Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol. 1, No. 11, November 2017, hlm. 1312-1320
e-ISSN: 2548-964X http://j-ptiik.ub.ac.id
Prediksi Jumlah Follower Official Account Line Menggunakan Regresi dan Algoritma Genetika Nizar Riftadhi Prabandaru1, Rekyan Regasari Mardhi Putri2, Agus Wahyu Widodo3 Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email:
[email protected],
[email protected],
[email protected] Abstrak Penelitian ini menggunakan official account LINE IKI MALANG sebagai studi kasus penelitian. Berdasarkan hasil wawancara, official media ini belum memiliki dasar perubahan harga pada setiap berubahnya harga jasa pemasaran official media ini. Sehingga penulis mencoba memberikan bantuan dengan memberi dasar pada setiap perubahan harga jasa pemasaran pada official media ini dengan prediksi jumlah follower pada setiap bulannya. Metode yang digunakan adalah metode regresi yang dibangun dengan algoritma genetika. Regresi digunakan untuk memprediksi, sedangkan algoritma genetika digunakan untuk mengoptimasi variabel yang mempengaruhi hasil prediksi. Untuk mendapati hasil prediksi yang optimal, maka pada setiap variabel yang dioptimasi nanti diuji pada rentan angka tertentu. Namun pada hasil pengujian diperoleh hasil akurasi yang kurang optimal yaitu 7,801E-03 dikarenakan data yang ada masih sangat minim sehingga hasil prediksi kurang sesuai dengan hasil sebenarnya. Kata kunci: regresi, follower, sosial media, IKI MALANG, prediksi, LINE Abstract This research used a case study of LINE IKI MALANG official account. The result of the interview showed that LINE IKI MALANG did not have a basis of its marketing service price change. Therefore, the author tried to provide assistance by giving a basis for any price change of the marketing service based on the predicted number of its followers on each month. The method used in this research was a regression method built with genetic algorithm. Regression was used to predict the followers, while the genetic algorithm was used to optimize the variables that influenced the predicted result. To find optimal predictive results, every optimized variable will be tested on a particular vulnerable numbers. But from the experiment, the researcher got a non-optimal result which was 7,801E-03 because of the minimum data so that the prediction was not close to the training data. Keywords: regression, followers, social media, IKI MALANG, prediction, LINE (Farokatarina F. dan Widyastuti Dhyah, 2014). Besarnya data pengguna sosial media ini dimanfaatkan oleh para pemilik Usaha Kecil dan Menengah untuk memasarkan dagangannya. Hal ini dikarenakan sosial media merupakan media paling ampuh untuk memasarkan dagangannya. Menurut data yang telah dihimpun UprightDecision, rata-rata transaksi online yang sudah terjadi di Indonesia kebanyakan terjadi melalui media sosial (Siswanto Tito, 2013). Banyaknya pemilik UKM yang ada di indonesia khususnya di kota malang membuka potensi bagi pemilik account sosial media yang ada di kota malang itu untuk menjadi media
1. PENDAHULUAN Aplikasi sosial media Line merupakan salah satu aplikasi yang cukup populer saat ini dan bahkan sudah digunakan oleh lebih dari 600 juta orang di seluruh dunia (www.techno.id, diakses pada 19 November 2016). Line sendiri merupakan aplikasi buatan NH Corporation asal negara Jepang dan dirilis pada Juni 2011 lalu (id.wikipedia.org, diakses pada 19 November 2016). Berdarkan data yang dihimpun oleh www.tempo.com pada tanggal 3 September 2013, masyarakat indonesia yang sudah mengunduh Line sampai 14 juta orang Fakultas Ilmu Komputer Universitas Brawijaya
1312
