MENGGUNAKAN WAVELET-NEURAL NETWORK (Studi Kasus : Perairan Tarempa)
SKRIPSI
Diajukan Sebagai Salah Satu Syarat Untuk Memperoleh Gelar Sarjana Stara-1
Oleh : Diana
NIM 110155201022
JURUSAN TEKNIK INFORMATIKA FAKULTAS TEKNIK
UNIVERSITAS MARITIM RAJA ALI HAJI 2015
FORM PENGESAHAN
Judul : SIMULASI DAN PREDIKSI PASANG SURUT AIR LAUT
MENGGUNAKAN WAVELET-NEURAL NETWORK (Studi kasus : Perairan Tarempa)
Nama : Diana
Nim : 110155201022
Program Studi : Teknik Informatika
Telah dipertahankan didepan dewan penguji dan dinyatakan lulus Pada tanggal 31 Agustus 2015
Susunan Tim Pembimbing
Pembimbing I : Martaleli Bettiza, S.Si, M.Sc ……… Pembimbing II : Nerfita Nikentari, S.T, M.Cs ………
Susunan Tim Penguji
Penguji I : Eka Suswaini, S.T., M.T. ………
Penguji II : Hendra Kurniawan, S.Kom., M.Sc.Eng ……… Penguji III : Said Thaha Ghafara, S.Kom, M.Si ………
Tanjungpinang, 4 September 2015
Ka. Jurusan Teknik Informatika Fakultas Teknik
Universitas Maritim Raja Ali Haji
Nerfita Nikentari, S.T, M.Cs NIP.198302032012122004
Saya yang bertanda tangan dibawah ini :
Nama : Diana
NIM : 110155201022
Jurusan / Program Studi : Teknik Informatika Fakultas / Program : Teknik
Dengan ini saya menyatakan bahwa skripsi saya yang berjudul Simulasi
dan Prediksi Pasang Surut Air Laut Menggunakan Wavelet-Neural Network benar
karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apapun kepada perguruan tinggi manapun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka dibagian akhir skripsi ini.
Jika dikemudian hari terbukti pernyataan saya ini tidak benar dan melanggar peraturan yang sah dalam karya tulis dan hak intelektual maka saya bersedia ijazah yang telah saya terima untuk ditarik kembali oleh Universitas Maritim Raja Ali Haji.
Tanjungpinang, 21 Juli 2014 Yang menyatakan
Karya tulis ini kupersembahkan kepada :
1. Ayahanda dan Ibunda tercinta,“di setiap harinya bercucuran keringat serta doa yang dikorbankan dan dipanjatkan untuk anakmu ini tanpa mengenal lelah”.
2. Mamah dan Ayah yang selalu mengajarkan aku banyak hal mengenai arti kehidupan.
3. Kaspul Annuar dan Karina Amanda Abangku dan adikku tersayang yang selalu memberikan warna warni kehidupan dirumah dengan canda, tangis tawa setiap kali bersama.
4. Muhammad Faisal Alhafis yang senantiasa selalu membantu, menasehati, menghibur, menjaga dan mendampingiku dalam menyelesaikan pendidikan yang aku tempuh.
MOTTO
Kesuksesan dan Kejayaan Hanya terdapat di dalam amal agama yang sempurna.
Bila kau telah berada diujung tali dan tak ada lagi untuk kau meniti, maka lompatlah ke tali yang lain.
KATA PENGANTAR
Segala Puji hanyalah milik Allah Subhanahuwata’ala, Dzat yang menciptakan segala sesuatu. Allah Subhanahuwata’ala, yang telah mengkaruniakan berbagai macam nikmat kepada tiap-tiap hamba-nya, yang mewariskan bumi beserta isinya kepada manusia, dan yang telah menetapkan bahwa kesuksesan dan kejayaan manusia hanyalah terdapat di dalam amal agama yang sempurna, sebagaimana yang telah ditunjuk ajarkan oleh baginda Nabi Muhammad Shallallahu’alaihiwasalam.disebabkan susah payah, mujahadah, fikir risau, dan tanggung jawab, serta pengorbanan beliaulah saat ini manusia dapat hidup di zaman yang penuh dengan peradaban dan ilmu pengetahuan.
Allah Subhanahuwata’ala, telah melimpahkan rahmat dan karunia-nya kepada penulis, sehingga dengan limpah rahmat dan karunia-nya tersebut penulis telah mampu menyusun dan menyelesaikan tugas akhir yang berjudul
“SIMULASI DAN PREDIKSI PASANG SURUT AIR LAUT
MENGGUNAKAN WAVELET-NEURAL NETWORK”. Penulisan tugas akhir ini ini dilakukan guna menyelesaikan studi yang telah penulis jalani di Universitas Maritim Raja Ali Haji demi mencapai derajat Sarjana Strata-1 pada fakultas Teknik.
Ucapan Terima Kasih Peneliti sampaikan kepada :
1. Orang Tua dan Keluarga yang selalu memberikan dukungan semangat serta doa demi kelancaran penyelesaian tugas akhir ini.
2. Ibu Nerfita Nikentari, S.T, M.Cs selaku Ketua Jurusan Teknik Informatika dan selaku Penasehat Akademik bagi diri penulis sebagai mahasiswa, beliau yang telah banyak memberikan sarannya kepada penulis, yang tentunya sangat membantu penulis dalam menyelesaikan tugas akhir ini. 3. Ibu Martaleli Bettiza, S.Si, M.Sc sellaku pembimbing I yang turut serta
telah membimbing dan memberikan pengarahan yang baik bagi penulis dalam menyelesaikan tugas akhir ini.
4. Mamah dan Ayah yang tidak pernah bosan-bosannya mengingatkan penulis akan tiga hal sederhana yang memiliki pengaruh yang kuat dalam berhidup sosial yaitu : jika bersalah segera meminta maaf, jika diberi segera ucapkan terima kasih dan jika jika menyuruh ucapkan tolong. 5. Muhammad Faisal Alhafis yang senantiasa menjaga serta menemani
penulis dalam menyelesaikan tugas akhir ini.
6. Muhammad Sadmi Alqoyum yang selalu ikut serta membantu, mendoakan dan menyukseskan penyelesaian tugas akhir ini.
7. Seluruh dosen UMRAH, terutama jurusan teknik informatika yang dengan ikhlas memberikan ilmu dan pengalamannya serta staff yang selalu dengan senang hati melayani administrasi perkuliahan.
8. Pak Rudi yang telah membantu penulis dalam pencarian data yang penulis butuhkan demi penyelesaian tugas akhir ini.
9. Teman-teman seperjuangan Sardi, Robby Kurniawan, Yuliandi, Reza Kurniawan, Hendi Yusdi, Kiki Setiawan, Dwi dan seluruh teknik
informatika angkatan 2011 yang selalu memberikan informasi, dan memberikan semangat serta arahan dalam menyelasikan tugas akhir ini. 10. Sahabat dan setiap insan yang turut membantu dalam penyelesaian tugas
akhir ini . penulis pun mengucapkan terima kasih kepada semua yang penulis tak mampu sebutkan satu persatu.
Penulis menyadari bahwa skripsi penelitian ini masih jauh dari kesempurnaan. Untuk itulah keritik dan saran yang membangun dari semua pihak sangat diharapkan adanya. Akhirnya penulis berharap agar penulisan karya tulis ini dapat bermanfaat bagi kita semua.
