Peramalan Jumlah Pemakaian Air di PT. Pembangkitan Jawa Bali Unit Pembangkit Gresik Menggunakan Support Vector Regression

Transkripsi

1 Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer e-issn: X Vol., No. 10, Oktober 018, hlm Peramalan Jumlah Pemakaan Ar d PT. Pembangktan Jawa Bal Unt Pembangkt Gresk Menggunakan Support Vector Regresson Nov Nur Putrwjaya 1, Wayan Frdaus Mahmudy Program Stud Teknk Informatka, Fakultas Ilmu Komputer, Unverstas Brawjaya Emal: 1 novnputrw@gmal.com, wayanfm@ub.ac.d Abstrak Terdapat beberapa macam sumber daya yang serng dalam kegatan sehar-har manusa, salah satunya adalah ar. PT. PJB UP Gresk memanfaatkan ar sebaga katals dalam memproduks lstrk dan kebutuhan operasonal lannya. Hal n menyebabkan berkurangnya kuanttas ar secara besar, sehngga memungknkan kurangnya persedaan ar d PT. PJB UP Gresk. Untuk mengantspas permasalahan tersebut, maka dbutuhkan suatu peramalan terhadap jumlah pemakaan ar. Support Vector Regresson (SVR) dgunakan untuk melakukan peramalan terhadap jumlah pemakaan ar. Data yang dgunakan dambl dar rwayat pemakaan ar selama 7 bulan. Data uj yang dgunakan sebanyak 49, yang dambl secara acak dar keseluruhan data. Untuk mengetahu parameter terbak dalam membentuk model regres, maka dlakukan pengujan dengan menghtung nla Mean Average Percentage Error (MAPE). Dar hasl pengujan yang telah dlakukan, parameter optmal yang dperoleh yatu jumlah data lath sebanyak 110 dengan rata-rata nla MAPE 6.104, banyaknya teras 650 dengan rata-rata nla MAPE 0., nla parameter lambda senla 6 dengan rata-rata nla MAPE , nla parameter epslon senla dengan rata-rata nla MAPE , nla parameter clr senla dengan rata-rata nla MAPE , nla parameter C senla dengan rata-rata nla MAPE 0.018, dan nla parameter sgma senla 0.75 dengan rata-rata nla MAPE Hasl akhr akuras dar peramalan yang dlakukan menggunakan MAPE menghaslkan rata-rata nla MAPE yang termasuk pada kategor bak. Kata kunc: pemakaan ar, peramalan, regres, support vector regresson, tme-seres Abstract There are several knds of resources that are often used n daly actvtes, one of whch s water. PT. PJB UP Gresk utlzes water as a catalyst n producng electrcty and other operatonal needs. Ths leads to a large reducton n the quantty of water, thus allowng a lack of water supply n PT.PJB UP Gresk. To antcpate the problem, t s necessary to forecast the amount of water usage. Support Vector Regresson (SVR) s used to forecast the amount of water usage. The data used s taken from hstory of water usage for 7 months. Testng data used s 49, whch s taken randomly from the whole data. To determne the best parameters n formng regresson model, testng wll be done by calculatng Mean Average Percentage Error (MAPE). From the testng results that have been done, the optmal parameters obtaned are the amount of tranng data s 110 wth average MAPE value 6.104, number of teratons s 650 wth average MAPE value 0., value of lambda s 6 wth average MAPE value , value of epslon s wth average MAPE value , value of clr s wth average MAPE value , value of C s wth average MAPE value 0.018, and value of sgma s 0.75 wth average MAPE value The fnal result accuracy of forecastng conducted usng MAPE wth average MAPE value that s ncluded n the good category. Keywords: water usage, forecastng, regresson, support vector regresson, tme-seres 1. PENDAHULUAN Ar berperan sangat pentng bag manusa dalam melakukan kegatan sehar-har. Pada umumnya, kebutuhan ar dgunakan untuk perumahan, pertanan, naga, ndustr, dan lngkungan. Kebutuhan ar pada bdang ndustr dgunakan untuk keperluan dalam mendngnkan mesn, proses dan operas pabrk, pembangktan Fakultas Ilmu Komputer Unverstas Brawjaya 3788

