BAB VI PENUTUP
level 2 proses 4 (user)
Pada DFD level 2 proses 4 ini terdapat 4 proses diantaranya proses 2.4.1 input, proses 2.4.2 update, 2.4.3 delete, 2.4.4 cari.
Pada proses 2.4.1 input dapat dilakukan oleh user untuk menambahkan data user dengan menginputkan data username, password serta nama lengkap. Keluaran dari proses ini berupa informasi mengenai data user yang baru di-input apakah berhasil diinput atau tidak
Pada proses 2.4.2 update dapat dilakukan oleh user untuk merubah data
user dengan memilih data user yang ingin di-update lalu update data user.
Gambar 4.11 Alur Sistem menggunakan Data Flow Diagram (DFD) level 2 proses 4 (user)
Keluaran dari proses ini berupa informasi mengenai data yang baru di-update apakah berhasil di-update atau tidak.
Pada proses 2.4.3 delete dapat dilakukan oleh user untuk menghapus data
user yang telah di-input sebelumnya oleh user. Keluaran dari proses ini berupa
informasi mengenai data yang di-delete apakah berhasil atau tidak.
Pada proses 2.4.4 cari dapat dilakukan oleh user untuk mencari data user yang telah di-input sebelumnya berdasarkan username, password, dan nama lengkap user. Keluaran dari proses ini berupa informasi data yang dicari.
4.6. Perancangan Antar Muka ( User Interface) 4.6.1. Perancangan Form Login
Pada form rancangan login ini digunakan oleh user untuk mengakses sistem.
4.6.2. Perancangan Form Utama
Form utama ini akan ditampilkan apabila user berhasil melakukan proses login. Pada form ini terdapat tombol yang digunakan untuk membuka form data
model, data prediksi, user, pemodelan dan prediksi serta tombol logout yang jika di klik maka user akan keluar dari sistem.
4.6.3. Perancangan Form Data Model
Form data model ini digunakan untuk mengolah data model. Dimana form
ini terdiri dari tombol tambah , ubah, hapus dan cari.
Gambar 4.13 Perancangan Form Utama
4.6.4. Perancangan Form Data Prediksi
Form data prediksi ini digunakan untuk mengolah data prediksi. Dimana form ini terdiri dari tombol tambah , ubah, hapus dan cari.
4.6.5. Perancangan Form User
Form user ini digunakan untuk mengolah data user. Dimana form ini
terdiri dari tombol tambah , ubah, hapus dan cari.
Gambar 4.15 Perancangan Form Data Prediksi
4.6.6. Perancangan Form Pemodelan
Form pemodelan ini digunakan untuk mengolah data pasang surut air laut.
Dimana pada form ini terdiri dari tombol analisa, load jaringan, dan simpan model jaringan. Dimana tombol analisa digunakan untuk menganalisa atau membentuk model dan melakukan prediksi. Tombol simpan model jaringan digunakan untuk menyimpan bobot dan bias yang digunakan untuk memvalidasi data prediksi serta menyimpan hasil prediksi. Sedangkan load jaringan di gunakan untuk menampilkan bobot dan bias model jaringan.
4.6.7. Perancangan Form Prediksi
Pada form ini akan ditampilkan hasil prediksi yang dibangun menggunakan model prediksi yang telah dibangun sebelumnya untuk melakukan proses prediksi.
4.7. Implementasi 4.7.1. Form Login
Form ini merupakan implementasi dari perancangan form login.
Gambar 4.18 Perancangan Form Prediksi Pasang Surut
4.7.2. Form Menu Utama
Form ini merupakan implementasi dari perancangan form menu utama
4.7.3. Form Data Model
Form ini merupakan implementasi dari perancangan form data Model
Gambar 4.20 Form Menu Utama
4.7.4. Form Data Prediksi
Form ini merupakan implementasi dari perancangan form data prediksi
4.7.5. Form User
Form ini merupakan implementasi dari perancangan form User
Gambar 4.23 Form User Gambar 4.22 Form Data Prediksi
4.7.6. Form Pemodelan
Form ini merupakan implementasi dari perancangan form pemodelan.
4.7.7. Form Prediksi
Form ini merupakan implementasi dari perancangan form prediksi.