Tanjungpinang, 4 Agustus 2015
DAFTAR ISI
FORM PENGESAHAN ... i
LEMBAR PERNYATAAN ... ii
FORM PERSEMBAHAN ... iii
MOTTO ... iv
KATA PENGANTAR ... v
DAFTAR ISI ... viii
DAFTAR TABEL ... xi
DAFTAR GAMBAR ... xii
DAFTAR PERSAMAAN ... xiv
ABSTRAK ... xv ABSTRACT ... xvi BAB I PENDAHULUAN ... 1 1.1. Latar Belakang ... 1 1.2. Rumus Masalah ... 2 1.3. Batasan Masalah ... 2 1.4. Tujuan Penelitian ... 3 1.5. Manfaat Penelitian ... 3 1.6. Sistematikan Penulisan ... 4
BAB II KAJIAN LITERATUR ... 6
2.1. Kajian Terdahulu ... 6
2.2. Landasan Teori... 8
2.2.1. Wavelet-Neural Network ... 8
2.2.2. Transformasi Wavelet ... 8
2.2.3. Neural Network (Jaringan Syaraf Tiruan) ... 11
2.2.4. Pasang Surut Air Laut ... 23
BAB III METODELOGI PENELITIAN ... 25
3.2. Metode Pengumpulan Data ... 25
3.3. Metode Pengembangan Sistem ... 26
3.4. Alat Bantu Penelitian ... 28
3.4.1. Perangkat Keras (Hardware) ... 28
3.4.2. Perangkat Lunak (Software) ... 28
3.5. Keranka Pikir Penelitian ... 29
BAB IV PERANCANGAN DAN IMPLEMENTASI ... 30
4.1. Perancangan Sistem ... 30
4.2. Analisa Perancangan Wavelet-Neural Network ... 30
4.2.1. Flowchart Proses Wavelet-Neural Network ... 31
4.3. Perancangan Basis Data ... 52
4.3.1. Deskripsi Tabel user ... 52
4.3.2. Deskripsi Tabel model ... 52
4.3.3. Deskripsi Tabel Prediksi... 53
4.4. Perancangan Alur Sistem dengan ERD (Entity Relationship Diagram ... 54
4.5. Perancangan Alur Sistem dengan DFD (Data Flow Diagram) ... 55
4.5.1. Data Flow Diagram (DFD) Level 0 ... 55
4.5.2. Data Flow Diagram (DFD) Level 1 ... 56
4.5.3. Data Flow Diagram (DFD) Level 2 proses 2 (Data Model) ... 58
4.5.4. Data Flow Diagram (DFD) Level 2 proses 3 (Data Prediksi) .... .60
4.5.5. Data Flow Diagaram (DFD) Level 2 proses 4 (User) ... 62
4.6. Perancangan Antar Muka (User Interface) ... 63
4.6.1. Perancangan Form Login ... 63
4.6.2. Perancangan Form Utama ... 64
4.6.3. Perancangan Form Data Model ... 64
4.6.4. Perancangan Form Data Prediksi ... 65
4.6.5. Perancangan Form User ... 65
4.6.6. Perancangan Form Pemodelan ... 66
4.7. Implementasi ... 67
4.7.1. Form Login ... 67
4.7.2. Form Menu Utama ... 68
4.7.3. Form Data Model ... 68
4.7.4. Form Data Prediksi... 69
4.7.5. Form User ... 69
4.7.6. Form Pemodelan ... 70
4.7.7. Form Prediksi ... 70
4.8. Pengujian Sistem ... 71
4.8.1. Pengujian Black Box ... 71
BAB V ANALISA DAN PEMBAHASAN ... 76
5.1. Pemodelan Data ... 78 5.2. Pengujian Data ... 79 BAB VI PENUTUP ... 81 6.1. Kesimpulan ... 81 6.2. Saran ... 81 DAFTAR PUSTAKA ... 82
DAFTAR TABEL
Tabel 4.1 Contoh data model (data training) ... 34
Tabel 4.2 Contoh data prediksi (data testing) ... 34
Tabel 4.3 Contoh gabungan data model dan prediksi ... 34
Tabel 4.4 Contoh data hasil dekomposisi ... 35
Tabel 4.5 Contoh data hasil normalisasi ... 37
Tabel 4.6 Contoh data model hasil normalisasi... 37
Tabel 4.7 Contoh data prediksi hasil normalisasi ... 38
Tabel 4.8 Contoh bobot dan bias input layer ke hidden layer ... 39
Tabel 4.9 Bobot bias awal hidden layer ke output layer ... 39
Tabel 4.10 Contoh Hasil prediksi ... 47
Tabel 4.11 Contoh error rata-rata prediksi ... 47
Tabel 4.12 Contoh hasil denormalisasi ... 48
Tabel 4.13 Contoh hasil rekonstruksi ... 51
Tabel 4.14 Struktur tabel user ... 52
Tabel 4.15 Struktur tabel model ... 52
Tabel 4.16 Struktur tabel prediksi ... 53
Tabel 4.19 Pengujian Form Login ... 71
Tabel 4.20 Pengujian Form Data Model ... 72
Tabel 4.21 Pengujian Form data prediksi ... 73
Tabel 4.22 Pengujian Form User ... 74
Tabel 4.23 Pengujian Form Pemodelan ... 75
Tabel 4.24 Pengujian Form Prediksi ... 75
Tabel 5.1 Data model (12.234 data pasang surut 2013-2014) ... 76
Tabel 5.2 Data prediksi (4.150 data pasang surut 2015) ... 77
Tabel 5.3 Hasil pemodelan dengan perubahan (α) dan maksimum iterasi 10.000 ... 78
DAFTAR GAMBAR
Gambar 2.1 Contoh Citra 1 Dimensi ... 9
Gambar 2.2 Hasil Proses Transformasi Perataan dan Pengurangan dari Gambar Sebelumnya ... 10
Gambar 2.3 Proses Perataan dan Pengurangan dengan Dekomposisi Penuh (3 level) ... 10
Gambar 2.4 Hasil Proses Dekomposisi Penuh ... 10
Gambar 2.5 Sel Syaraf Secara Biologi ... 12
Gambar 2.6 Struktur Neuron Jaringan Syaraf ... 13
Gambar 2.7 Fungsi Aktifasi Sigmoid Biner ... 15
Gambar 2.8 Arsitektur Jaringan Backpropagation Neural Network ... 16
Gambar 3.1 Metode Pengembangan system Waterfall ... 26
Gambar 3.2 Kerangka Pikir ... 29
Gambar 4.1 Flowchart proses Wavelet-Neural Network ... 31
Gambar 4.2 Flowchart Dekomposisi data menggunakan Wavelet Haar ... 33
Gambar 4.3 Flowchart Pemodelan data menggunakan Backpropagation Neural Network ...36
Gambar 4.4 Flowchart Prediksi data menggunakan Backpropagation Neural Network ... 45
Gambar 4.5 Flowchart Rekonstruksi Data menggunakan Wavelet Haar ... 49
Gambar 4.6 Perancangan ERD (Entity Relation Diagram) ... 54
Gambar 4.7 Alur Sistem menggunakan Data Flow Diagram (DFD) level 0 ... 55
Gambar 4.8 Alur Sistem menggunakan Data Flow Diagram (DFD) level 1 ... 56
Gambar 4.9 Alur Sistem menggunakan Data Flow Diagram (DFD) level 2 proses 3 (Data Model) ... 58
Gambar 4.10 Alur Sistem menggunakan Data Flow Diagram (DFD) level 2 proses 3 (Data prediksi) ... 60 Gambar 4.11 Alur Sistem menggunakan Data Flow Diagram (DFD)
level 2 proses 4 (user) ... 62
Gambar 4.12 Perancangan form login ... 63
Gambar 4.13 Perancangan Form Utama ... 64
Gambar 4.14 Perancangan Form Data Model ... 64
Gambar 4.15 Perancangan Form Data Prediksi ... 65
Gambar 4.16 Perancangan Form User ... 65
Gambar 4.17 Perancangan Form Pemodelan ... 66
Gambar 4.18 Perancangan Form Prediksi Pasang Surut ... 67
Gambar 4.19 Form Login ... 67
Gambar 4.20 Form Menu Utama ... 68
Gambar 4.21 Form Data Model ... 68
Gambar 4.22 Form Data Prediksi ... 69
Gambar 4.23 Form User ... 69
Gambar 4.24 Form Pemodelan ... 70
