari fuzzifikasi tahun t dan t+1 adalah A j dan A k. Maka hasil FLR untuk setiap tahun secara berturut-turut dapat dibangun menjadi A j A k, dimana A j disebut dengan current state dan A k disebut dengan next state. Berdasarkan current state pada fuzzy logical relationship, kemudian dilakukan pembagian FLR menjadi fuzzy logical relationship group (FLRG), dimana FLR yang memiliki current state yang sama dimasukkan ke dalam FLRG yang sama. 5. Menghitung nilai peramalan berdasarkan prinsip-prinsip berikut (Chen, et al., 2009): Prinsip 1: jika hasil fuzzifikasi tahun t ialah A j dan terdapat satu fuzzy logical relationship di fuzzy logical relationship group dimana current state adalah A j, yang ditunjukkan sebagai berikut: A i A k (2) maka nilai peramalan pada tahun t+1 ialah m k, dan m k merupakan midpoin dari interval u k dan nilai maksimum dari keanggotaan himpunan fuzzy A k dari interval u k. Prinsip 2: jika fuzzifikasi pada tahun t adalah A i dan terdapat beberapa fuzzy logical relationship di fuzzy logical relationship group dimana current state adalah A j, yang ditunjukkan sebagai berikut: A j A k1 (x 1 ), A k2 (x2),., A kp (x p ) (3) maka peramalan pada tahun t+1 dihitung dengan Persamaan (4) sebagai berikut: x 1 m k1 +x 2 m k x p m kp (4) x 1+x xp dan x i merupakan nomor dari FLR A j A k di FLRG dengan, 1 i p; m k1, m k2,..., m kp merupakan titik tengah pada interval u k1, u k2,..., u kp, secara berurutan dan nilai maksimum keanggotaan pada himpunan fuzzy A k1, A k2,..., A kp dari interval u k1, u k2,..., u kp, secara berurutan. Prinsip 3: jika fuzzifikasi pada tahun t adalah A j dan terdapat satu fuzzy logical relationship di fuzzy logical relationship group dimana current state adalah A j, dengan kondisi sebagai berikut: A i # (5) dimana symbol # merupakan nilai yang tidak terdefinisi atau tidak diketahui, maka hasil peramalan pada tahun t+1 adalah m j, dan m j merupakan titik tengah pada interval u j dan nilai maksimum keanggotaan pada himpunan fuzzy A j dari interval u j. 2.3 Algoritme Genetika Algoritme genetika merupakan salah satu metode pencarian heuristik yang berdasarkan suatu proses perubahan genetika pada garis

4 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1112 evolusi. Adanya keanekaragaman pada proses biologi merupakan hasil perubahan yang terbentuk antar individu satu dengan individu lainnya. Keragaman kromosom ini dapat mempengaruhi tingkat reproduksi serta kemampuan makhluk hidup untuk tetap bertahan hidup (Kusumadei, 2003). Crossover merupakan proses pembangkitan solusi baru dalam jumlah yang banyak. Proses ini dilakukan dengan melakukan pemilihan dua induk secara acak dari suatu populasi. Terdapat berbagai variasi metode crossover yang dapat digunakan, salah satunya ialah extended intermediate crossover. Metode ini menghasilkan offspring yang memiliki nilai kombinasi dari dua induk. Sebagai contoh P 1 dan P 2 merupakan dua kromosom yang telah melalui seleksi untuk melakukan proses crossover, maka offspring C 1 dan C 2 dapat dibangkitkan seperti berikut (Muhlenbein & Schlierkamp-Voosen, 1993): C 1 = P 1 + a (P 2-P 1) (6) C 2 = P 2 + a (P 1 -P 2 ) (7) Keterangan: C 1 = hasil anak 1 C 2 = hasil anak 2 P 1 = induk 1 P 2 = induk 2 a = variabel yang dibangkitkan secara acak Seperti halnya operator crossover pada mutasi juga memiliki berbagai jenis metode, salah satunya ialah variation mutation. Mutasi ini dapat dilakukan dengan mengganti satu nilai dari gen pada kromosom. Adapun langkahlangkah variation mutation antara lain (Zhao, et al., 2015): 1. Memilih kromosom yang akan dimutasi secara acak. 2. Memilih gen dari kromosom yang juga dipilih secara acak untuk dilakukan proses mutasi. 3. Sistem mengacak nilai dengan batasan [0,1] untuk dibandingkan dengan nilai mr (mutation rate). 