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
pemasaran UKM yang berbayar. Di sini penulis mengambil studi kasus dari official account line IKI MALANG yang memiliki basis di kota malang. Account ini sudah berdiri dari tanggal 7 Juli 2015 2 tahun lalu. Hingga saat ini account tersebut telah memiliki sekitar 91.458 follower (IKI MALANG, diakses pada 7 Desember 2016). Official account ini sendiri sudah menentukan harga dasar harga apabila ada pemilik UKM yang ingin memasarkan dagangannya di account ini. Namun harga yang ditentukan di account IKI MALANG belum memiliki dasar sebagai penentu apakah harga harus naik ataukah turun. Sebagai contoh harga awal pada tanggal 16 Agustus 2015 yang digunakan untuk menjualkan jasa publikasinya adalah tiga puluh ribu untuk publikasi beranda dan empat puluh ribu untuk publikasi secara broadcast atau penyebaran langsung kepada pengikut account. Harga ini mengalami kenaikan yang tidak menentu pada setiap bulannya. Pada 24 Oktober 2015 harga baru kembali berubah, namun hanya harga penyebaran langsung ke pengikut yaitu naik menjadi lima puluh ribu. Di bulan November 2015, harga sama sekali tidak mengalami perubahan. Harga jasa publikasi ini baru berubah pada 1 Desember 2015 yang kemudian mengalami lima kali perubahan hingga Akhir Januari 2016. Akibat dari tidak ada dasarnya perubahan harga jasa pemasaran ini dapat berdampak pada kepercayaan pelanggan pemilik UKM yang ingin memasarkan UKMnya di official account line IKI MALANG. Dalam menyelesaikan permasalahan akibat tidak adanya dasar yang jelas dalam menentukan harga jual jasa pemasaran. Untuk menentukan harga jual jasa pemasaran sendiri tidak bisa dilakukan secara mendadak karena dapat menyebabkan turunnya kepercayaan customer atau pelanggan terhadapa kondisi naik turunnya harga jasa pemasaran. Sehingga digunakan metode regresi linier yang dibangun dengan algoritma genetika untuk memprediksi perkembangan jumlah pengikut account official Line guna membantu pemilik account official Line dalam menentukan harga jasa pemasaran. Metode regresi dirasa cocok dan biasa digunakan dalam memprediksi hasil di masa depan. Algoritma Genetika sendiri disini digunakan untuk memperoleh kromosom terbaik untuk diolah dalam rumus Regresi Linier. Berdasarkan penelitian yang sudah pernah dilakukan sebelumnya, metode regresi menunjukkan bahwa metode tersebut lebih baik Fakultas Ilmu Komputer, Universitas Brawijaya
1313
digunakan dalam memprediksi jumlah produksi daripada metode fuzzy mamdani (Wati dkk, 2013). Selain itu, berdasarkan penelitian Bonde (2010) yang membandingkan Algoritma Strategi Evolusi dan Algoritma Genetika menunjukkan bahwa Algoritma Genetika memberikan akurasi yang lebih baik daripada Algoritma Strategi Evolusi. Terkait dengan masalah yang sudah dipaparkan diatas, penelitian ini diharapkan dapat memperoleh hasil akurasi yang maksimal dengan mengaplikasikan metode Regresi Linier dan Algoritma Genetika. Sehingga nantinya setelah didapatkan hasil prediksi perkembangan jumlah follower, pemilik account official sosial media line dapat menentukan harga jual jasa pemasaran pada accountnya secara berkala. 2. KAJIAN PUSTAKA 2.1 IKI MALANG
Gambar 1 Logo IKI MALANG
IKI MALANG merupakan official account LINE yang berbasis atau bertempat di daerah Malang Raya. Official account LINE IKI MALANG sendiri baru berdiri pada tanggal 7 Juli 2015 atau sekitar 1 setengah tahun yang lalu. Perkembangan follower di account ini sangatlah cepat untuk daerah regional Malang. Terbukti baru 15 bulan berdiri, account ini sudah memiliki follower sebanyak 91.458 (Official account IKI MALANG diakses pada tanggal 7 Desember 2016). Angka tersebut bisa dikatakan sudah melebihi jumlah follower rata-rata account sosial media LINE yang berbasis di Malang Raya. Official account IKI MALANG dipilih sebagai studi kasus untuk membantu pemilik account dalam memetakan harga jual jasa pemasaran berdasarkan prediksi jumlah follower atau pengikut official account IKI MALANG. Hingga saat ini dalam menentukan harga jual jasa publikasinya, admin IKI MALANG
