Adaptive neuro fuzzy inference system untuk peramalan jumlah wisatawan

Budi Handarbeni S. Atma, Sugiyarto Sugiyarto

Abstract


Adaptive Neuro Fuzzy Inference System(ANFIS) yaitu metode yang menggabungkan metode-metode yang ada pada softcomputing. Softcomputing yaitu pemodelan dengan pendekatan seperti nalar dari manusia dan belajar sesuai kondisi yang tidak pasti yang fleksibel atau berubah-ubah. Fuzzy Inference System(FIS) dan Jaringan syaraf merupakan komponen softcomputing dan pembentukan ANFIS. Penggunaan ANFIS terdapat metode pembelajran secara maju dan mundur atau yang disebut hybrid. Pembelajaran secara maju digunakan metode Least Square Estimator(LSE) dan pembelajaran mundur digunakan Gradient descent. Pada penelitian ini juga menggunakan FCM difungsikan untuk membangun aturan akan digunakan pada ANFIS. Tujuan dari peramalan jumlah wisatawan adalah untuk mengimplementasikan metode Adaptive Neuro Fuzzy Inference System dalam memprediksi jumlah wisatawan dan mengetahui hasil prediksi/ramalan jumlah wisatawan. Hasil peramalan jumlah wisatawan dengan menggunakan metode Adaptive Neuro Fuzzy Inference System(ANFIS) pada tahap latih didapatkan epoh 11 dan laju pembelajaran 0.02 mendapatkan nilai RMSE 909.2 sedangkan tahap uji epoh dan laju pembelajaran memberikan keakurasian bagus yang dapat dilihat dari Root Mean Square Error(RMSE) 123.3029.

Keywords


ANFIS; FCM; Peramalan; Wisatawan

Full Text:

PDF

References


A. Muslim, “Peramalan harga paritas kedelai model ANFIS,†Widyariset, vol. 17, no. 1, pp. 13–24, 2014.

I. Andalita, “Peramalan jumlah penumpang kereta api kelas ekonomi Kertajaya menggunakan ARIMA dan ANFIS.†Institut Teknologi Sepuluh Nopember, 2015.

U. Hani’ah, “Implementasi Adaptive Neuro-Fuzzy Inference System (Anfis) untuk Peramalan Pemakaian Air di Perusahaan Daerah Air Minum Tirta Moedal Semarang.†UNIVERSITAS NEGERI SEMARANG, 2015.

A. M. Abadi and D. U. Wutsqa, “Optimalisasi model neuro fuzzy untuk data time series dengan metode dekomposisi nilai singular,†J. Penelit. Saintek, vol. 18, no. 1, pp. 44–55, 2013.

J.-S. Jang, “ANFIS: adaptive-network-based fuzzy inference system,†IEEE Trans. Syst. Man. Cybern., vol. 23, no. 3, pp. 665–685, 1993.

S. Kusumadewi and S. Hartati, “Neuro-Fuzzy: Integrasi Sistem Fuzzy dan Jaringan Syaraf,†Yogyakarta Graha Ilmu, 2006.

S. Kusumadewi and H. Purnomo, “Aplikasi Logika Fuzzy untuk Pendukung Keputusan, vol. II,†Yogyakarta Graha Ilmu, 2013.

D. L. Rahakbauw, M. I. Tanassy, and B. P. Tomasouw, “Sistem Prediksi Tingkat Pengangguran Di Provinsi Maluku Menggunakan Anfis (Adaptive Neuro Fuzzy Inference System),†BAREKENG J. Ilmu Mat. dan Terap., vol. 12, no. 2, pp. 99–106, 2018.

T. J. Ross, Fuzzy logic with engineering applications, vol. 2. Wiley Online Library, 2004.

H.-J. Zimmermann, Fuzzy set theory—and its applications. Springer Science & Business Media, 2011.

L. Ghorbanzadeh and A. E. Torshabi, “An Investigation into the Performance of Adaptive Neuro-Fuzzy Inference System for Brain Tumor Delineation Using ExpectationMaximization Cluster Method; a Feasibility Study,†Front. Biomed. Technol., vol. 3, no. 1–2, pp. 8–19, 2016.

E. Evanita, E. Noersasongko, and R. A. Pramunendar, “PREDIKSI VOLUME LALU LINTAS ANGKUTAN LEBARAN PADA WILAYAH JAWA TENGAH DENGAN METODE K-MEANS CLUSTERING UNTUK ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS),†Simetris J. Tek. Mesin, Elektro dan Ilmu Komput., vol. 7, no. 1, pp. 199–208, 2016.




DOI: http://dx.doi.org/10.26555/konvergensi.v7i1.19195

Refbacks

  • There are currently no refbacks.


View My Stats JIM