4. Jika nilai probabilitas yang didaatkan lebih besar dari nilai mr maka gen yang terpilih akan diganti dengan nilai lain yang dibangkitkan secara acak. 5. Jika nilai probabilitas kurang dari atau sama dengan nilai mr maka gen yang terpilih tetap menempati susunan dalam kromosom. didapatkan tidak selamanya benar karena teknik yang diterapkan belum tentu akan sesuai dengan sifat data yang digunakan. Untuk itu, adanya pengawasan peramalan dilakukan dengan membandingkan kenyataan yang ada dengan hasil peramalan. Sehingga dengan penggunaan teknik peramalan yang paling sesuai akan dapat menghasilkan penyimpangan terkecil hasil peramalan (Jumingan, 2009). Jilani et al (2007) menggunakan metode MSE (mean square error) untuk mengetahui besarnya penyimpangan pada data aktual dan data hasil peramalan. MSE (mean square error) merupakan nilai kuadrat dari nilai rata-rata kesalahan. Berikut adalah persamaan (8) yang menunjukkan cara perhitungan menggunakan MSE: MSE = i=1 n (Ai F i ) 2 n Keterangan: A i = data aktual pada data ke-i F i = nilai hasil peramalan data ke-i n = banyaknya data time series 3. METODOLOGI (8) Pada bagian ini akan menjelaskan tentang metode penelitian yang digunakan dalam peramalan jumlah pengunjung wisata kabupaten Banyuwangi menggunakan fuzzy logical relationship dan algoritme genetika. Dalam penerapannya, proses metodologi dilakukan dengan beberapa tahapan, antara lain studi literatur, pengumpulan data, analisa dan perancangan, implementasi sistem, pengujian dan kesimpulan. Gambar 1 sebagai berikut adalah tahapan-tahapan dalam penelitian yang dapat diilustrasikan dengan diagram blok metodologi penelitian. 2.4 Nilai Kesalahan Dalam teknik peramalan, hasil yang

5 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1113 Landasan kepustakaan u 4 =[183994,186778] u 9 =[ , ] u 5 =[186778,244134] Pengumpulan data jumlah pengunjung wisata Mendefinisikan universe of discource Analisis dan perancangan dengan metode fuzzy logical relationship dan algoritme genetika Implementasi Pengujian (pengujian jumlah fuzzy set, jumlah populasi, kombinasi cr & mr, jumlah generasi) Membangun fuzzy logical relationship Membangun fuzzy logical relationship group Melakukan defuzzifikasi Melakukan peramalan Menggunakan GA untuk membagi interval Inisialisasi kromosom Reproduksi dengan crossover Reproduksi dengan mutasi Kesimpulan dan saran Menghitung MSE Menghitung fitness Gambar 1. Diagram Blok Penelitian 4. PERANCANGAN Bagian ini menjalaskan tentang penyelesaian permasalahan peramalan jumlah pengunjung wisata menggunakan Fuzzy Logical Relationship dan Algoritme Genetika. Perancangan proses peramalan ditunjukkan pada Gambar 2. Langkah pertama pada implementasi ini yakni membagi himpunan semesta menjadi sejumlah interval oleh algoritme genetika, dengan nilai himpunan semesta U=[1941, ]. Pada penelitian ini digunakan sejumlah 9 fuzzy set yang berarti pada representasi kromosom digunakan sebanyan 9-1 gen atau 8 gen. Representasi kromosom agoritme genetika yang teridiri dari 8 gen titunjukkan pada Tabel 1. Gambar 2. Proses Peramalan menggunakan Fuzzy Logical Relationship dan Algoritme Genetika Untuk perhitungan nilai fitness digunakan persamaan sebagai berikut: Fitness = 1 1+MSE Keterangan: MSE = hasil perhitungan nilai kesalahan 5. IMPLEMENTASI (9) Implementasi antarmuka sistem peramalan jumlah pengunjung wisata menggunakan Fuzzy Logical Relationship dan algoritme genetika ditunjukkan pada Gambar 3. Tabel 1. Representasi kromosom 8 gen Berdasarkan hasil representasi kromosom pada Tabel 1 maka dapat dibuat pembagian interval sebagai berikut: u 1 =[1941,48547] u 6 =[244134,325005] u 2 =[48547,95339] u 7 =[325005,868951] u 3 =[95339,183994] u 8 =[868951, ] Gambar 3. Hasil impelemtasi antarmuka