DAFTAR PERSAMAAN …..Persamaan 2.1 ... 9 …..Persamaan 2.2 ... 9 …..Persamaan 2.3 ... 15 …..Persamaan 2.4 ... 17 …..Persamaan 2.5 ... 18 …..Persamaan 2.6 ... 18 …..Persamaan 2.7 ... 18 …..Persamaan 2.8 ... 18 …..Persamaan 2.9 ... 18 …..Persamaan 2.10 ... 18 …..Persamaan 2.11 ... 19 …..Persamaan 2.12 ... 19 …..Persamaan 2.13 ... 19 …..Persamaan 2.14 ... 19 …..Persamaan 2.15 ... 19 …..Persamaan 2.16 ... 19 …..Persamaan 2.17 ... 20 …..Persamaan 2.18 ... 20 …..Persamaan 2.19 ... 20 …..Persamaan 2.20 ... 20 …..Persamaan 2.21 ... 20 …..Persamaan 2.22 ... 20 …..Persamaan 2.23 ... 21 …..Persamaan 2.24 ... 21 …..Persamaan 2.25 ... 22 …..Persamaan 2.26 ... 23 …..Persamaan 2.27 ... 23
ABSTRAK
Pasang surut air laut berpengaruh terhadap pengoptimalan pemanfaatan potensi laut dan segala aktifitasnya, seperti halnya bongkar muat kapal dipelabuhan dan kegiatan para nelayan. Pada penelitian ini akan digunakan 12.234 data pasang surut harian tunggal perairan Tarempa dengan posisi Lintang 03o 13’ 05” U ( N ) dan Bujur 106o
13’ 09” T ( E ) tahun 2013 dan 2014 yang diperoleh dari Hidro-Oseanografi TNI AL Tanjungpinang untuk membangun model prediksi menggunakan wavelet-neural network. Pembentukan model tersebut akan diuji dengan 4.150 data pasang surut tahun 2015. Hasil pengujian ini akan diukur tingkat akurasinya dengan menghitung error rata-rata menggunakan MSE
(Means Square Error). Dimana dari hasil pengujian yang dilakukan didapat
pemodelan terbaik pada iterasi ke-1000 dengan learning rate 0,1 dengan akurasi model sebesar 99,984%.
Kata Kunci : Pasang Surut, Tarempa, wavelet-neural network, MSE (Means
ABSTRACT
Tidal effect on optimizing the utilization of the potential of the sea and all the activities, as well as loading and unloading ships in the seaports and activities of the fishermen. This research used data 12.234 tidal Data the single daily sea of Tarempa on the position latitude 03o 13 '05 "U (N) and longitude 106o 13' 09" T (E) in 2013 and 2014 were obtained from Hydro-Oceanographic Navy Tanjungpinang for build predictive models using wavelet-neural network. The establishment of the model will be tested with 4,150 tide data 2015. The results of these tests will be measured levels of accuracy by calculating the average error using MSE (Means Square Error). Where the results of tests performed best modeling obtained in the 1000 iteration of the learning rate of 0.1 by the model accuracy of 99.984%.
Key Words : Tidal, Tarempa, wavelet-neural network, MSE (Means Square
BAB I PENDAHULUAN
1.1. Latar Belakang
Tarempa merupakan nama ibu kota dari Kabupaten Kepulauan Anambas yang memiliki luas daratan 590,14 km2 sedangkan luas lautannya 46.074,00 km2. (kepri.bps.go.id). penduduk Tarempa pada umumnya memiliki mata pencarian sebagai nelayan, karena wilayah Tarempa merupakan surga bagi ikan (Diego, 2014). Banyaknya perikanan yang ada pada perairan Tarempa menjadikan laut sebagai sektor unggulan dalam pembangunan daerah dan kesejahteraan kehidupan masyarakat setempat. . Untuk itu dibutuhkan pengoptimalan pemanfaatan potensi sumberdaya perairan yang dimiliki.
Pengoptimalan potensi sumberdaya perairan dipengaruhi oleh fenomena pasang surut air laut, seperti halnya bongkar muat kapal di pelabuhan laut, kegiatan para nelayan, dan sebagainya. Pasang surut air laut setiap harinya tidak selalu sama, sehingga di perlukan prediksi pasang surut demi tercapainya pemanfaatan potensi sumberdaya perairan yang maksimal serta pembangunan daerah.
Prediksi pasang surut dapat diprediksi berdasarkan data pasang surut yang telah lalu. Pada penelitiana ini, data yang digunakan adalah data prediksi pasang surut air laut harian tunggal (diurnal tide) perairan Tarempa tahun 2013, 2014 dan 2015 dengan posisi Lintang 03o 13’ 05” U ( N ) dan Bujur 106o 13’ 09” T ( E ) yang didapat dari Hidro-Oseanografi TNI-AL Tanjungpinang. Setelah data
terkumpul, selanjutnya akan dibangun model prediksi pasang surut air laut menggunakan wavelet-neural network. hasil pemodelan tersebut akan dijadikan sebagai alternatif dalam memilih pola atau memprediksi pasang surut air laut. Dimana hasil prediksi akan digunakan untuk menghitung tingkat akurasi prediksi menggunakan MSE (Means Square Error).
1.2. Rumusan Masalah
Berdasarkan latar belakang masalah diatas, maka rumusan masalah dalam penelitian pada skripsi ini adalah bagaimana merancang model prediksi pasang surut air laut di perairan Tarempa pada posisi Lintang 03o 13’ 05” U ( N ) dan Bujur 106o 13’ 09” T ( E ) mengacu pada data pasang surut sebelumnya yang didapat di Hidro-Oseanography TNI AL Tanjungpinang.
1.3. Batasan Masalah
Mengingat masalah yang digunakan sangat luas sehingga perlu diberikan batasan agar penelitian menjadi fokus :
Data yang digunakan untuk pengolahan adalah data Prediksi Pasang Surut dari tahun 2013 sampai dengan 2015 Dimana data pelatihan adalah 12.234 data pasang surut tahun 2013 dan 2014, sedangkan data pengujian adalah 4.150 data pasang surut tahun 2015.
Penelitian dilakukan untuk memodelkan pasang surut air laut.
Sistem dibangun berbasis desktop dengan menggunakan bahasa pemrograman java.
1.4. Tujuan Penelitian
Tujuan yang ingin dicapai dalam penelitian ini adalah mendapatkan model prediksi pasang surut air laut harian tunggal (diurnal tide) perairan Tarempa pada posisi Lintang 03o 13’ 05” U ( N ) dan Bujur 106o 13’ 09” T ( E ) dengan
wavelet-neural network.
1.5. Manfaat Penelitian
Adapun manfaat dari penelitian ini adalah :
Model yang dibangun ini dapat dijadikan sebagai alternatif pemodelan dalam memilih pola atau memprediksi pasang surut air laut harian tunggal (diurnal tide) diwaktu yang akan datang.
Bagi sisi ilmu pengetahuan, menambah khasanah pengetahuan dengan menjadikan konfirmasi penggunaan metode wavelet-neural network dalam memprediksi pasang surut air laut.