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
menentukan berdasarkan jumlah follower account. Hal ini menyebabkan dalam 1 bulan bisa terjadi 2 sampai 3 kali pergantian harga. Terbukti pada bulan Desember 2015 dan bulan Januari 2016 kemarin terjadi 5 kali perubahan harga, sedangkan pada bulan November 2016 tidak ada perubahan harga sejak bulan Oktober 2016. Disini penulis mencoba membantu admin mengatasi masalah agar dalam penentuan harga memiliki dasar yang jelas untuk menaikkan harga seiring berkembangnya jumlah follower official account IKI MALANG. 2.2 Follower Follower merupakan kata yang banyak digunakan oleh netizen atau pengguna sosial media saat ini. Jika diartikan dalam bahasa indonesia, follower adalah pengikut yang jika dihubungkan pada sosial media merupakan pengikut dari sebuah account sosial media itu sendiri. Ungkapan Follower ini sudah digunakan sejak sosial media Twitter digunakan. 2.3 Prediksi Follower Berdasarkan Kamus Besar Bahasa Indonesia karya Salim (2002), prediksi berarti memperkirakan atau menduga keadaan yang akan terjadi di masa yang akan datang (Rahmi, Mahmudy dan Setiawan, 2015). Prediksi follower berarti memperkirakan perkembangan jumlah follower di masa yang akan datang. Hingga saat ini penggunaan follower sebagai objek prediksi belum pernah digunakan sebelumnya. Pada hasil wawancara yang terdapat di lampiran, prediksi follower hanya menggunakan metode praduga saja. 2.4 Metode Regresi Metode ini adalah metode yang menggunakan data yang sudah ada sebelumnya untuk diolah dan selanjutnya memprediksi masa yang akan datang (Makridakis, Steven & Victor, 1999). Secara sederhana regresi merupakan sebuah hubungan secara linier antara variabel independen atau variabel bebas (x1, x2, ...., xn) dengan variabel dependen atau variabel tak bebas (Y). Bentuk umum dari refresi berganda : (1) y' a b1 x1 b2 x2 .... bn xn Keterangan : Y’ = Variabel dependen atau variabel tidak Fakultas Ilmu Komputer, Universitas Brawijaya
1314
bebas (nilai prediksi) X = Variabel independen atau variabel bebas X1 = Jumlah data pada periode 1 Xn = Jumlah data pada periode n a = Konstanta (nilai Y’ apabila X = 0) b = Koefesien regresi (nilai peningkatan ataupun penurunan) 2.5 Mean Squared Error (MSE) Mean Squared Error adalah metode analisa yang digunakan untuk membandingkan antara nilai prediksi dan nilai awal. Jika nilai MSE yang diperoleh semakin kecil, maka semakin kecil pula perbedaan nilai prediksi dan nilai aslinya. Berikut fungsi MSE (Wackerly, Mendenhall):
MSE
1 n
n
(y i 1
i
y'i ) 2
(2)
Keterangan : MSE = Nilai eror MSE n = Jumlah populasi Y = Jumlah data latih Y’ = Hasil prediksi i = Indeks jumlah data 2.6 Algoritma Genetika Algoritma Genetika berasal dari kota New York, Amerika Serikat yang ditemukan oleh John Holland sekitar tahun 1970-an. Buku berjudul “Adaption in Natural and Artificial Systems” pada tahun 1975 yang ia buat bersama murid-muridnya menjadi bukti temuannya. Algoritma Genetika berkonsepkan seperti hukum alam pada umumnya dimana individu yang lebih baik nantinya akan menjadi solusi yang dipilih sebagai solusi optimal dari suatu masalah (Rahmi, Mahmudy dan Setiawan, 2015). Tahapan dari Algoritma Genetika diawali dengan