2 Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer 3789 lstrk, pemadaman ap, dan sebaganya (Worthngton, 010). Kebutuhan ar d bdang ndustr tentunya mempunya peran yang sangat pentng untuk berjalannya proses d dalam ndustr tersebut. PT. Pembangktan Jawa Bal Unt Pembangkt Gresk (PT. PJB UP Gresk) merupakan salah satu ndustr pembangkt lstrk yang menggunakan ar sebaga katals dalam memproduks lstrk. Selan tu, ar pada PT. PJB UP Gresk juga dgunakan untuk kebutuhan operasonal sepert ar d masjd, tolet, taman, dan sebaganya. Adanya pemakaan ar dalam kuanttas besar merupakan penyebab jumlah ketersedaan ar yang ada pada tangk penympanan mengalam pengurangan dengan sangat cepat. Selan tu, terjadnya kebocoran ppa pada bagan mesn produks juga dapat menyebabkan perusahaan mengalam kekurangan ar. Untuk mengs ulang tangk penympanan ar tentunya membutuhkan waktu yang lama karena kecepatan ar yang dskan ke dalam setap tangk penympanan berbeda-beda. Terdapat berbaga macam teknk perhtungan yang dapat dgunakan untuk melakukan peramalan, salah satunya adalah Support Vector Machne (SVM). Du, et al. (013) menggunakan algortma SVM untuk peramalan permntaan hasl produks pertanan yang tdak tahan lama. Hampr semua jens hasl produks pertanan yang tdak tahan lama, sepert telur, susu, dan dagng memlk waktu penympanan yang sangat pendek serta mudah membusuk. Oleh karena tu, peramalan n sangat dbutuhkan oleh penyeda dan penjual untuk memperkrakan permntaan atas hasl produks agar dapat mengendalkan baya penympanan. Namun beberapa varabel sepert pergantan klm, kebutuhan pelanggan, dan sebaganya, danggap sangat kompleks dan mudah bergant, sehngga menyebabkan terjadnya error pada hasl peramalan. SVM mengmplementaskan prnsp memnmalkan rsko struktural sehngga dapat memnmalkan batas atas penyamarataan error. SVM juga dapat mengatas permasalahan over-fttng dan dapat mencapa penyamarataan hasl yang tngg dalam menyelesakan masalah peramalan. Selan tu, solus yang dhaslkan oleh SVM nantnya bersfat unk dan optmal (Du, et al., 013). Namun, SVM mempunya kelemahan yatu kurangnya transparans dalam hasl. Karena mempunya dmens yang sangat tngg, SVM mungkn tdak dapat menamplkan nla sebaga fungs parameter (Karamzadeh, et al., 014). Pada peneltan yang lan, Yu, et al., (013) melakukan peramalan hasl penjualan surat kabar atau majalah dengan menggunakan algortma Support Vector Regresson (SVR). Peramalan n sangat pentng dlakukan oleh penerbt dalam mempersapkan rencana pencetakan dan pendstrbusan. Jumlah dar penjualan produk tersebut dasumskan lnear terhadap varabel-varabel yang relevan, msalkan demografs pelanggan atau jens toko yang dgunakan. Namun, asums sepert n kurang tepat karena terdapat relas non lnear antara varabel penjelas dengan penjualan produk, sehngga algortma SVR dgunakan untuk mengatas permasalahan tersebut. Algortma SVR n memlk keunggulan terhadap pemodelan relas non lnear. Selan tu, SVR telah dketahu dapat memnmalkan rsko struktural untuk mendapatkan kesembangan antara komplekstas model dan akuras predks dar model terhadap data lath (Yu, et al., 013). Algortma SVR memlk kelebhan dbandngkan dengan metode yang lan. Kelebhan tersebut adalah kemampuan algortma SVR untuk menangkap relas non lnear dalam ruang