1.6. Sistematika Penulisan
Sistematika penulisan laporan ini adalah sebagai berikut :
BAB I PENDAHULUAN
Pada bab ini membahas mengenai latar belakang, rumusan masalah, tujuan penelitian, batasan masalah dan manfaat penelitian.
BAB II KAJIAN LITERATUR
Pada bab ini membahas mengenai kajian terdahulu, landasan teori yang mencangkup isi pokok penelitian ini seperti : wavelet-neural network transformasi wavelet, tahapan-tahapan dari dekomposisi dan rekonstruksi dengan Wavelet
Haar, Jaringan Syaraf Tiruan (Artificial Neural
Network), tahapan-tahapan dari Algoritma
Backpropagation Neural Network dan inisialisasi
bobot awal menggunaka Nguyen Widrow, normalisasi dan denormalisasi data serta akurasi dengan MSE (Mean Square Error).
BAB III METODOLOGI PENELITIAN
Pada bab ini membahas mengenai jenis dan sumber data penelitian, metode pengumpulan data, metode
pengembangan sistem, jenis data yang diperlukan, alat bantu penelitian, kerangka pikir penelitian itu sendiri.
BAB IV PERANCANGAN DAN IMPLEMENTASI
Pada bab ini membahas mengenai analisa sistem, perancangan Flowchart Diagram, perancangan
Entity Relatioship Diagram (ERD), Data Flow
Diagram (DFD), perancangan user interface.
BAB V ANALISA DAN PEMBAHASAN
Pada bab ini membahas mengenai analisa dan pembahasan dari perancangan dan implementasi sistem yang dibahas pada bab IV.
BAB VI PENUTUP
Pada bab ini merupakan akhir dari penelitian yang berisikan kesimpulan dan saran.
DAFTAR PUSTAKA
Pada daftar pustaka ini berisikan tentang sumber-sumber-sumber yang digunakan sebagai pendukung pada kajian literature.
BAB II
KAJIAN LITERATUR
2.1. Kajian Terdahulu
Yusuf dkk (2015) melakukan penelitian tentang Model Hidrologi Runtun Waktu untuk Peramalan Debit Sungai menggunakan Metode Gabungan Transformasi wavelet Artificial Neural Network. Pada penelitian ini membahas tentang membangun model dengan gabungan Hybrid model dari Transformasi
Wavelet dan Artificial Neural Network. Dimana model peramalan yang digunakan
yaitu model peramalan dari satu hari sampai empat hari kedepan dan untuk pra-proses pembangunan model dengan menggunakan transformasi wavelet daubechies 5 dari level 1 sampai 3 untuk mengetahui model yang mana yang menghasilkan nilai regresi yang bagus untuk proses pengujian hasil peramalan. Adapun data yang digunakan adalah data debit tahun 2002-2010, kecuali data 2007 untuk proses dekomposisi dan rekonstruksi.
Gupta dkk (2014), melakukan penelitian tentang A Hybrid Model of
Wavelet and Neural Network For Short Term Load Forecasting dalam penelitian
ini penulis membahas mengenai peramalan beban listrik jangka pendek menggunakan daubechies (db4) sebagai mother wavelet dengan satu level koefisien detail dan satu koefisien approksimasi dimana pendekatan yang dilakukan menggunakan data histori beban listrik tahun 2006 hingga 2009 untuk mendeteksi beban listrik tahun 2010 dimana hasil peramalan model WNN ini
mampu memberikan akurasi peramalan yang cukup baik dibandingkan dengan menggunakan ANN dalam meramalkan beban.
Indrabayu dkk (2011) melakukan penelitian yang berjudul “Prediksi Curah Hujan di Wilayah Makassar Menggunakan Metode Wavelet-Neural Network”. Pada penelitian ini membahas mengenai prediksi curah hujan menggunakan metode Hybrid Wavelet-Neural Network dengan data harian mentah sebelumnya yang didapat dari BMKG (Badan Meteorologi Klimatologi dan Geofisika) dengan parameter temperature, kelembaban, kecepatan angina, tekanan udara, dan curah hujan. Sebelum memprediksi, terlebih dahulu menggunakan sistem pelatihan yang berguna agar hasil keluaran mempelajari pola dari masukan-masukan sebelumnya. Dalam sistem pelatihan kelima variabel tersebut kemudian dikompres menggunakan wavelet method setelah itu diprediksi dengan metode neural
network backpropagation dan hasil dari sistem pelatihan tersebut barulah
digunakan untuk memprediksi sekaligus memvalidasi antara data real dan data prediksi intensitas curah hujan harian pada tahun 2009, 2010, dan 2011. Khusus untuk tahun 2012, tidak diperoleh data real dari penelitian sebelumnya maupun dari BMKG setempat.
Purwitasari dkk (2009) melakukan penelitian tentang teknik peramalan data time series berbasis Dekomposisi Wavelet dan Multilayer Perceptron. Pada penelitian ini membahas mengenai penerapan dekomposisi wavelet sebagai fungsi kombinasi untuk memdeteksi noise pada data dengan cara memisahkan data berfrekuensi rendah dan data berfrekuensi tinggi dapat menurunkan tingkat error rata-rata lebih rendah dari pada tanpa menggunakan dekomposisi wavelet.
Dimana peramalan diawali dengan analisa korelasi untuk mengetahui karakteristik data guna membuktikan bahwa data bukan merupakan noise.
2.2. Landasan Teori
2.2.1. Wavelet-Neural Network
Menurut Yusuf dkk (2015) Wavelet-Neural Network merupakan sebuah model gabungan (hybrid model) dari Transformasi Wavelet dan Neural Network. Dalam pembangunan model wavelet-neural network, Model transformasi wavelet dikerjakan terlebih dahulu karena hasil data yang dikeluarkannya digunakan untuk model neural network. Model dari transformasi wavelet ini berfungsi untuk menghilangkan noise (denoise) pada data yang akan menghasilkan pola data yang lebih sederhana agar dapat memudahkan neural network dalam mengenali data yang pada akhirnya dapat bertujuan untuk menghasikan model yang lebih bagus.
2.2.2. Transformasi Wavelet
Teori wavelet adalah suatu konsep yang relative baru dikembangkan. Kata wavelet sendiri diberikan oleh Jean Morlet dan Alex Grossmann di awal tahun 1980-an, dan berasal dari bahasa prancis, ondelette yang berarti gelombang kecil. Kata onde yang berarti gelombang kemudian diterjemahkan ke bahasa inggris menjadi wave, lalu digabung dengan kata aslinya sehingga terbentuk kata baru wavelet (E.Bire dan Cahyono, 2012).
Transformasi wavelet merupakan suatu proses pengubahan data dalam bentuk lain agar mudah dianalisa. Proses transformasi wavelet dapat dilakukan
dengan proses pererataan dan pengurangan secara berulang. Proses ini banyak digunakan pada proses dekomposisi (Sutarno, 2010).
a. Dekomposisi Averaging dan Differencing
Rahman (2012) Dekomposisi perataan (averages) dan pengurangan
(differencing) memegang peranan penting untuk memahami transformasi wavelet.
Gambar berikut adalah contoh dekompoisi perataan dan pengurangan pada citra 1 dimensi dengan dimensi 8.
37 35 28 28 58 18 21 15
Gambar 2.1 Contoh Citra 1 dimensi (Rahman, 2012).