6 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer PENGUJIAN Pengujian yang dilakukan pada penelitian ini terdiri dari dua macam pengujian yakni pengujian perbandingan jumlah fuzzy set untuk fuzzy logical relationship. terhadap parameter algoritme genetika. 6.1 Pengujian Jumlah fuzzy Set Berdasarkan Gambar 4, hasil pengujian dengan rata-rata fitness terbesar didapatkan pada fuzzy set sejumlah 9. Jumlah fuzzy set yang semakin banyak atau semakin sedikit belum tentu memberikan nilai fitness yang semakin baik. Hal ini dikarenakan jumlah fuzzy set mempengaruhi hasil proses pembagian interval. Sehingga akan mempengaruhi hasil akhir peramalan karena digunakan nilai titik tengah interval dan bobot pada proses peramalan. Jika fuzzy set lebih kecil dari 9 maka range interval akan terlalu besar dan data dengan selisih yang besar akan berada dalam satu interval yang sama, sehingga berdampak pada nilai fitness yang rendah dibandingkan jumlah fuzzy set 9 seperti pada grafik dengan banyak fuzzy set 7 dan 8. Sedangkan jika fuzzy set lebih besar dari 9, maka range interval akan terlalu kecil dan data dengan selisih yang kecil akan berada dalam interval yang berbeda sehingga nilai fitness yang dihasilkan lebih rendah dari fuzzy set 9 yang ditunjukkan pada grafik dengan fuzzy set Hal ini berdampak pada keberadaan data dalam interval yang memberikan hasil peramalan yang kurang optimal. Gambar 4. Hasil pengujian jumlah fuzzy set Pada pengujian ini 7 fuzzy set digunakan sebagai nilai awal karena dalam beberapa penelitian jumlah tersebut memberikan hasil kesalahan terkecil dibandingkan metode fuzzy time series lainnya. Hal ini dibuktikan dengan penelitian oleh Cheng et al (2007), Stevenson (2009) dan Cheng et al (2015). Dan seperti yang terlihat, hasil pengujian dengan mulai dari 11 fuzzy set memiliki perbedaan nilai yang tidak terlalu jauh, sehingga jumlah fuzzy set yang digunakan hanya sebanyak 16. Pada kasus tertentu, kenaikan jumlah fuzzy set dari 5 menjadi 9 akan mengakibatkan penurunan ratarata nilai kesalahan lebih dari 25% (Sah & Degtiarev, 2005). 6.2 Pengujian Jumlah Populasi Berdasarkan hasil pengujian pada Gambar 5, dapat dilihat bahwa grafik cenderung naik. Rata-rata nilai fitness terkecil didapatkan pada ukuran populasi sebanyak 50. Karena ukuran populasi masih sedikit, maka area ekplorasi menjadi sempit dan solusi yang ditemukan tidak terlalu baik. Dengan demikian, tentu akan mempengaruhi keragaman dari populasi. Sedangkan rata-rata nilai fitness terbesar didapatkan pada ukuran populasi sebanyak 300. Karena algoritme genetika menggunakan stochastic operator dengan membangkitan kromosom secara random, maka bisa jadi induk yang dibangkitkan dengan jumlah sedikit memiliki peluang dalam menghasilkan solusi yang optimal. Selain itu, operator yang bersifat probabilistik juga terdapat di beberapa proses lain seperti pemilihan induk secara acak pada proses crossover dan mutasi, pembangkitan variabel a secara acak pada proses crossover, pembangkitan variabel probabilitas baru secara random pada proses mutasi, serta pembangkitan nilai gen baru secara acak pada proses mutasi. Sehingga, offspring yang dihasilkan dari proses acak tersebut mampu memberikan hasil fitness yang lebih baik maupun lebih buruk dari induk. Ketika nilai offspring lebih baik, maka nilai dari induk tersebut akan digantikan. Dengan demikian, memberikan kemungkinan pada jumlah populasi 300 menghasilkan fitness yang lebih baik dibandingkan jumlah populasi yang lebih dari 300. Seperti yang tertera pada Grafik 6.2 hasil menunjukkan bahwa nilai yang konvergen didapatkan sejak ukuran populasi sebanyak 350. Mengingat waktu komputasi yang diperlukan berbeda namun dengan hasil yang mendekati sama maka jumlah yang digunakan pada pengujian hanya sampai 500. Ukuran populasi yang kecil, menyebabkan kandidat parent akan memiliki variasi terbatas, dan anak yang dihasilkan bisa jadi memiliki sifat yang mirip dengan nilai fitness yang hampir dekat (Mahmudy & Suprayogi, 2015). Nilai fitness pada jumlah populasi yang besar belum tentu