Gambar 4.24 Form Pemodelan
4.8. Pengujian Sistem
Sistem yang dibangun tentu mengandung peluang terjadinya kesalahan pada saat pengerjaannya. Kesalahan dapat mulai terjadi pada permulaan proses dimana sasaran ditetapkan secara tidak sempurna, dan dalam desain dan tahap pengembangan selanjutnya.
4.8.1. Pengujian Black Box
Pengujian ini bertujuan untuk menguji fungsi sistem tentang cara beroperasinya dari segi antarmukanya, apakah dengan data masukan sekian hasilnya sesuai dengan yang diharapkan ataupun tidak.
Pengujian black box ini akan diterapkan pada pembuatan sistem simulasi dan prediksi pasang surut air laut sebagai berikut :
4.8.1.1. Pengujian Form Login
Tabel 4.19 Pengujian Form Login
No Data Hasil
Harapan
Hasil
Keluaran Hasil Uji 1 Input Data Login yang
telah terdaftar dan klik tombol Masuk
Berhasil Login Berhasil Login
Sesuai
2 Input Data Login yang belum Terdaftar dan Klik tombol Masuk
Gagal Login Gagal Login Sesuai
3 Input Data Login dan Klik Tombol Batal
Program Tertutup
Berhasil Keluar
4.8.1.2. Pengujian Form Data Model
Tabel 4.20 Pengujian Form Data Model
No Data Hasil
Harapan
Hasil
Keluaran Hasil Uji 1 Input Data Model Pasut
dan klik tombol Tambah Berhasil ditambahkan Berhasil Ditambahkan Sesuai
2 Input Data Model pasut tanpa mengisi data tanggal dan klik tombol tambah Gagal ditambahkan Gagal Ditambahkan Sesuai
3 Input Data Model pasut tanpa mengisi data tinggi pasut dan klik tombol tambah Gagal ditambahkan Gagal Ditambahkan Sesuai
4 Klik data yang ingin di hapus dan klik tombol hapus Berhasil dihapus Berhasil dihapus Sesuai
5 Double klik data yang ingin diubah lalu ubah data tersebut dan Klik tombol Ubah Berhasil diubah Berhasil diubah sesuai
6 Double klik data yang ingin diubah lalu Klik tombol cancel
Gagal di ubah Gagal diubah sesuai
7 Klik tombol selesai Form model tertutup dan kembali ke Menu Utama Berhasil Keluar dan kembali ke menu Utama sesuai
4.8.1.3. Pengujian Form Data Prediksi
Tabel 4.21 Pengujian Form Data Prediksi
No Data Hasil
Harapan
Hasil
Keluaran Hasil Uji 1 Input Data prediksi Pasut
dan klik tombol Tambah
Berhasil ditambahkan
Berhasil Ditambahkan
Sesuai
2 Input Data prediki pasut tanpa mengisi data tanggal dan klik tombol tambah Gagal ditambahkan Gagal Ditambahkan Sesuai
3 Input Data prediksi pasut tanpa mengisi data tinggi pasut dan klik tombol tambah Gagal ditambahkan Gagal Ditambahkan Sesuai
4 Klik data yang ingin di hapus dan klik tombol hapus Berhasil dihapus Berhasil dihapus Sesuai
5 Double klik data yang ingin diubah lalu ubah data tersebut dan Klik tombol Ubah Berhasil diubah Berhasil diubah sesuai
6 Double klik data yang ingin diubah lalu Klik tombol cancel
Gagal di ubah Gagal diubah sesuai
7 Klik tombol selesai Form prediksi tertutup dan kembali ke Menu Utama Berhasil Keluar dan kembali ke menu Utama sesuai
4.8.1.4. Pengujian Form Data User
Tabel 4.22 Pengujian Form User
No Data Hasil Harapan Hasil
Keluaran Hasil Uji 1 Input Data User dan
klik tombol Tambah
Berhasil ditambahkan