ftur, yang sangat efektf dalam proses melakukan analss regres (Qu & Zhang, 016). Berdasarkan referens peneltan yang telah dlakukan oleh beberapa penelt sebelumnya, algortma SVR dapat dgunakan untuk melakukan peramalan jumlah pemakaan ar d PT. PJB UP Gresk. Data rwayat penggunaan ar setap harnya dapat dgunakan untuk mendapatkan perkraan jumlah pemakaan ar pada keesokan harnya. Dar hasl peramalan yang ddapatkan, kemungknan terjadnya kekurangan ar akan dapat dmnmalkan sehngga dapat membantu menngkatkan jasa layanan yang ada pada PT. PJB UP Gresk.. METODE PENELITIAN Support Vector Regresson (SVR) merupakan algortma tngkat lanjut dar Support Vector Machne (SVM) dalam pembahasan tentang regres. SVM adalah sebuah learnng machne yang mengmplementaskan tentang bagamana memnmalkan rsko struktural untuk mendapatkan generalsas yang tepat pada jumlah yang terbatas pada learnng pattern. SVM dapat menggeneralsaskan struktur data Fakultas Ilmu Komputer, Unverstas Brawjaya

3 Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer 3790 yang samar hanya dengan beberapa support vector (Basak, et al., 007). Msalkan terdapat data lath {(x 1, y 1), (x, y ),..., (x m, y m)} XR, dengan X menyatakan ruang nput patterns (sepert X = R d ). Tujuan dar -SV regres adalah menemukan fungs f(x) yang palng banyak devas dar target yang ddapat sebenarnya y untuk semua data lath, dan pada saat yang sama dengan sedatar mungkn. Dalam kata lan, tdak perlu untuk memperhatkan error yang bernla kurang dar, namun tdak akan menerma devas lebh dar nla n (Scholkopf & Smola, 004). Fungs regres f(x) dnyatakan dalam bentuk persamaan umum yang dtunjukkan pada Persamaan 1, dmana f(x) adalah nla predks, b adalah nla bas, w adalah bobot, x adalah data, dan adalah dot product d dalam X. f ( x) w x b dengan w X, b R (1) Pada Persamaan 1, kedataran fungs dcar dengan memnmalkan nla w, yatu dengan memnmalkan bentuk Eucldean sepert yang dtunjukkan pada Persamaan, dmana adalah nla devas. 1 Mnmze w () y w, x b Subject to w, x b y Asums pada Persamaan adalah fungs f benar-benar ada yang mendekat semua pasangan (x, y ) dengan press, atau semua ttk berada dalam rentang f(x). Pada kenyataannya, ada beberapa ttk yang mungkn berada d luar area f(x) sehngga perlu dtambahkan varabel slack, sebaga batasan baru untuk mengatas kendala-kendala yang terdapat pada Persamaan. Dengan demkan, kedataran fungs dapat dcar dengan menggunakan Persamaan 3. Mnmze Subject to 1 w C l 1 y w, x b w, x b y, 0 (3) Konstanta C > 0 merupakan harga batas tolerans antara kedataran fungs f dengan jumlah devas yang nlanya melebh dar nla yang dtolerans. Sepert yang dsebut dengan -nsenstve loss functon yang dnyatakan dalam Persamaan 4. : 0 jka (4) lannya Setap nla kesalahan yang melebh dar nla akan dkenakan penalt sebesar C. Nla C merupakan konstanta yang dgunakan untuk menentukan penukaran kedataran fungs dengan error pada saat proses learnng. Terdapat beberapa macam jens kernel yang dapat dgunakan d dalam SVR. Pada peneltan n kernel yang dgunakan adalah kernel Radal Basc Functon (RBF). Langkah-langkah algortma sequental learnng untuk melakukan perhtungan fungs pada SVR adalah sebaga berkut: 1. Melakukan nsalsas pada nla dan dengan memberkan nla 0. Kemudan, menghtung matrks hessan menggunakan Persamaan 5, dmana Rj adalah matrks hessan dengan bars kolom j, adalah augmentng factor, dan l adalah banyaknya data lath yang dgunakan. R j K x, x (5) j. Untuk setap data lath, j = 1,,, l, lakukan