Manusia menggunakan berbagai macam kendaraan untuk bepergian dari satu
tempat ke tempat lainnya. Salah satu jenis kendaraan tersebut adalah mobil. Mobil
adalah kendaraan favorit yang digunakan oleh sebagian besar orang di seluruh dunia.
Perusahaan-perusahaan pembuat mobil setiap tahunnya selalu memproduksi mobil
dengan berbagai macam model dalam jumlah yang besar. Setiap merk mobil keluaran
tahun tertentu memiliki jumlah konsumsi bahan bakar yang berbeda-beda, tergantung
pada faktor-faktor yang berperan di dalam mesin mobil tersebut, seperti cylinder,
displacement, acceleration, dan horse power. Bobot mobil juga mempengaruhi
konsumsi bahan bakar. Dengan banyaknya jumlah mobil yang beredar, kebutuhan akan
bahan bakar minyak juga besar. Hal ini dapat menimbulkan kelangkaan bahan bakar
minyak. Untuk dapat mengurangi resiko kelangkaan bahan bakar minyak, perlu adanya
konsumsi bahan bakar yang efisien, dan agar bahan bakar minyak dapat digunakan
sehemat mungkin, perlu dilakukan prediksi pemakaian BBM. Selain itu, BBM yang
digunakan seefisien mungkin dapat menghemat pengeluaran.
Pada tugas akhir ini digunakan algoritma differential evolution dalam
menyelesaikan masalah prediksi non-time series untuk mengoptimasi bobot-bobot pada
Artificial Neural Network (ANN) dan menentukan struktur ANN yang optimal, dalam
melakukan prediksi konsumsi bahan bakar minyak pada mobil dalam satuan miles per
gallon. DE merupakan salah satu metode Evolutional Algorithms (EAs). Namun
berbeda dengan algoritma-algoritma evolusi lainnya seperti Genetic Algorithm atau
Evolutionary Strategies dimana proses pembangkitan individu baru bersifat acak, DE
membangkitkan individu baru menggunakan rumus tertentu dan bersifat semi terarah
sehingga solusi optimum lebih cepat ditemukan. Pengujian dilakukan terhadap
parameter-parameter pada DE dan jumlah hidden neuron. Perhitungan akurasi
menggunakan data normalisasi dan data denormalisasi. differential evolution, prediksi non-time series, artificial neural network, miles per gallon.