Perataan dilakukan dengan menghitung nilai rata-rata 2 pasang data dengan rumus:
………..…... (2.1)
Sedangkan pengurangan dilakukan dengan rumus :
………... (2.2)
Hasil proses perataan untuk citra diatas adalah :
Sehingga hasil proses dekomposisi perataan dan pengurangan terhadap citra asli diatas adalah :
36 28 38 18 1 0 20 3
Proses dekomposisi yang dilakukan diatas 1 kali (1 level) saja. Gambar 2.3 menunjukkan proses transformasi penuh dan berhenti setelah tersisa 1 piksel saja.
37 35 28 28 58 18 21 15
36 28 38 18 1 0 20 3
32 28 4 10
30 2
Pada setiap level, proses dekomposisi hanya dilakukan pada bagian hasil proses perataan. Hasil proses dekomposisi adalah gabungan dari proses perataan dengan seluruh hasil proses pengurangan. Citra hasil dekomposisi penuh diatas adalah :
30 2 4 10 1 0 20 3
Gambar 2.2 Hasil proses transformasi perataan dan pengurangan dari gambar sebelumnya (Rahman, 2012).
Gambar 2.3 Proses perataan dan pengurangan dengan dekomposisi penuh (3 level) Rahman 2012.
Pada citra berukuran maka dibutuhkan sebanyak n level untuk melakukan dekomposisi penuh sehingga dapat dikatakan kompleksitas (Rahman, 2012).
Proses rekonstruksi sepenuhnya merupakan kebalikan dari proses dekomposisi sesuai dengan tingkatan pada proses dekomposisi (Rahman, 2012). Salah satu keluarga wavelet adalah Wavelet Haar.
Wavelet haar merupakan wavelet paling tua dan paling sederhana, diperkenalkan oleh Alfred Haar pada tahun 1909. Koefisien transformasi ( ( ) ( )) ( ) (tapis low pass) dan ( ( ) ( )) ( ) (tapis high pass) yang dibahas diatas sebenarnya merupakan fungsi basis wavelet haar. Dekomposisi perataan dan pengurangan yang telah dilakukan sebelumnya sebenarnya sama dengan melakukan dekomposisi (transformasi) citra dengan wavelet haar (Putra 2010).
2.2.3. Neural Network (Jaringan Syaraf Tiruan) 2.2.3.1. Jaringan Syaraf secara biologis
Secara biologis jaringan syaraf merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut (Kusumadewi dan Hartati, 2010).
Menurut Budiharto dan suhartono (2014) Dari gambar diatas, dapat dilihat ada beberapa bagian dari otak manusia, yaitu :
Dendrit (Dendrites)
Berfungsi untuk mengirimkan impuls yang diterima ke badan sel syaraf Akson (Axon)
Berfungsi untuk mengirimkan impuls dari badan sel ke jaringan lain. Sinapsis
Berfungsi sebagai unit Fungsional di antara dua sel Syaraf. Gambar 2.5 Sel Syaraf secara Biologis (Kusumadewi dan
2.2.3.2. Komponen-Komponen Jaringan Syaraf
Menurut Kusumadewi dan Hartati (2010) ada beberapa tipe jaringan syaraf, namun demikian, hamper semuanya memiliki komponen-komponen yang sama. Seperti halnya otak manusia, jaringan syaraf juga terdiri dari beberapa
neuron, da nada hubungan antara neuron-neuron tersebut. Neuron-neuron akan
mentransformasikan informasi yang diterima melalui sambungan keluarnya menuju ke neuron-neuron yang lain. Pada jaringan syaraf, hubungan ini dikenal dengan nama bobot. Informasi tersebut disimpan pada suatu nilai tertentu pada bobot tersebut. Gambar 2.6 menunjukkan struktur neuron pada jaringan syaraf.
Jika kita lihat, neuron-neuron buatan ini sebenarnya mirip dengan sel neuron biologis. Neuron-neuron buatan tersebut bekerja dengan cara yang sama pula dengan neuron-neuron biologis. Informasi (disebut dengan : input) akan dikirim ke neuron dengan bobot kedatangan tertentu. Input ini akan diproses oleh suatu fungsi perambatan yang akan menjumlahkan nilai-nilai semua bobot yang datang. Hasil penjumlahan ini kemudian akan dibandingkan dengan nilai ambang tertentu, maka neuron tersebut akan diaktifkan, tapi kalau tidak, maka neuron tersebut tidak akan diaktifkan. Apabila neuron tersebut diaktifkan, maka neuron tersebut
Gambar 2.6 Struktur Neuron Jaringan Syaraf (Kusumadewi dan Hartati, 2010).
akan mengirimkan output melalui bobot-bobot output-nya ke semua neuron yang berhubungan dengannya. Demikian seterusnya (Kusumadewi dan Hartati, 2010).
Pada jaringan syaraf, neuron-neuron akan dikumpulkan dalam lapisan-lapisan (layer) yang disebut dengan lapisan-lapisan neuron (neuron layer). Biasanya
neuron-neuron pada satu lapisan akan dihubungkan dengan lapisan-lapisan
sebelum dan sesudahnya (kecuali lapisan input dan lapisan output). Informasi yang diberikan pada jaringan syaraf akan dirambatkan lapisan ke lapisan, mulai dari lapisan input sampai ke lapisan output melalui lapisan yang lainnya, yang sering dikenal dengan nama lapisan tersembunyi (hidden layer) Kusumadewi dan Hartati, (2010).
a. Fungsi Aktifasi
Dalam jaringan syaraf tiruan, fungsi aktifasi ini digunakan untuk menentukan keluaran suatu neuron berdasarkan proses yang dilakukan terhadap input yang dimasukkan ( Budiharto dan Suhartono, 2014 : 177).
Salah satu fungsi aktifasi pada neural network adalah fungsi sigmoid biner. Fungsi ini digunakan untuk jaringan syaraf yang dilatih dengan menggunakan metode bacpropagation. Fungsi sigmoid biner memiliki nilai pada range 0 sampai 1. Oleh karena itu, fungsi ini sering digunakan untuk jaringan syaraf tiruan yang membutuhkan nilai output yang terletak pada interval 0 sampai 1. Namun, fungsi ini bisa juga digunakan oleh jaringan syaraf yang nilai outputnya 0 atau 1 (Kusumadewi dan Hartati, 2010 :81).
( ) ………... (2.3)
b. Backpropagation Neural Network
Backpropagation merupakan algoritma pembelajaran yang terawasi dan
biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobot-bobot yang terhubung dengan neuron-neuron yang ada pada lapisan tersembunyi. Algoritma backpropagation menggunakan error output untuk mengubah nilai bobot-bobotnya dalam arah mundur (backward). Untuk mendapatkan error ini, tahap perambat maju (forward propagation) harus dikerjakan terlebih dahulu. Pada saat perambat maju, neuron-neuron diaktifkan dengan menggunakan fungsi aktifasi (Kusumadewi dan Hartati, 2010).
Gambar 2.7 Fungsi Aktifasi Sigmoid Biner (Budiharto dan Suhartono, 2014)
Arsitektur Jaringan Backpropagation seperti diatas terdiri dari tiga unit (neurons) pada lapisan masukan, yaitu X1, X2, X3; lapisan tersembunyi dengan 2 neurons,
yaitu Z1, Z2; serta 1 unit pada lapisan keluaran yaitu Y. Bobot yang
menghubungkan X1, X2, X3 dengan neuron pertama dan lapisan tersembunyi
adalah V11, V21, dan V31 (Vij : bobot yang menghubungkan neuron input ke-i ke
neuron ke-j pada lapisan tersembunyi). Untuk b11 dan b12 adalah bobot bias yang
menuju ke neurons pertama dan kedua pada lapisan tersembunyi. Bobot yang menghubungkan Z1, dan Z2 dengan neuron pada lapisan keluaran adalah W1 dan
W2. Bobot bias menghubungkan lapisan tersembunyi dengan lapisan keluaran.