langkah-langkah berkut:.1 Menghtung nla error menggunakan Persamaan 6, dmana E adalah nla error ke-, y adalah nla aktual dar data lath, dan dan adalah nla Lagrange Multpler. E y l j j j1 R (6). Melakukan perhtungan terhadap dan menggunakan Persamaan 7 dan 8, dengan dan adalah varabel tunggal yang merupakan perubahan nla dan, adalah nla epslon, C adalah nla komplekstas, dan adalah nla learnng rate., mn max E, j, C mn max E, C (7) (8) Nla learnng rate dperoleh dar Persamaan 9. γ = konstanta learnng rate max(dagonal matrks R j ) (9) Fakultas Ilmu Komputer, Unverstas Brawjaya

4 Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer Mengubah nla dan menggunakan Persamaan 10 dan 11. (10) (11) 3. Apabla proses sudah mencapa pada jumlah teras yang sudah dtentukan atau sudah memenuh nla max dan max, maka algortma selesa. Jka belum memenuh syarat-syarat tersebut, maka ulang kembal mula dar langkah kedua. 4. Lakukan pengujan dengan menggunakan fungs regres sepert pada Persamaan 1. f 5. Selesa. l x K x x 1 3. PERANCANGAN, (1) Data yang dgunakan adalah data jumlah pemakaan ar PLTGU d PT. PJB UP Gresk pada perode Januar 017 sampa dengan Jul 017, serta nformas jens pemakaan ar yang dlakukan. Data jumlah pemakaan ar bersfat tme seres dan dcatat secara haran sebanyak empat kal, yatu pada pukul 00.00, 06.00, 14.00, dan Pada peramalan jumlah pemakaan ar dengan menggunakan SVR, peramalan dlakukan dengan membentuk model regres, yang selanjutnya dlakukan pengujan. Pengujan dlakukan dengan menggunakan tngkat error. Tngkat error tersebut menyatakan akuras dar model yang telah dbangun dengan bertujuan untuk menghaslkan nla error yang serendah mungkn sehngga hasl peramalan yang ddapatkan memlk akuras yang bak. Sebelum memula proses peramalan, perlu adanya tahap untuk menentukan nla awal dar setap parameter yang dgunakan serta memasukkan data yang akan dgunakan. Langkah berkutnya adalah melakukan normalsas terhadap data, kemudan dlanjutkan dengan proses perhtungan dengan algortma SVR sesua dengan parameter yang telah ddefnskan d langkah awal dan data yang sudah ternormalsas. Proses peramalan n dgambarkan dalam bentuk dagram alr yang dtunjukkan pada Gambar 1. Mula Insalsas data, max teras,,,, C, dan clr Normalsas Data Sequental Learnng Pengujan Model Regres Nla peramalan jumlah pemakaan ar dan error rate Selesa Gambar 1. Dagram Alr Proses Peramalan dengan SVR 4. PENGUJIAN DAN ANALISIS Pengujan n menggunakan data sebanyak 09 rwayat pemakaan ar dengan rncan jumlah pemakaan ar pada tga har sebelumnya dengan jumlah pemakaan ar pada har tersebut. Pada setap pengujan yang dlakukan, akan dbandngkan nla kesalahan yang terkecl sehngga dapat dketahu nla yang terbak pada setap parameter. Dar nla-nla tersebut dapat dgunakan untuk menyelesakan permasalahan peramalan jumlah pemakaan ar n Hasl dan Analss Uj Coba Varas Jumlah Data Lath Uj coba varas jumlah data lath dlakukan untuk mendapatkan jumlah data lath yang memberkan hasl solus terbak. Pengujan dlakukan dengan menggunakan varas jumlah data lath kelpatan 10 mula dar 50 sampa dengan 160, sedangkan jumlah data uj yang dgunakan bernla sama yatu 49 yang dambl secara acak. Pada pengujan n, teras yang dgunakan sebanyak 500 kal dengan nla parameter lambda = 15, epslon =, clr = , C = , dan sgma = 0.5. Hasl pengujan dtunjukkan pada Gambar. Fakultas Ilmu Komputer, Unverstas Brawjaya