7 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1115 lebih baik dari jumlah populasi yang lebih kecil (Saputro, et al., 2014). keragaman populasi guna mendapatkan solusi yang optimum. Dalam menentukan kombinasi terbaik crossover rate dan mutation rate memerlukan beberapa percobaan pendahuluan dan merupakan pekerjaan yang sulit (Mahmudy, et al., 2013). Gambar 5. Hasil pengujian ukuran populasi 6.3 Pengujian kombinasi cr & mr Berdasarkan pada Gambar 6.3, hasil menunjukkan bahwa rata-rata nilai fitness terbesar didapatkan oleh kombinasi probabilitas crossover 0,8 dan probabilitas mutasi 0,2 sebagai puncak nilai terbaik. Karena nilai crossover rate lebih tinggi maka terjadi penurunan keragaman sehingga nilai offspring yang dihasilkan memiliki kemiripan yang tinggi dengan induknya. Sehingga menyebabkan kurangnya eksplorasi area lain dalam ruang pencarian. Namun karena mutation rate yang digunakan lebih rendah, maka akan terjadi ekploitasi yang tinggi dalam area pencarian dari hasil yang didapatkan. Sedangkan nilai rerata terendah didapatkan oleh kombinasi 0;1. Artinya proses reproduksi hanya mengandalkan operator mutasi dan solusi yang didapatkan terjebak dalam daerah optimum lokal. Hal ini dikarenakan crossover rate lebih rendah sehingga offspring tidak bisa belajar dari generasi sebelumnya dan ruang pencarian tidak dapat dieksploitasi secara efektif. Jika cr tinggi dan mr rendah maka GA mengalami penurunan keragaman populasi yang menyebabkan konvergensi dini sehingga kehilangan kesempatan dalam melakukan eksplorasi pada area lain di dalam ruang pencarian (Mahmudy, 2013). Dapat diperhatikan, probabilitas crossover rate 0,8 ternyata lebih besar dari mutation rate 0,2. Dengan demikian, dapat disimpulkan bahwa nilai crossover rate yang lebih besar menghasilkan solusi optimal. Namun pada kombinasi lain dengan nilai crossover rate yang lebih besar yakni 1;00, 0,9;0,1, 0,7;0,3 dan 0,6;0,4 ternyata tidak menghasilkan fitness yang lebih baik dari kombinasi 0,8;0,2. Hal ini dikarenakan kombinasi tersebut tidak lebih baik dari kombinasi 0,8;0,2 dalam menghasilkan Gambar 6. Hasil pengujian kombinasi cr & mr 6.4 Pengujian jumlah generasi Berdasarkan hasil pengujian, grafik menunjukkan bahwa dengan 10 kali percobaan hasil fitness terendah didapatkan pada jumlah generasi sebanyak 100. Pada Gambar 7 bisa terlihat grafik cenderung menghasilkan nilai fitness semakin tinggi ketika jumlah generasi semakin besar. Dengan nilai fitness tertinggi didapatkan oleh generasi sebanyak 500. Seperti yang terlihat pada grafik, hasil menunjukan nilai yang konvengen sejak generasi 600. Sehingga pada pengujian ini nilai generasi terbanyak yang digunakan hanya sampai generasi. Namun terlalu banyak jumlah generasi belum tentu membuat algoritme genetika menjadi lebih optimal, selain nilai fitness yang akan dihasilkan belum tentu bisa lebih baik dari generasi yang lebih rendah, waktu proses yang dibutuhkan pun akan lebih lama (Mahmudy & Suprayogi, 2015). Gambar 7. Hasil pengujian jumlah generasi 6.5 Analisis global Berdasarkan analisis dari keseluruhan