Fungsi aktivasi yang digunakan antara lapisan tersembunyi dengan lapisan keluaran adalah fungsi aktivasi yang akan ditentukan pada tahap kalibrasi. ( Yusuf dkk 2015).
Gambar 2.8 Arsitektur Jaringan Backpropagation Neural Network (Kusumadewi dan Hartati, 2010).
c. Algoritma Pembelajaran Backpropagation
Menurut Kusumadewi dan Hartati (2010 algoritma backpropagation adalah sebagai berikut :
Inisialisasi bobot
Tetapkan : Maksimum epoch, target error, dan learning rate (α), neuron
hidden;
Inisialisasi : Epoch = 0.
Kerjakan langkah-langkah berikut selama (Epoch < maksimum Epoch) dan (MSE (error) < target error) :
1. Epoch = epoch +1
2. Untuk tiap-tiap pasangan elemen yang akan dilakukan pembelajaran, kerjakan;
Feedforward :
a. Tiap-tiap unit masukan ( ) menerima sinyal dan meneruskan sinyal tersebut ke semua unit pada lapisan yang ada diatasnya (lapisan tersembunyi).
b. Tiap-tiap unit pada suatu lapisan tersembunyi ( ) menjumlahkan sinyal-sinyal input terbobot ;
∑ ………...…... (2.4)
( ) ……….. (2.5)
Dan kirimkan sinyal tersebut ke semua unit dilapisan atasnya (unit-unit
output).
c. Tiap-tiap unit output ( ) menjumlahkan sinyal-sinyal input terbobot.
∑ ………..…... (2.6)
gunakan fungsi aktifasi untuk menghitung sinyal keluaran yaitu :
( ) ………... (2.7)
Dan kirimkan sinyal tersebut ke semua unit dilapisan atasnya (unit-unit
output).
Catatan :
langkah (b) dilakukan sebanyak jumlah lapisan tersembunyi.
Backpropagation :
a. Tiap-tiap unit output ( ) menerima target pola yang berhubungan dengan pola masukan pembelajaran, dan menghitung informasi error-nya :
( ) ( ) ………....…. (2.8) ………... (2.9)
Kemudian dihitung koreksi bobot (yang nantiya akan digunakan untuk memperbaiki nilai ) :
………... (2.11)
hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai ) :
………...…... (2.12)
Langkah (d) ini dilakukan sebanyak jumlah lapisan tersembunyi, yaitu menghitung informasi error dari suatu lapisan tersembunyi ke lapisan tersembunyi sebelumnya.
b. Tiap-tiap unit tersembunyi ( ) menjumlahkan delta masukannya (dari-unit-unit yang berbeda yang berada pada lapisan diatasnya ) yaitu :
∑ ………..….... (2.13)
Kalikan nilai ini dengan turunan dari fungsi aktifasinya untuk menghitung informasi error :
( ) ………... (2.14) ………... (2.15)
Kemudian hitung koreksi bobot (yang nantinya digunakan untuk memperbaiki nilai yaitu :
………... (2.17)
hitung juga koreksi bias (yang nantinya digunakan untuk memperbaiki ) :
………... (2.18)
c. Tiap-tiap unit output ( ) memperbaiki bias dan bobotnya ( ) :
( ) ( ) ………... (2.19)
( ) ( ) ………..…... (2.20)
Tiap-tiap unit tersembunyi ( ) memperbaiki bias dan bobotnya ( ) yaitu :
( ) ( ) ………..…... (2.21)
( ) ( ) ………..…... (2.22)
d. Inisialisasi Bobot Awal dengan Metode Nguyen-Widrow
Menurut Kusumadewi dan Hartati (2010), metode Nguyen-widrow akan menginisialisasi bobot-bobot lapisan dengan nilai antara -0,5 sampi 0,5. Sedangkan bobot-bobot dari lapisan input ke lapisan tersembunyi dirancang sedemikian rupa sehingga dapat meningkatkan kemampuan lapisan tersembunyi dalam melakukan proses pembelajaran. Metode Nguyen-widrow secara sederhana dapat diimplementasikan dengan prosedur sebagai berikut.
Tetapkan : n = jumlah neuron (unit) pada lapisan input
P = jumlah neuron (unit) pada lapisan tersembunyi. β = faktor penskalaan (= 0,7 (p) 1/n
kerjakan untuk setiap unit pada lapisan tersembunyi (j=1,2,…p) :
a. Inisialisasi bobot-bobot dari lapisan input ke lapisan tersembunyi : Vij bilangan random antara -0,5 sampai 0,5 (atau antara –γ sampai γ).
b. Hitung ||Vj ||
Dimana || || √( ) ( ) ( ) ………... (2.23)
c. Inisialisasi ulang bobot-bobot :
| | ………..…... (2.24)
d. Set bias :
b1j = bilangan random antara . Analisa Nguyen-Widrow
e. Transformasi Normal (Normalisasi)
Menurut Hidayat dkk (2012) Data-data yang ada dilakukan normalisasi dengan membagi nilai data tersebut dengan nilai range data (Nilai data maksimum – nilai data minimum). Tujuan dari normalisasi yaitu :
1. Untuk menghilangkan kerangkapan data. 2. Untuk mengurangi kompleksitas
3. Untuk mempermudah pemodifikasian data.
Jika fungsi aktifasi dengan menggunakan sigmoid biner (range 0 sampai range 1), maka data harus ditransformasi [0, 1] (Indra, 2014).
Menurut Hidayat dkk (2012) Adapun rumus untuk Normalisasi dalam range [0, 1] adalah :
………..…... (2.25)
Dengan : = Nilai data normal = Nilai data aktual
= Nilai minimum data aktual keseluruhan = Nilai maksimum data aktual keseluruhan.
Kemudian untuk mendapatkan nilai sebenarnya dari output perlu dilakukan proses denormalisasi.
f. Denormalisasi
Menurut Hidayat dkk (2012) denormalisasai dapat memberikan atau mengembalikan data, sehingga didapatkan predicted sales dari data training.
Menurut Indra (2014) adapun rumus denormalisasi dalam range [0,1] adalah : ( ) ………..…... ….(2.26) Dimana : = Nilai data normal
= hasil output jaringan
= data dengan nilai minimum = data dengan nilai maximum
g. MSE (Mean Square Error)
Menurut Hansun (2013) kriteria MSE menyatakan besarnya kesalahan rata-rata kuadrat dari suatu metode peramalan dengan rumus perhitungan :
∑ ………..…... (2.27)
Dimana :
menyatakan jumlah data.
adalah nilai kesalahan hasil ramalan yang diperoleh dari ̂ , dalam hal ini adalah nilai data aktual dan ̂ adalah nilai ramalan.
2.2.4. Pasang Surut Air Laut
Pasang surut air laut sebagian besar merupakan hasil gabungan dari gaya tarik grafitasi antara bumi dan bulan serta gaya tarik grafitasi antara bumi dan matahari. Pasang surut yang diakibatkan planet-planet lain pada umumnya diabaikan (puput, 2011).
Gaya tarik grafitasi bervariasi terhadap massa benda dan berbanding terbalik dengan jarak antara benda tersebut. Ini menjadi alasan mengapa pasang
surut di bumi dipengaruhi oleh bulan, bukan matahari. Karena jarak bumi dan matahari jauh lebih besar daripada bumi dan bulan. Pengaruh dari benda-benda angkasa lainnya dapat diabaikan. Berdasarkan hokum kesetimbangan Newton, adanya gaya tarik menarik antara benda langit inilah yang menyebabkan benda-benda langit tersebut tetap bergerak pada lintasannya.