5 Nla MAPE Nla MAPE Nla MAPE Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer Gambar. Grafk Hasl Uj Coba Varas Jumlah Data Lath Gambar menunjukkan bahwa semakn banyak jumlah data lath yang dgunakan, maka nla MAPE pada data uj yang dhaslkan cenderung menurun. Hal tersebut dkarenakan d dalam SVR terdapat proses sequental learnng yang membutuhkan banyak data lath agar dapat memodelkan regres peramalannya dengan bak untuk meramalkan data uj (Rusmalawat, et al., 018). Pada grafk tersebut dapat dlhat nla MAPE dar data lath sebanyak 50 menuju data lath sebanyak 110 mengalam penurunan dengan perbedaan yang cukup sgnfkan, namun dar data lath sebanyak 110 hngga 160 rata-rata nla MAPE yang dhaslkan cenderung konstan. Hal n menunjukkan bahwa data lath sebanyak 110 adalah jumlah data lath yang terbak. 4.. Hasl dan Analss Uj Coba Banyaknya Iteras Uj coba banyaknya teras dlakukan untuk mendapatkan jumlah teras yang memberkan hasl solus terbak. Pengujan dlakukan dengan menggunakan jumlah teras kelpatan 50 mula dar 50 sampa dengan 700. Pada pengujan n, jumlah data lath yang dgunakan sebanyak 110 dengan nla parameter sgma = 0.5, epslon = , clr = , C = , dan lambda = 15. Hasl pengujan dtunjukkan pada Gambar Uj Coba Varas Jumlah Data Lath Jumlah Data Lath Uj Coba Banyaknya Iteras Banyaknya Iteras Gambar 3. Grafk Hasl Uj Coba Banyaknya Iteras Gambar 3 menunjukkan bahwa rata-rata nla MAPE yang terendah sebesar 0. yatu ketka dlakukan teras sebanyak 650 kal. Hasl uj coba teras ke-50 hngga teras ke-650 cenderung terjad penurunan nla MAPE. Hal n dkarenakan semakn banyak teras yang dlakukan maka semakn lama proses pelathan yang dlakukan pada model regres. Pada uj coba n, banyak teras yang dplh ada sebesar Hasl dan Analss Uj Coba Nla Parameter Lambda Uj coba nla parameter lambda dlakukan untuk mendapatkan nla parameter lambda yang memberkan hasl solus terbak. Pengujan dlakukan dengan menggunakan nla parameter lambda mula dar 1 sampa dengan 10. Pada pengujan n, jumlah data lath yang dgunakan sebanyak 110 dengan melakukan teras sebanyak 650 dan nla parameter epslon = , clr = , C = , dan sgma = 0.5. Hasl pengujan dtunjukkan pada Gambar Uj Coba Nla Parameter Lambda Nla Parameter Lambda Gambar 4. Grafk Hasl Uj Coba Nla Parameter Lambda Gambar 4 menunjukkan bahwa semakn kecl besar lambda maka semakn besar nla MAPE yang dhaslkan. Namun apabla nla lambda terlalu besar, maka proses komputas yang terjad dalam pembuatan matrks hessan menjad semakn lama (Rusmalawat, et al., 018). Dar uj coba dengan nla lambda sebesar 1 hngga nla lambda sebesar 6 terjad penurunan nla MAPE yang sgnfkan. Namun nla MAPE cenderung stabl mula dar nla lambda bernla 6 dan seterusnya. Hal n menunjukkan bahwa nla lambda yang dapat menghaslkan nla dengan nla MAPE terkecl yatu pada nla Hasl dan Analss Uj Coba Nla Parameter Epslon Uj coba nla parameter epslon dlakukan untuk mendapatkan nla parameter epslon yang memberkan hasl solus terbak. Pengujan dlakukan dengan nla parameter epslon dengan Fakultas Ilmu Komputer, Unverstas Brawjaya

6 0, ,0000 0, , , , , , , ,0001 0,000 0,0003 Nla MAPE Nla MAPE Nla MAPE Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer 3793 kelpatan 10-1 mula dar sampa dengan 1. Pada pengujan n, jumlah data lath yang dgunakan sebanyak 110 dengan melakukan teras sebanyak 650 dan nla parameter lambda = 6, clr = , C = , dan sgma = 0.5. Hasl pengujan dtunjukkan pada Gambar Uj Coba Nla Parameter Epslon Nla Parameter Epslon Gambar 5. Grafk Hasl Uj Coba Nla Parameter Epslon Gambar 5 menunjukkan bahwa semakn besar nla dar parameter