tahap inisialisasi. Tahap inisialisasi ini ialah dengan membuat individu individu baru yang acak dengan kromosom tertentu. Selanjutnya melakukan reproduksi untuk mendapatkan offspring dari individu yang ada di populasi. Kemudian setelah didapatkan individu baru dari hasil reproduksi, hitung nilai fitness tiap individu agar ditemukan kromosom terbaik. Terakhir melakukan tahap seleksi yaitu memilih individu terbaik yang dipertahankan (Mahmudy 2013). Berikut adalah hal – hal yang terdapat pada proses algoritma genetika : 1. Mendefinisikan individu.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
2. Mendifinisikan nilai fitness. 3. Menentukan proses pembangkitan populasi awal. Menentukan proses seleksi yang akan digunakan. 2.6.1 Representasi Kromosom Representasi kromosom merupakan proses pengkodean dari penyelesaian asli suatu permasalahan. Solusi dari suatu masalah harus dipetakan (encoding) menjadi string kromosom. String kromosom ini terususun atas sejumlah gen yang menggambarkan variabel – variabel keputusan yang digunakan dalam solusi (Mahmudy, 2013). Dalam berbagai macam kasus, representasi sebuah solusi menjadi kromosom sangant menentukan kualitas dari solusi yang dihasilkan (Mahmudy, Marian & Luong 2012). Tabel 1 Contoh Representasi Kromosom Parent P1 P2 P3
a -44 -14 -78
b1 -19 -59 43
b2 84 88 99
Pada Tabel 2.2, kromosom dibentuk dengan membangkitkan nilai random pada interval [100,100] (Rahmi dkk, 2015). 2.6.2 Persilangan (Crossover) Metode crossover yang digunakan adalah metode Extended Intermediete Crossover. Pada tahap ini harus sudah diketahui terlebih dahulu crossover rate(Cr). Besarnya Cr mempengaruhi hasil produksi persilangan dari dua induk yang telah dipilih. Contoh apabila Cr = 0,5 maka 0,5x3 = 1,5 (dibulatkan ke atas menjadi 2) offspring atau child (Mahmudy, 2013). Kemudian memilih dua induk secara acak dari populasi yang ada. Lalu membangkitkan nilai α secara acak pada interval yang telah ditentukan. Berikut rumus pencarian crossover pada Persamaan 2.3.
C1 P1 a( P2 P1 ) C 2 P2 a( P1 P2 )
(3)
2.6.3 Mutasi Untuk menjaga keragaman populasi, biasanya digunakan mutasi (Mahmudy, 2013). Berikut rumus mutasi pada Persamaan 2.4. (4) x'i xi r (max i min i )
Fakultas Ilmu Komputer, Universitas Brawijaya
1315
2.6.4 Nilai Fitness Nilai fitness merupakan suatu ukuran tingkat kebaikan sebuah solusi yang dihasilkan oleh suatu individu. Nilai fitness yang tinggi yang dihasilkan oleh sebuah individu memiliki kemungkinan menghasilkan solusi terbaik. Untuk Menghitung nilai fitness dalam pembentukan model regresi linier, digunakan Persamaan 2.5 sebagai berikut : 1 (5) fitness MSE Dimana MSE (Mean Squared Error) merupakan nilai eror. 3. METODOLOGI PENELITIAN Penelitian ini merupakan penelitian implementasi yang mana nantinya diharapkan hasil dari penelitian ini dapat berguna bagi para pengusaha account official sosial media. Tahapan secara umum mengenai metode prediksi jumlah follower menggunakan Regresi Linier dan Algoritma Genetika akan dijelaskan di dalam metodologi penelitian. Adapun tahapan tahapan tersebut ialah mulai dari analisis kebutuhan, pengumpulan data, perancangan, implementasi, pengujian dan evaluasi hasil. Berikut diagram tahapan penelitian yang tersaji pada Gambar 2. Analisis kebutuhan Pengumpulan data
Perancangan
Implementasi
Pengujian
Evaluasi Hasil
Gambar 2 Blok Diagram Tahap Penelitian
3.1 Analisis Kebutuhan Berdasarkan objek yang akan diteliti, kebutuhan yang utama adalah data mengenai perkembangan jumlah follower berdasarkan waktu tertentu secara berkala. Selain data, dasar pengetahuan mengenai perkembangan harga jual jasa pemasaran juga diperlukan. Maka dilakukan