Selisih antara pasang naik dan pasang surut di suatu posisi atau tempat disebut nilai tunggang pasang. Selain dari pengaruh gaya tarik menarik benda langit dan gerak rotasi bumi, besarnya nilai ini juga tergantung pada beberapa faktor local yang dapat mempengaruhi pasang surut disuatu perairan seperti, topografi dasar laut, lebar selat, bentuk teluk, dan sebagainya, sehingga berbagai lokasi memiliki ciri pasang surut yang berlainan (Wyrtki, 1961)
BAB III
METODOLOGI PENELITIAN
Pada metodologi penelitian ini terdiri dari beberapa sub bab yaitu jenis dan sumber data, metode pengumpulan data, metode pengembangan sistem, dan kerangka pikir penelitian yang digunakan dalam menyelesaikan masalah penelitian.
3.1. Jenis dan Sumber data
Jenis data yang digunakan dalam penelitian ini adalah data skunder. Data skunder adalah data yang telah diolah lebih lanjut dan disajikan dengan baik oleh pihak pengumpul data primer atau pihak lain (Dewi, 2013). Pada penelitian ini jenis data yang penulis kumpulkan dari pihak internal TNI-AL Tanjungpinang berupa data harian tunggal pasang surut Air laut pada perairan Tarempa dimulai dari tahun 2013 sampai dengan 2015.
3.2. Metode Pengumpulan Data
Metode yang digunakan dalam pengumpulan data adalah : - Studi Pustaka
Digunakan sumber pustaka yang relevan untuk mengumpulkan informasi yang diperlukan dalam penelitian, yaitu dengan mengumpulkan sumber pustaka berupa buku, jurnal dan prosiding seminar nasional, serta skripsi. Setelah sumber pustaka terkumpul, dilanjutkan dengan penelaahan dari sumber pustaka tersebut, yang pada akhirnya sumber pustaka itu dijadikan landasan untuk menganalisis permasalahan.
3.3. Metode Pengembangan Sistem
Pada tahap pengembangan sistem terdiri dari proses - proses yang terstruktur yaitu : analisa kebutuhan, desain sistem, penulisan kode program, pengujian program, penerapan program dan pemeliharaan. Metode pengembangan ini dikenal dengan model Waterfall menurut Sommerville
Berikut merupakan gambar model pengembangan Waterfall :
Adapun tahapan-tahapan pengembangan sistem dalam penelitian ini dengan menggunakan metode waterfall adalah sebagai berikut :
1. Requirements definition
Tahap ini menguraikan kebutuhan aplikasi yang utuh menjadi komponen-komponen aplikasi untuk mengetahui bagaimana aplikasi dibangun. Pada Gambar 3.1 Metode Pengembangan sistem Waterfall Menurut Sommerville
tahap ini hal yang dilakukan adalah mencari dan mempelajari referensi tentang sistem simulasi dan prediksi pasang surut air laut menggunakan
wavelet-neural network.
2. System and software design
Tahap ini merupakan tahap perancangan sistem. Pada tahap ini perancangan difokus pada perancangan struktur data, arsitektur perangkat lunak,
representasi interface dan algoritma proses simulasi dan prediksi
menggunakan wavelet-neural network.
3. Implementation and unit testing
pada tahap ini dilakukan penerjemahan hasil rancangan kedalam bahasa pemrograman Java. Dimana setelah design selesai diterjemahkan dilakukan pengujian terhadap sistem yang telah dibuat tadi dengan tujuan untuk menemukan kesalahan yang terjadi dan kemudian diperbaiki.
4. Integration and system testing
Pada tahap Integration and system testing ini merupakan tahapan akhir dari pembuatan sistem simulasi dan prediksi pasang surut air laut dimana pada tahap ini sistem sudah bisa digunakan oleh user.
5. Operation and Maintenance
Tahap operation and maintenance ini digunakan ketika terjadinya perubahan pada sistem simulasi dan prediksi pasang surut air laut atau tidak ditemukannya kesalahan pada tahap sebelumnya sehingga dibutuhkan perbaikan dalam peng-implementasiannya.
3.4. Alat Bantu Penelitian
3.4.1. Perangkat Keras (Hardware)
Perangkat keras (Hardware) yaitu berupa laptop dengan spesifikasi
1. Processor : Intel(R) Core(TM) i5-3337U CPU @1.80GHz 1.80 GHZ 2. Memory : 4096 MB RAM
3. Harrdisk : 500 GB dan SSD (Solid State Drive) 32 GB
3.4.2. Perangkat Lunak (software)
1. Sistem Operasi Windows 7 Ultimate
2. Xampp-win32-1.6.6a-installer
3. NetBeans IDE 7.4 Installer
4. Microsoft Office dan Excel 2010
5. Browser Google Chrome.
6. Dia-setup-0.97.2-2
3.5. Kerangka Pikir Penelitian
BAB IV
PERANCANGAN DAN IMPLEMENTASI
Pada bab ini akan dijelaskan kebutuhan data serta proses perancangan sistem dari perangkat lunak yang dibangun. Dimulai dari analisa kebutuhan, desain (perancangan), implementasi serta pengujian sistem.
4.1. Perancangan Sistem
Dalam pembuatan sebuah sistem diperlukan tahap perancangan sistem. Perancangan sistem sangat diperlukan untuk mendeskripsikan alur kerja pada sistem simulasi dan prediksi pasang surut air laut dengan menggunakan wavelet neral network. Tahap perancangan sistem ini akan lebih dirincikan pada tahap analisa perancangan sistem.
4.2. Analisis Perancangan Wavelet-Neural Network
Analisis perancangan Wavelet-neural network ini akan dibahas tentang pengolahan data pada sistem. Akan dipaparkan atau digambarkan dengan rancangan sistem yang dipresentasikan dalam flowchart. Flowchart yang akan dibahas mengenai jalannya sistem simulasi prediksi pasang surut air laut secara umum. Flowchart ini merupakan gambaran awal proses perancangan aplikasi dengan menggunakan wavelet-neural network.
Adapun proses pengolahan data pada sistem simulasi dan prediksi pasang surut air laut dengan wavelet-neural network adalah sebagai berikut.
4.2.1. Flowchart Proses Wavelet-Neural Network
pin
Pengolahan data inputan pasang surut air laut dengan parameter waktu (jam) dan tinggi pasang surut (m) perairan tarempa menggunakan data sebanyakan 12.234 data model yang didapat dari data tinggi pasang surut air laut tahun 2013-2014 dan 4.150 data prediksi yang didapat dari data pasang surut air laut tahun 2015 pada posisi Lintang 03o 13’ 05” U ( N ) dan Bujur 106o 13’ 09” T (E) yang diperoleh dari Hidro-Oseanografi TNI AL Tanjung pinang. Data hendaknya dikelompokkan terlebih dahulu terhadap masing-masing variabel. Misalnya variabel waktu (jam) dikelompokkan dengan waktu (jam) terjadinya pasang surut training (data model) dan data waktu terjadinya pasang surut testing (data prediksi). Begitu juga untuk variabel tinggi pasang surut.