8 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1116 pengujian yang telah dilakukan, dapat disimpulkan bahwa permasalahan peramalan menggunakan FLRGA menghasilkan nilai terbaik sejumlah 280x10-9 dalam fitness yang artinya selisih rata-rata antara data aktual dengan hasil peramalan sebesar dalam MSE. Berdasarkan hasil pengujian dan analisis untuk parameter jumlah fuzzy set, didapatkan hasil terbaik pada fuzzy set sejumlah 9, untuk parameter ukuran populasi memberikan hasil terbaik pada ukuran sejumlah 300, untuk parameter kombinasi cr & mr memberikan hasil terbaik pada kombinasi 0,8;0,2 dan untuk parameter jumlah generasi memberikan hasil terbaik pada generasi sebanyak 500. Sedangkan dari hasil pengujian dan analisis permasalahan peramalan menggunakan pencarian brute force menghasilkan nilai terbaik sejumlah 0,21x10-9 dalam fitness yang artinya selisih rata-rata antara data aktual dengan hasil peramalan adalah dalam MSE. Pada pengujian ini digunakan nilai terbaik parameter sesuai dengan hasil pengujian yang telah dilakukan. Untuk parameter jumlah fuzzy set digunakan sejumlah 9, untuk jumlah individu yang digunakan sebanyak 300. Dalam pencarian brute force ini tidak dilakukan proses algoritme genetika. Dapat dilihat bahwa hasil data ramalan menunjukkan perbedaan yang tidak terlalu jauh dengan histori data aktual. Sedangkan hasil peramalan jumlah pengunjung wisata menggunakan pencarian brute force memberikan perbedaan hasil yang jauh lebih besar. Dapat diperhatikan juga bahwa hasil keduanya memiliki kesamaan grafik, namun memiliki ketiggian yang berbeda. Hal tersebut dikarenakan jumlah fuzzy set yang digunakan pada kedua pengujian memiliki nilai yang sama yakni sejumlah 9 fuzzy set. Dimana nilai tersebut merupakan jumlah terbaik pada pengujian jumlah fuzzy set. Dilihat dari hasil nilai terbaik keduanya, permasalahan peramalan jumlah pengunjung wisata memberikan hasil yang lebih baik ketika menggunakan FLRGA, hal ini karena dengan nilai MSE yang didapatkan lebih rendah dibandingkan dengan hasil pencarian menggunakan brute force. Grafik hasil peramalan dan tabel perbedaan menggunakan FLRGA dan pencarian brute force dapat dilihat pada Gambar 8 dan Tabel 2 sebagai berikut: Tabel 2. Perbedaan hasil FLRGA & brute force Perbedaan FLRGA Brute Force MSE Fitness 279x x10-9 Jumlah pengunjung Selisih MSE Selisih fitness 258x10-9 Selisih jumlah pengunjung Gambar 8. Grafik perbedaan hasil FLRGA dan brite force 7. KESIMPULAN Metode fuzzy logical relationship dan algoritme genetika dapat diterapkan dalam permasalahan peramalan jumlah pengunjung wisata di kabupaten Banyuwangi. Berdasarkan hasil implementasi dan pengujian didapatkan nilai parameter-parameter terbaik dengan hasil nilai fitness tertinngi. Pengujian pertama adalah pengujian jumlah fuzzy set untuk metode FLR, dengan hasil pengujian jumlah fuzzy set optimal sebanyak 9. Pengujian selanjutnya adalah parameter-parameter pada algoritme genetika yakni pengujian jumlah populasi dengan hasil terbaik sebanyak 300, pengujian kombinasi nilai cr dan mr dengan hasil terbaik berturutturut 0,8 dan 0,2, serta pengujian jumlah generasi dengan hasil terbaik sejumlah 500. Berdasarkan hasil peramalan menggunakan nilai parameter tersebut didapatkan hasil sebesar 280x10-9 dalam fitness yang artinya selisih rata-rata antara data aktual dengan hasil peramalan sebesar dalam MSE. Dalam penelitian ini tidak digunakan metode optimasi untuk menentukan jumlah fuzzy set, proses optimasi difokuskan terhadap interval. Namun digunakan pengujian untuk membandingkan hasil dari jumlah fuzzy set yang berbeda. Untuk itu, diharapkan adanya metode tertentu untuk melakukan optimasi terhadap jumlah fuzzy set agar mendapatkan