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
wawancara seperti yang terlampir di lampiran wawancara. 3.2 Pengumpulan Data Penelitian ini menggunakan data perkembangan jumlah follower yang didapat dari hasil wawancara kepada salah satu pemilik account official sosial media IKI MALANG. Selain data, dibutuhkan juga pengetahuan berupa metode kenaikan harga jual jasa pemasaran selama sebelum adanya penelitian ini. Data yang digunakan adalah data perkembangan jumlah follower per bulan dikarenakan perkembangan harga jual jasa pemasaran dilakukan secara berkala perbulan berdasarkan jumlah follower yang ada. Sehingga data bulanan adalah data yang mungkin untuk dijadikan bahan penelitian. Sumber data didapat dari hasil wawancara dengan pemilik account official sosial media. 3.3 Perancangan Berikut ambaran diagram proses perancangan mulai dari input, proses hingga output pada Gambar 3. Input (data perkembangan jumlah follower)
Proses (Regresi dan Algoritma Genetika)
1316
3.4 Implementasi Dalam tahap implementasi, tahapan ini mengacu dari hasil perancangan sistem yang telah dirancang pada tahap perancangan. Implementasi program menggunakan bahasa pemrograman JAVA. 3.5 Pengujian Tahap pengujian dilakukan untuk menguji kelayakan sistem sehingga nantinya dapat diimplementasikan secara ril. Pengujian dilakukan untuk menemukan hasil terbaik berdasarkan pengaruh dari setiap parameter yang ada pada metode yang digunakan. Sistematika pengujian yang dilakukan ialah menguji dengan meningkatkan parameter tertentu, kemudian di bandingkan dengan hasil uji coba sebelumnya. Sehingga dapat ditemukan apakah jika populasi lebih banyak maka menghasilkan hasil prediksi yang lebih baik atau tidak dan seterusnya dilakukan pengujian pada parameter yang lain seperti jumlah rasio mutasi (Mr), rasio pindah silang atau Crossover (Cr) dan jumlah generasinya. 3.6 Evaluasi Hasil Tahap ini mengevaluasi hasil dari pengujian parameter dan sistem yang telah diimplementasikan. Nantinya evaluasi hasil ini digunakan untuk mengambil kesimpulan dan penentuan pengambilan saran untuk penelitian kedepannya.
Output (Hasil Prediksi)
3.7 Kesimpulan Gambar 3 Diagram Perancangan
Tahapan ini akan menggambarkan model sistem yang akan dibuat. Perancangan pada program sendiri akan dimulai dari data data masukkan yaitu data perkembangan jumlah follower, kemudian data tersebut nantinya di proses dengan menggunakan metode regresi dan algoritma genetika. Nantinya diharapkan output yang dihasilkan yaitu berupa prediksi perkembangan jumlah follower dapat membantu pemilik account official dalam memperkirakan kisaran harga jual jasa pemasaran di bulan berikutnya. Nantinya hasil dari model perancangan ini akan diimplementasikan pada tahap implementasi.
Fakultas Ilmu Komputer, Universitas Brawijaya
Kesimpulan dapat diperoleh setelah tahapan tahapan penelitian dilakukan hingga tahapan pengujian. Sehingga dapat melakukan pengambilan kesimpulan untuk menjawab perumusan permasalahan. Dari penarikan kesimpulan yang sudah didapatkan, terdapat evaluasi hasil dalam penelitian ini sehingga kekurangan dan kesalahan yang mungkin terdapat dalam penelitian nantinya diharap memiliki solusi perbaikan pada penelitian selanjutnya. Baik dari segi metode maupun objek yang diangkat. 3.8 Saran Tahap ini merupakan tahap akhir dari penelitian yang digunakan untuk memberikan saran kepada penelitian selanjutnya. Saran didapat dari hasil kesimpulan penelitian.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
1317
4. PERANCANGAN
5. IMPLEMENTASI
4.1 Formulasi Permasalahan
Berikut tampilan antarmuka user dengan sistem.