Berhasil Ditambahkan
Sesuai
2 Input Data User tanpa mengisi data Password dan klik tombol tambah Gagal ditambahkan Gagal Ditambahkan Sesuai
3 Input Data User tanpa mengisi data Nama Lengkap dan klik tombol tambah Gagal ditambahkan Gagal Ditambahkan Sesuai
4 Klik data yang ingin di hapus dan klik tombol hapus Berhasil dihapus Berhasil dihapus Sesuai
5 Double klik data yang ingin diubah lalu ubah data tersebut dan Klik tombol Ubah
Berhasil diubah Berhasil diubah
sesuai
6 Double klik data yang ingin diubah lalu Klik tombol cancel
Gagal di ubah Gagal diubah sesuai
7 Klik tombol selesai Form prediksi tertutup dan kembali ke Menu Utama Berhasil Keluar dan kembali ke menu Utama sesuai
4.8.1.5. Pengujian Form Pemodelan
Tabel 4.23 Pengujian Form Pemodelan
No Data Hasil
Harapan
Hasil
Keluaran Hasil Uji 1 Inisialisasi semua
parameter pemodelan dengan minimal 2
hidden layer dan Klik
Tombol Analisa Berhasil dianalisa Berhasil Analisa Data Sesuai
2 Klik tombol Simpan Jaringan Berhasil menyimpan model Berhasil menyimpan model Sesuai
3 Klik tombol Load Jaringan
Berhasil reload bobot dan bias jaringan yang tersimpan Berhasil reload bobot dan bias jaringan yang tersimpan Sesuai
4.8.1.6. Pengujian Form Prediksi
Tabel 4.24 Pengujian Form Prediksi
No Data Hasil
Harapan
Hasil
Keluaran Hasil Uji 1 Input data Tanggal
awal prediksi dan data tanggal akhir prediksi
Berhasil prediksi
Berhasil prediksi
BAB V
ANALISA DAN PEMBAHASAN
pada bab ini akan dijelaskan tentang analisa dan pembahasan bab-bab sebelumnya. Analisa yang dilakukan disini adalah bagaimana membentuk sebuah model wavelet-neural network. Setelah model terbentuk, selanjutnya akan dilakukan prediksi pasang surut 1 hari, 2 hari, dan seterusnya.
Berikut data pasang surut air laut yang digunakan untuk membangun model.
Tabel 5.1 Data model (12.234 data pasang surut 2013-2014)
No Waktu (jam) ( ) Tinggi pasut (m) ( ) Target (m) (T) 1 1 1,7 1,7 2 2 1,5 1,5 3 3 1,4 1,4 4 4 1,3 1,3 5 5 1,2 1,2 6 6 1,1 1,1 7 7 1,0 1,0 8 8 1,0 1,0 9 9 0,9 0,9 10 10 0,8 0,8 11 11 0,8 0,8 12 12 0,7 0,7 13 13 0,6 0,6 14 14 0,6 0,6 15 15 0,6 0,6 16 16 0,6 0,6 17 17 0,7 0,7 18 18 0,9 0,9 19 19 1,1 1,1
20 20 1,3 1,3 21 21 1,5 1,5 22 22 1,6 1,6 23 23 1,7 1,7 24 24 1,7 1,7 25 1 1,6 1,6 26 2 1,5 1,5 27 3 1,3 1,3 28 4 1,2 1,2 29 5 1,1 1,1 30 6 1,1 1,1 - - - 12234 18 1,3 1,3
Tabel 5.2 Data prediksi (4.150 data pasang surut 2015)
No Waktu (jam) ( ) Tinggi pasut (m) ( ) Target (m) (T) Prediksi (Y) 1 1 1,3 1,3 --- 2 2 1,3 1,3 --- 3 3 1,2 1,2 --- 4 4 1,2 1,2 --- 5 5 1 1 --- 6 6 0,9 0,9 --- 7 7 0,7 0,7 --- 8 8 0,6 0,6 --- 9 9 0,5 0,5 --- 10 10 0,5 0,5 --- 11 11 0,5 0,5 --- 12 12 0,7 0,7 --- 13 13 0,9 0,9 --- 14 14 1,1 1,1 --- 15 15 1,3 1,3 --- 16 16 1,4 1,4 --- 17 17 1,5 1,5 --- 18 18 1,6 1,6 --- 19 19 1,6 1,6 --- 20 20 1,5 1,5 --- 21 21 1,4 1,4 --- 22 22 1,4 1,4 ---
Dari data model dan prediksi diatas, maka dapat dibentuk model prediksi menggunakan wavelet neural network melalui tahapan-tahapan seperti yang telah dijelaskan pada bab sebelumnya.