epslon yang dgunakan maka semakn tngg nla MAPE yang dhaslkan. Dar uj coba dengan menggunakan nla parameter epslon sebesar hngga nla MAPE yang dhaslkan cenderung konstan, dan terjad kenakan nla MAPE dmula dar 0.01 hngga seterusnya. Nla parameter epslon dgunakan untuk batasan pada kesalahan yang dtolerans, sehngga semakn kecl nla parameter epslon maka semakn tepat model yang ddapatkan (Cha, 011). Namun semakn kecl nla epslon yang dgunakan, dapat menyebabkan waktu komputas yang lebh besar. Pada uj coba n, nla parameter epslon yang dplh adalah sebesar Hasl dan Analss Uj Coba Nla Parameter clr Uj coba nla parameter clr dlakukan untuk mendapatkan nla parameter clr yang memberkan hasl solus terbak. Pengujan dlakukan dengan nla parameter clr kelpatan mula dar sampa dengan Pada pengujan n, jumlah data lath yang dgunakan sebanyak 110 dengan melakukan teras sebanyak 650 dan nla parameter lambda = 6, epslon = 0.001, C = , dan sgma = 0.5. Hasl pengujan dtunjukkan pada Gambar Uj Coba Nla Parameter clr Nla Parameter clr Gambar 6. Grafk Hasl Uj Coba Nla Parameter clr Gambar 6 menunjukkan bahwa semakn besar nla parameter clr maka semakn rendah nla MAPE yang dhaslkan. Dar uj coba dengan menggunakan nla parameter clr sebesar hngga nla MAPE yang dhaslkan cenderung mengalam penurunan, dan terjad kenakan nla MAPE dmula dar hngga seterusnya. Nla parameter clr berguna sebaga penentu nla gamma () yang dgunakan untuk mengatur laju learnng. Jka nla dar parameter semakn besar maka learnng akan berjalan lebh cepat namun berkemungknan besar untuk mengalam konvergens dn (Rusmalawat, et al., 018). Pada uj coba n, nla parameter clr yang dplh adalah sebesar Hasl dan Analss Uj Coba Nla Parameter C Uj coba nla parameter C dlakukan untuk mendapatkan nla parameter C yang memberkan hasl solus terbak. Pengujan dlakukan dengan nla parameter C kelpatan mula dar sampa dengan Pada pengujan n, jumlah data lath yang dgunakan sebanyak 110 dengan melakukan teras sebanyak 650 dan nla parameter lambda = 6, epslon = 0.001, clr = , dan sgma = 0.5. Hasl pengujan dtunjukkan pada Gambar Uj Coba Nla Parameter C Nla Parameter C Gambar 7. Grafk Hasl Uj Coba Nla Parameter C Fakultas Ilmu Komputer, Unverstas Brawjaya

7 Nla MAPE Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer 3794 Gambar 7 menunjukkan bahwa semakn besar nla parameter C yang dgunakan maka semakn kecl nla MAPE yang dhaslkan. Dar uj coba dengan nla parameter sebesar hngga cenderung mengalam penurunan yang sgnfkan, namun nla MAPE menjad konstan dmula dar hngga seterusnya. Nla parameter C dgunakan sebaga penentu besar penalt yang dberkan d dalam learnng (Putra, et al., 018). Pada uj coba n, nla parameter C yang dplh adalah sebesar Hasl dan Analss Uj Coba Nla Parameter Sgma Uj coba nla parameter sgma dlakukan untuk mendapatkan nla parameter sgma yang memberkan hasl solus terbak. Pengujan dlakukan dengan nla parameter sgma yatu , , , , 0.001, 0.005, 0.005, , 0.01, 0.05, 0.05, 0.075, 0.1, 0.5, 0.5, 0.75, dan 1. Pada pengujan n jumlah data lath yang dgunakan sebanyak 110 dengan melakukan teras sebanyak 650 dan nla parameter lambda = 6, epslon = 0.001, clr = , dan C = Hasl pengujan dtunjukkan pada Gambar Uj Coba Nla Parameter Sgma Nla Parameter Sgma Gambar 8. Grafk Hasl Uj Coba Nla Parameter Sgma Gambar 8 menunjukkan bahwa semakn besar nla sgma yang dgunakan maka nla MAPE yang dhaslkan semakn kecl. Sgma dgunakan sebaga parameter dalam pemodelan regres yang ada pada SVR. Jka nla