Dalam memprediksi perkembangan jumlah follower pada official account sebuah sosial media sebelumnya belum pernah ada. Sehingga disini penulis menggunakan metode Regresi Linier sederhana yang akan dikembangkan dengan Algoritma Genetika agar akurasi yang mendapatkan akurasi yang maksimal dalam kasus prediksi seperti yang sudah dilakukan Rahmi dkk (2015) pada penelitiannya yang berjudul “Prediksi Harga Saham Menggunakan Metode Regresi Linier Yang Dibangun Dengan Algoritma Genetika”. Berikut data yang berhasil dihimpun dari hasil wawancara dengan pemilik sebuah official account sosial media line IKI MALANG yang tersaji pada Tabel 4.
Gambar 6 Tampilan Form Daftar Dokumen
Tabel 4 Data Jumlah Follower Official Account Line IKI MALANG No. 1. 2. 3. 4.
Bulan
Perkembangan jumlah follower perbulan 3518 8142 5346 7771
Juli 2015 Agustus 2015 September 2015 Oktober 2015 .
18.
Desember 2016
Gambar 7 Tampilan Halaman Utama
3589
4.2 Alur Penyelesaian Untuk memprediksi jumlah follower, digunakan metode Regresi yang dioptimasi dengan Algoritma Genetika. Berikut alur penyelesaiannya seperti pada Gambar 5. Mulai
Input data Inisialisasi parameter
Gambar 8 Tampilan Hasil
6. PENGUJIAN Metode Regresi yang telah dioptimasi dengan Algoritma Genetika
Hasil prediksi
Selesai
Gambar 5 Diagram Alur Penyelesaian
Fakultas Ilmu Komputer, Universitas Brawijaya
6.1 Hasil dan Analisa Uji Coba Jumlah Populasi Pada pengujian ukuran populasi bertujuan untuk mengetahui ukuran populasi yang paling optimal untuk permasalahan prediksi jumlah follower. Banyaknya jumlah ukuran populasi yang akan diuji adalah 5 dan 10 karena data yang dapat dihimpun dari hasil wawancara hanya 18 bulan data perkembangan jumlah follower mulai dari awal berdiri hingga bulan November 2016. Kombinasi crossover rate (Cr) dan Mutation rate (Mr) yang digunakan adalah 0,2 dan 0,1 dengan jumlah generasi sebanyak 250.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Pengujian dilakukan sebanyak 10 kali setiap populasinya kemudian dicari rata – rata fitness yang didapat dari percobaan setiap populasi. Dari hasil pengujian, didapati bahwa semakin besar jumlah populasi, maka semakin baik rata – rata fitness yang dihasilkan. Berikut hasil pengujian ukuran jumlah populasi pada Gambar 9.
5
10
jumlah generasi yang digunakan untuk memperoleh hasil prediksi, semakin optimal hasil yang didapatkan meskipun pada percobaan 1000 periode sempat mengalami penurunan rata – rata fitness, namun kembali naik pada percobaan 5000 periode.