Pemodelan Data
Pada penelitian ini akan dibangun model yang terdiri dari 2 lapisan masukan (input layer), 3 lapisan tersembunyi (hidden layer) dan 1 lapisan keluaran (output layer). Proses wavelet neural network untuk membangun model pasang surut ini dilakukan berkali-kali untuk mencari konfigurasi model terbaik dengan cara mengubah konstanta belajar (learning rate) secara coba-coba (trial
dan error). Sedangkan hidden layer tetap berjumlah 3 hidden.
Adapun parameter yang digunakan untuk mecari konfigurasi model terbaik adalah sebagai berikut :
1. Maximum Iterasi (epoch) : 10.000
2. Hidden layer : 3 3. Target error : 0,01 23 23 1,3 1,3 --- 24 24 1,3 1,3 --- 25 1 1,2 1,2 --- 26 2 1,2 1,2 --- 27 3 1,2 1,2 --- 28 4 1,1 1,1 --- 29 5 1 1 --- 30 6 0,9 0,9 --- --- 4150 22 0,9 0,874 ---
Dari ketiga parameter diatas, akan dilakukan pemodelan sebanyak 20 kali pemodelan dengan learning rate yang berbeda. Adapun hasil dari pemodelan tersebut dapat dilihat pada tabel 5.3 berikut :
Tabel 5.3 Hasil Pemodelan dengan perubahan learning rate ( ) dan maksimum iterasi 10.000
Pemodelan Learning rate ( ) Iterasi (epoch)
1 0,01 4624 2 0,02 2000 3 0,03 1633 4 0,04 1107 5 0,05 846 6 0,06 830 7 0,07 378 8 0,08 604 9 0,09 429 10 0,10 1000 11 0,20 223 12 0,30 139 13 0,40 299 14 0,50 218 15 0,60 139 16 0,70 68 17 0,80 55 18 0,90 78 19 1,00 44 20 2,00 24
Berdasarkan tabel pemodelan diatas, didapat pelatihan pola tercepat pada iterasi ke-24 dengan learning rate 2,00.
Pengujian Data
Pengujian data dilakukan terhadap data prediksi pasang surut untuk mendapatkan hasil keluaran yang sesuai dengan target atau output yang telah ditentukan. Berdasarkan pengujian yang dilakukan, ternyata kecepatan
pembentukan model tidak memastikan ketepatan hasil keluaran dengan output yang diharapkan.
Pengujian dilakukan dengan menghitung error rata-rata menggunakan
MSE (Means Square Error) untuk mendapatkan akurasi pemodelan tersebut.
Adapun hasil akurasi pemodelan dapat dilihat pada tabel 5.4 sebagai berikut : Tabel 5.4 Hasil Pengujian
Pemodelan MSE Akurasi Model Pecahan Persentase 1 0,00772 0,772% 99.228% 2 0,00412 0,412% 99.588% 3 0,01515 1,515% 98.485% 4 0,0086 0,860% 99.140% 5 0,00623 0,623% 99.377% 6 0,0041 0,410% 99.590% 7 0,00433 0,433% 99.567% 8 0,00610 0,610% 99.390% 9 0,0018 0,180% 99.820% 10 0,00016 0,016% 99.984% 11 0,00401 0,401% 99.599% 12 0,00852 0,852% 99.148% 13 0,01273 1,273% 98.727% 14 0,00496 0,496% 99.504% 15 0,00797 0,797% 99.203% 16 0,00066 0,066% 99.934% 17 0,00373 0,373% 99.627% 18 0,0081 0,810% 99.190% 19 0,00405 0,405% 99.595% 20 0,005 0,500% 99.500%
Berdasarkan tabel hasil pengujian di atas, dapat dilihat ketepatan data yang dilatih dengan output yang diharapkan terdapat pada iterasi ke 1000 dengan learning rate 0,1 dengan akurasi model sebesar 99,984%.
BAB VI PENUTUP
6.1. Kesimpulan
Adapun kesimpulan yang dapat diambil dari penelitian ini adalah sebagai berikut :
Sistem Simulasi dan Prediksi Pasang Surut Air Laut menggunakan gabungan (hybrid model) dari Transformasi Wavelet dan Neural Network telah berhasil dibangun dengan bahasa pemrograman java.