sgma terlalu kecl, maka dapat menyebabkan terjadnya overft pada data lath. Namun apabla nla sgma terlalu besar, maka akan berdampak pada waktu komputas yang lebh lama. Pada uj coba n, nla parameter sgma yang dplh adalah sebesar Pengujan dengan Parameter Terbak Pengujan parameter terbak dlakukan setelah ddapatkan nla-nla dar parameter yang dapat menghaslkan akuras terbak. Data lath untuk melakukan learnng yang menghaslkan akuras terbak adalah 110. Banyaknya teras yang dlakukan adalah 650. Nla lambda = 6, nla epslon = 0.001, nla clr = , nla C = , dan nla sgma = Hasl pengujan parameter terbak dtunjukkan pada Tabel 1. Tabel 1. Hasl Pengujan Parameter Terbak Percobaan ke- Nla MAPE Rata-rata KESIMPULAN Berdasarkan dar hasl uj coba parameter SVR pada permasalahan peramalan jumlah pemakaan ar, dperoleh kesmpulan bahwa permasalahan peramalan jumlah pemakaan ar dapat dselesakan dengan menggunakan SVR. Parameter terbak yang dperoleh dar hasl pengujan adalah jumlah data lath yang dgunakan sebanyak 110, jumlah teras sebanyak 650, nla parameter lambda sebesar 6, nla parameter epslon sebesar 0.001, nla parameter clr sebesar , nla parameter C sebesar , dan nla parameter sgma sebesar Dengan menggunakan parameter terbak tersebut, rata-rata nla MAPE yang ddapatkan sebesar DAFTAR PUSTAKA Basak, D., Pal, S. & Patranabs, D. C., 007. Support Vector Regresson. Neural Informaton Processng Letters and Revews, 11(10), pp Cha, Y., 011. A Coal Mne Gas Concentraton Predcton Method based on Partcle Swarm Optmzaton Support Vector Regresson. IEEE, pp Fakultas Ilmu Komputer, Unverstas Brawjaya

8 Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer 3795 Du, X. F., Leung, S. C., Zhang, J. L. & La, K., 013. Demand Forecastng of Pershable Farm Products Usng Support Vector Machne. Internatonal Journal of Systems Scence, 44(3), pp Karamzadeh, S., Abdullah, S. M. & Halm, M., 014. Advantage and Drawback of Support Vector Machne Functonalty. Internatonal Conference on Computer, Communcaton, and Control Technology, pp Magara, Y. & Morshta, T., 007. Water Supples For Ctes and Industry. Internatonal Journal of Water Resources, 4(1), pp Narvekar, M. & Fargose, P., 015. Daly Weather Forecastng usng Artfcal Neural Network. Internatonal Journal of Computer Applcatons, 11(), pp Putra, N. A., Setawan, B. D. & Adkara, P. P., 018. Peramalan Harga Saham Menggunakan Support Vector Regresson Dengan Algortme Genetka. Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer, (1), pp Qu, H. & Zhang, Y., 016. A New Kernel of Support Vector Regresson for Forecastng Hgh-Frequency Stock Returns. Mathematcal Problems n Engneerng, pp Rusmalawat, V., Furqon, M. T. & Indrat, 018. Peramalan Harga Saham Menggunakan Metode Support Vector Regresson (SVR) Dengan Partcle Swarm Optmzaton (PSO). Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer, (5), pp Scholkopf, B. & Smola, A. J., 004. A tutoral on support vector regresson. Statstcs and Computng, 14(3), pp Tung, H. & Wong, M., 009. Fnancal Rsk Forecastng Wth Nonlnear Dynamcs and Support Vector Regresson. Journal of the Operatonal Research Socety, 60(5), pp Worthngton, A. C., 010. Commercal And Industral Water Demand Estmaton: Theoretcal And Methodologcal Gudelnes for Appled Economcs Research. Estudos de Economa Aplcada, 8(), pp Yu, X., Q, Z. & Zhao, Y., 013. Support Vector Regresson For Newspaper/Magazne Sales Forecastng. Proceda Computer Scence, Volume 17, pp Fakultas Ilmu Komputer, Unverstas Brawjaya