9 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1117 hasil yang lebih optimal pada penelitian selanjutnya. Berdasarkan hasil pengujian dan analisis yang dilakukan, hasil pengujian kombinasi cr & mr terjebak dalam lokal optimum yakni pada kombinasi 0;1. Hal ini dikarenakan cr lebih rendah dari mr sehingga offspring tidak bisa belajar dari generasi sebelumnya dan ruang pencarian tidak bisa dieksploitasi secara efektif. Oleh karena itu, ada penelitian selanjutnya dapat menggunakan operator crossover dan mutasi adaptif agar didapatkan hasil yang lebih baik. 8. DAFTAR PUSTAKA Amjad, U., Jilani, T. A. & Yasmeen, F., A Two Phase Algorithm for Fuzzy Time Series Forecasting using Genetic Algorithm and Particle Swarm Optimization Techniques. s.l.:international Journal of Computer Applications ( ). Anggodo, Y. P. & Mahmudy, W. F., Peramalan Butuhan Hidup Minimum Menggunakan Automatic Clustering dan Fuzzy Logical Relatioship. s.l.:jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK). Buffa, S., Elwood, Rakesh & K, S., Modern Production and Operation Management. Eight Edition ed. s.l.:john Willey and Son Inc. London. Cai, Q., Zhang, D., Wu, B. & Leung, S. C., A Novel Stock Forecasting Model Based on Fuzzy Time Series and Genetic Algorithm. s.l.:international Conference on Computer Science. Cheng, S. H., Chen, S. M. & Jian, W. S., A novel fuzzy time series forecasting method based on fuzzy logical relationships and similarity measures. s.l.:ieee International Conference on Systems, Man, and Cybernetics. Cheng, S. H., Chen, S. M. & Jian, W. S., Fuzzy time series forecasting based on fuzzy logical relationships and similarity measures ed. s.l.:information Science. Cheng, S. H., Chen, S. M. & Jian, W. S., Fuzzy time series forecasting based on fuzzy logical relationships and similarity measures. s.l.:information Sciences. Chen, S. M., Wang, N. Y. & Pan, J. S., Forecasting enrollments using automatic clustering techniques and fuzzy. s.l.:expert Systems with Applications. Huarng, K., Heuristic models of fuzzy time series for forecasting. s.l.:fuzzy Sets & Systems. Jumingan, Studi Kelayakan Bisnis-Teori dan Pembuatan Proposal Kelayakan. Jakarta: PT. Bumi Aksara. Mahmudy, W. F., Algoritma Evolusi. s.l.:program Teknologi Informasi dan Ilmu Komputer (PTIIK). Mahmudy, W. F., Marian, R. M. & Luong, L. H., Solving part type selection and loading problem in flexible manufacturing system using real coded genetic algorithms. Part I: modeling ed. s.l.:world Academy of Science, Engineering and Technology. Mahmudy, W. F. & Suprayogi, D. A., Penerapan Algoritma Genetika Travelling Salesman Problem with Time Window: Studi Kasus Rute Antar Jemput Laundry. s.l.:jurnal Buana Informatika. Mansor, K. A. & Ishak, W. I., Forecasting Tourist Arrivals to Langkawi Island Malaysia. Malaysia: Cross-Cultural Management Journal.. Qiu, W., Zang, P. & Wang, Y., Fuzzy time series forecasting model based on automatic clustering techniques and generalized fuzzy logical relationship. s.l.:hindawi Publishing Corporation Mathematical Problems in Engineering. Saayman, A. & Saayman, M., Forecasting Tourist Arrivals In South Africa. s.l.:acta Commerci. Sachdev, A. & Sharma, V., Stock Forecasting Model Based on Combined Fuzzy Time Series and Genetic Algorithm. s.l.:international Conference on Computational Intelligence and Communication Network. Sah, M. & Degtiarev, K. Y., Forecasting Enrollment Model Based on First- Order Fuzzy Time Series. Volume 1 ed. s.l.:proceedings OF WORLD ACADEMY OF SCIENCE, ENGINEERING AND TECHNOLOGY.

10 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1118 Saputro, H. A., Mahmudy, W. F. & Dewi, C., Implementasi Algoritma Genetika untuk Optimasi Lahan Pertanian. s.l.:doro: Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya. Song, Q. & Chissom, B. S., Forecasting enrollments with fuzzy time series. s.l.:fuzzy Sets and Systems. Tsaur, R. C., Yang, J. C. & Wang, W. H., Fuzzy relation analysis in fuzzy time series model. s.l.:computers and Mathematics with Applications. World Tourism Organization, Glossary of Tourism Terms. Tersedia di : < Glossary+of+terms.pdf> [Diakses pada 8 Februari 2017]. Zhao, J., Watada, J. & Matsumoto, Y., A fuzzy time-series prediction by GA based rough sets model. s.l.:ieee Conference Publication.