Dari pengujian yang dilakukan terhadap model yang dibangun menggunakan wavelet neural network terbukti dengan pelatihan dan pengujiannya. Dimana tercapat tingkat akurasi sebesar 99,984%.
6.2. Saran
Ada beberapa saran yang perlu disampaikan dalam penelitian ini, dengan harapan akan menjadi saran yang bermanfaat dikemudian hari, diantarannya adalah sebagai berikut :
1. Membangun model prediksi backpropagation dengan menambahkan momentum atau menggunakan Metode Resilient Backpropagation untuk meningkatkan laju pembelajaran.
2. Diharapkan kedepannya untuk memprediksi pasang surut air laut menggunakan komponen-komponen pembangkit pasang surut.
DAFTAR PUSTAKA
Budiharto, W., Suhartono, D., 2014., Artificial Intelligence konsep dan
penerapannya., Yogyakarta., Andi
E. Bire, C., Cahyono, B., 2012., Denoising pada Citra Menggunakan
Transformasi Wavelet., Seminar Nasional Teknologi Informasi dan
Komunikasi Terapan 2012.
Gupta, Sangeeta., Singh, Vijander., Mittal, Alok P., Rai, Asha., 2014 “A Hybrid
Model of Wavelet and Neural Network for Short Term Load Forecasting”., International Journal of Electronic and Electrical
Engineering, Volume 7, Number 4. 2014.
Hansun, S., 2013., Penerapan WEMA dalam peramalan data IHSG., Ultimatics, Vol. No.2 Desember 2013.
Hidayat, Rachmat., Suprapto., Meminimalisasi Nilai Error Peramalan dengan Algoritma
Extreme Learning Machine., 2012., Jurnal Optimasi Sistem Industri., Vol. 11
No.1, April 2012 : 187-192.
Indrabayu., Harun, N., Pallu, M S., Achmad, A., 2011., Prediksi Curah Hujan
Di Wilayah Makasar Menggunakan Metode Wavelet-Neural Network.,
Jurnal Ilmiah Elektrikal Enjiniring Volume 09/ No.02/Mei -Agustus/ 2011. Indra, F, C, S., 2014., Jaringan Syaraf Tiruan Memprediksi Ketersediaan Bahan
Bakar Solar dengan Menggunakan Metode Backpropagation., pelita
informatika budi darma Volume : VIII, Nomor 1 Desember 2014.
Indriani., Kurniawati, N., Hendri, M., 2010., Simulasi Pemodelan Arus Pasang
Surut di Luar Kolam Pelabuhan Tanjung Periok Mengguunakan Perangkat Lunak SMS 8.1., Maspari Journal 01.(2010)
Kusumadewi, S., Hartati, S., 2010., Neuro-Fuzzy integrasi sistem fuzzy dan
Puput. S.P., 2011., Simulasi Pasang Surut Menggunakan Jaringan Syaraf Tiruan
dengan Pendekatan Gaya Pembangkit Pasang Surut (Studi Kasus Taman Nasional Bunaken)., Tesis Institut Teknologi Bandung.
Purwitasari, D., Sulaiman, R., Menak, S, A., 2009., Teknik peramalan Data Time
Series Berbasis Dekomposisi Wavelet dan Multy Layer Perceptron.,
Proceedings of CITEE, Agustus 4, 2009.
Putra. D., 2010., Pengolahan Citra Digital., Yogyakarta., Andi.
Rahman. A. H, 2012., Analisa perbandingan watermarking Image menggunakan
Discrete Wavelet Transform., Skripsi Universitas Indonesia.
Sutarno., 2010., Analisisi Perbandingan Transformasi Wavelet pada Pengenalan
Citra Wajah., Jurnal Generic Vol.5 No.2 (Juli 2010).
Yusuf, E.A., Suprayogi, I., Lilis, Y.H., 2015., Model Hidrolgi Runtun Waktu
untuk Peramalan Debit Sungai Menggunakan Metode Gabungan Transformasi Wavelet-Artificial Neural Network., Jom FTEKNIK Volume 2 No. 1 Februari 2015.
Wyrtki, K., 1961., Phyical Oceanography of South East Asian Waters., Naga Report Vol. 2 Scripps., Institute Oceanography., California