6.3 Hasil Uji Coba Kombinasi Crossover rate dan Mutation rate
Percobaan Populasi 0,002 Rata0,001 rata 0 fitness
1318
Ukuran populasi
Jumlah populasi Gambar 9 Grafik Hasil Uji Coba Jumlah Populasi
Pada Gambar 6.1 dapat dilihat grafik bahwa ukuran populasi 10 menghasilkan rata – rata fitness sebesar lebih dari 0,0015 yang berarti memiliki hasil yang lebih optimal daripada ukuran populasi 5 yang hanya menghasilkan rata - rata fitness dibawah 0,0015. 6.2 Hasil dan Analisa Uji Coba Jumlah Generasi Pengujian Generasi dilakukan untuk mendapatkan banyaknya jumlah generasi yang paling optimal dalam melakukan prediksi perkembangan jumlah follower. Ukuran generasi yang akan diuji ialah kisaran 50 hingga 5000. Ukuran populasi menggunakan ukuran populasi dengan rata – rata fitness terbaik setelah melakukan uji coba ukuran populasi yaitu sejumlah 10 dengan kombinasi crossover rate (cr) dan mutation rate (mr) 0,2 : 0,1. Hasil percobaan uji coba banyaknya generasi tersaji pada Gambar 10. Uji Coba Jumlah Generasi 0,003 Rata- 0,002 rata fitness 0,001 0
Jumlah Generasi Gambar 10 Grafik Hasil Uji Coba Jumlah Generasi
Pada Gambar 10 dapat dilihat semakin tinggi Fakultas Ilmu Komputer, Universitas Brawijaya
Pengujian kombinasi crossover rate (Cr) dan mutation rate (Mr) dilakukan untuk menguji kombinasi yang paling optimal dalam mendapatkan hasil prediksi. Kombinasi Cr dan Mr yang diuji dengan nilai antara 0-1. Jumlah populasi dan generasi yang digunakan adalah hasil terbaik dari pengujian jumlah populasi dan pengujian banyaknya generasi yaitu populasi sebanyak 10 dan jumlah generasi sebanyak 5000. Berikut hasil uji coba kombinasi Cr dan Mr pada Tabel 11. Uji Coba Kombinasi Crossover Rate dan Mutation Rate 0,004 Ratarata 0,002 0 fitness 1 2 3 4 5 6 7 8 9 1011 Percobaan nomor Gambar 11 Grafik Uji Coba Kombinasi Crossover Rate dan Mutation Rate
Pada Gambar 11, grafik menunjukkan bahwa rata - rata fitness tertinggi ada pada kombinasi nomor 3 yaitu Cr sekian dan Mr sekian. Percobaan ini menghasilkan rata – rata fitness tertinggi atau hampir 0,0025. 6.4 Hasil Uji Coba Jumlah Periode Pengujian jumlah periode dilakukan untuk menguji jumlah periode yang paling optimal untuk mendapatkan hasil prediksi yang optimal. Jumlah populasi, banyaknya generasi dan kombinasi crossover rate dan mutation rate yang digunakan merupakan hasil terbaik dari hasil uji coba pada masing – masing pengujian. Jumlah populasi 10, banyaknya generasi 5000 dan kombinasi Cr dan Mr 0,2:0,8. Berikut hasil pengujian jumlah periode pada Gambar 12.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Axis Title
Uji Coba Jumlah Periode 0,008 0,006 0,004 0,002 0 1
2
3
4
5
6
7
8
Axis Title Gambar 12 Hasil Uji Coba Jumlah Periode
Pada Gambar 6.4 dapat dilihat grafik uji coba jumlah periode bulanan. Pada gambar dapat dilihat grafik fitness terbaik semakin meningkat pada perhitungan periode mulai 1 hari hingga 6 hari dimana kenaikan signifikan terjadi pada perhitungan periode 6 hari. Namun pada perhitungan periode 7 hari, grafik yang menunjukkan fitness terbaik mengalami penurunan. Dari grafik tersebut dapat dibuktikan bahwa periode sejumlah 6 hari menghasilkan fitness terbaik. 6.5 Analisa Hasil Setelah didapati parameter – parameter terbaik untuk mengoptimalkan hasil dari metode regresi yang dibangun dengan algoritma evolusi, selanjutnya dilakukan pengujian akurasi hasil prediksi dari data training yang ada sebagai proses evaluasi. Berikut perbandingan hasil prediksi menggunakan algoritma genetika dengan hasil sebenarnya pada Gambar 13. Hasil Pengujian Akurasi 8000 6000 Jumlah 4000 Follower 2000 0
1319
sejumlah 7535 follower. Mean Squared Eror (MSE) yang dihasilkan pada prediksi di bulan tersebut adalah 1070,683. Sedangkan MSE terendah yang didapat dari hasil uji diatas adalah 128,1861 yang terjadi pada bulan Oktober 2016 sehingga dapat menghasilkan hasil yang hampir mendekati data aslinya yaitu 2163 dimana data hasil prediksi adalah 1888,58 atau jika dibulatkan sekitar 1889 yang memiliki selisih sekitar 274. 7
Kesimpulan dan Saran
7.1 Kesimpulan Berdasarkan hasil uji coba dari penelitian skripsi dengan judul Prediksi Perkembangan Jumlah Follower Official Account Line Untuk Penentuan Harga Jual Jasa Pemasaran Menggunakan Metode Regresi dan Algoritma Genetika ini, dapat disimpulkan bahwa: 1. Seperti pada penelitian sebelumnya dengan judul Prediksi Harga Saham Berdasarkan Data Historis Menggunakan Model Regresi yang Dibangun Dengan Algoritma Genetika, dalam kasus ini Algoritma Genetika mampu menentukan koefisien terbaik sehingga dapat menghasilkan prediksi perkembangan jumlah follower yang hampir mendekati data aslinya. 2. Nilai fitness terbaik yang dihasilkan masih terbilang cukup kecil yaitu 7,801E-03. Hal ini dikarenakan jumlah data yang digunakan masih sangat sedikit. 3. Pada metode yang digunakan yaitu regresi dan Algoritma Genetika, perubahan parameter seperti jumlah populasi, kombinasi cr dan mr, jumlah generasi yang digunakan dan banyaknya periode sangat mempengaruhi hasil prediksi. 7.2 Saran
Bulan Gambar 13 Grafik Perbandingan Hasil Prediksi Dengan Data Latih
Pada Gambar 13 menunjukkan grafik perbandingan antara data latih dengan data hasil prediksi menggunakan regresi dan algoritma genetika. Terdapat perbedaan hasil yang sangat siknifikan pada data Juni 2016 dimana data asli perkembangan jumlah follower adalah sejumlah 4923 follower dan data hasil prediksi adalah Fakultas Ilmu Komputer, Universitas Brawijaya
Berdasarkan kesimpulan yang telah dihimpun di atas, ada yang menjadi perhatian penulis agar penelitian dengan objek yang sama dapat dikembangkan lagi yaitu data yang digunakan haruslah lebih banyak sehingga semakin banyak populasi yang digunakan untuk pengujian bisa ditemukan akurasi yang lebih baik dari sekedar menggunakan 10 populasi. 8. DAFTAR PUSTAKA Bonde G., 2010. Stock Price Predictions Using Genetic Algorithms and Evolutions
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Strategies Farokatarina F., 2014. Line Sebagai Media Penyampaian Pesan Holland JH., 1992. Adaption in Natural and Artificial Systems Lestari, YD., 2017. Jaringan Syaraf Tiruan Untuk Prediksi Penjualan Jamur Menggunakan Algoritma Backpropagation Makridakis, Steven & Victor., 1999. Metode dan Aplikasi Peramalan Jilid 1 Mahmudy, W., 2013. Algoritma Evolusi Pratama, F., 2015. 5 Aplikasi Chatting Paling Populer di Beberapa Negara Rahmi, A., Mahmudy, WF., & Setiawan., 2015. Prediksi Harga Saham Berdasarkan Data Historis Menggunakan Model Regresi yang Dibangun dengan Algoritma Genetika. Siswanto, T., 2013. Optimalisasi Sosial Media Sebagai Media Pemasaran Usaha Kecil menengah Saputro, Mahmudy & Dewi., 2015. Implementasi Algoritma Genetika Untuk Optimasi Penggunaan Lahan Pertanian Salim, P., 2002. Kamus Bahasa Indonesia Kontemporer Wati, S., 2013. Perbandingan Metode Fuzzy Dengan Regresi Linear Berganda Dalam Peramalan Jumlah Produksi
Fakultas Ilmu Komputer, Universitas Brawijaya
1320