Selanjutnya data yang telah dikelompokkan didekomposisi menggunakan wavelet haar. Dekomposisi wavelet haar merupakan proses pengubahan data dengan mencari nilai koefisisen perataan dan pengurangan secara berulang. Adapun alur proses dekomposisi menggunakan wavelet haar dapat digambarkan sebagai berikut :
4.2.1.1. Flowchart Dekomposisi Data menggunakan Wavelet Haar
Keterangan :
a. Data input (data model dan data prediksi) pasang surut. Tabel 4.1 Contoh data Model (data training) No Waktu (jam) ( ) Tinggi Pasut (m) ( ) Target (m) (T) 1 1 1,4 1,4 2 2 1,3 1,3 3 3 1,3 1,3 4 4 1,2 1,2
Tabel 4.2 Contoh Data Prediksi (data testing) No Waktu (jam) ( ) Tinggi Pasut (m) ( ) Target (m) (T) 1 5 1,1 1,1 2 6 1,0 1,0 3 7 0,8 0,8 4 8 0,7 0,7
Gabungkan data model dan data prediksi sesuai dengan variabelnya masing-masing.
Tabel 4.3 Contoh Gabungan Data Model dan Prediksi No Waktu (Jam) ( ) Tinggi Pasut (m) ( ) Target (m) (T) 1 1 1,4 1,4 2 2 1,3 1,3 3 3 1,3 1,3 4 4 1,2 1,2 5 5 1,1 1,1 6 6 1,0 1,0 7 7 0,8 0,8 8 8 0,7 0,7
b. Tentukan banyak level
Penentuan banyak level yang akan digunakan berdasarkan panjang data yang ada untuk tiap-tiap variabel. Pada data contoh terdapat 8 data. Dimana 8= sehingga banyaknya level yang akan dilalui pada proses dekomposisi ini adalah sebanyak 3 level. Proses dekomposisi dilakukan dengan menghitung nilai perataan dan pengurangan secara berulang dengan persamaan (2.1) dan (2.2). hasil dekomposisi disusun kembali berdasarkan hasil perataan dan pengurangan untuk menggantikan sekumpulan data asli. adapun hasil dari proses dekomposisi 3 level adalah sebagai berikut :
Tabel 4.4 Contoh Data Hasil Dekomposisi No Waktu (Jam) ( ) Tinggi Pasut (m) ( ) Target (m) (T) 1 4,5 1,1 1,1 2 -2 0,2 0,2 3 -1 0,05 0,05 4 -1 0,15 0,15 5 -0,5 0,05 0,05 6 -0,5 0,05 0,05 7 -0,5 0,05 0,05 8 -0,5 0,05 0,05
Hasil dari proses dekomposisi ini selanjutnya akan digunakan untuk melakukan proses normalisasi data.
4.2.1.2. Flowchart Pemodelan Data Menggunakan Backpropagation Neural Network
Gambar 4.3 Flowchart Pemodelan data Menggunakan
Keterangan :
a. Ambil data hasil dekomposisi b. Normalisasi data dalam range [0, 1]
Pada penelitian ini normalisasi data yang digunakan adalah normalisasi dalam range [0, 1] dengan persamaan (2.25).
Tabel 4.5 Contoh Data Hasil Normalisasi No Waktu (Jam) ( ) Tinggi Pasut (m) ( ) Target (m) (T) 1 1,000 1,000 1,000 2 0,000 0,142 0,142 3 0,153 0,000 0,000 4 0,153 0,095 0,095 5 0,230 0,000 0,000 6 0,230 0,000 0,000 7 0,230 0,000 0,000 8 0,230 0,000 0,000
Selanjutnya data hasil normalisasi akan dipisahkan kembali antara data model dan data prediksi.
Tabel 4.6 Contoh Data Model Hasil Normalisasi No Waktu (Jam) ( ) Tinggi Pasut (m) ( ) Target (m) (T) 1 1,000 1,000 1,000 2 0,000 0,142 0,142 3 0,153 0,000 0,000 4 0,153 0,095 0,095
Tabel 4.7 Contoh Data Prediksi Hasil Normalisasi No Waktu (Jam) ( ) Tinggi Pasut (m) ( ) Target (m) (T) 1 0,230 0,000 0,000 2 0,230 0,000 0,000 3 0,230 0,000 0,000 4 0,230 0,000 0,000
Data model hasil normalisasi akan digunakan untuk membangun model prediksi yang akan divalidasi dengan data prediksi hasil normalisasi. Adapun tahapan yang harus dilalui dalam pemodelan menggunakan backpropagation
neural network adalah sebagai berikut :
c. Inisialisasi bobot dengan Nguyen-Widrow
Inisialisasi bobot dengan Nguyen-Widrow ini tergantung pada model jaringan yang akan dibangun. Misalkan akan dibangun model jaringan dengan 2 input
layer, 3 hidden layer dan 1 output layer (2-3-1). maka inisialisasi bobot awal
input sebagai berikut :
Lalu hitung nilai ||Vj || dengan persamaan (2.23)
√( ) ( ) √( ) ( ) √( ) ( )
Selanjutnya inisialisasi ulang bobot-bobot input layer ke hidden layer ( ) dengan persamaan (2.24)
Tabel 4.8 Contoh Bobot dan bias input layer ke hidden layer
b1 0,22 0,53 0,44
Tabel 4.9 Bobot dan bias awal hidden layer ke Output layer Y W11 0,25 W21 0,48 W31 0.15 b21 0,1 d. Inisialisasi parameter
Misalkan : Maximum Epoch : 1
hidden layer : 3
target error : 0,1
learning rate ( ) : 0,1
e. Perhitungan feedforward
menjumlahkan sinyal-sinyal masukan berbobot hidden layer dengan persamaan (2.4)
( ) ( ) ( ) ( ) ( ) ( ) Hitung sinyal Keluarannya menggunakan persamaan (2.5)
Jumlahkan sinyal-sinyal berbobot output layer dengan persamaan (2.6) ( )( ) ( )( )
( )( )
Hitung sinyal keluarannya menggunakan persamaan (2.7)
f. Perhitungan Backpropagation
Hitung informasi error (δ) di output layer dengan persamaan (2.8)
( )( )( )
Kemudian Hitung koreksi bobot dan koreksi bias yang nanti akan digunakan untuk memperbaiki nilai dengan persamaan (2.11) dan (2.12).
( )( ) ( ) ( )( )( )
( )( )( ) ( )( )
Hitung penjumlahan delta inputan dari unit-unit yang berada pada lapisan diatasnya (neuron hidden ) dengan persamaan (2.13).
( )( ) ( )( )
( )( )
kemudian dikalikan dengan turunan dari fungsi aktifasinya untuk menghitung informasi error dengan persamaan (2.14).
( )( )( ) ( )( )( ) ( )( )( )
Hitung Koreksi perubahan Bobot dan bias input layer ke hidden layer (Vij)
dan bias (b1j) yang akan digunakan untuk meng-update (Vij) dengan
persamaan (2.17) dan (2.18) ( )( )( ) ( )( )( ) ( )( )( ) ( )( )( ) ( )( )( ) ( )( )( ) ( )( ) ( )( ) ( )( ) g. Perbaikan Bobot
Perbaiki Bobot dan Bias dengan persamaan (2.19) dan (2.20)
( ) ( ) ( )
Perbaiki Bobot dan Bias dengan persamaan (2.21) dan (2.22) ( ) ( ) ( ) 0,719639 ( ) ( ) ( ) 0,652219 ( ) ( ) ( ) 0,412138 ( ) ( ) ( ) 0,575764 ( ) ( ) ( ) -0,65063 ( ) ( ) ( ) 0,824134 ( ) ( ) ( ) 0,220263 ( ) ( ) ( ) 0,530796 ( ) ( ) ( ) 0,440142
Setelah didapat hasil perbaikan bobot data training pertama, maka gunakan bobot tersebut untuk perbaikan bobot dan bias pada data training ke-2, dan bobot yang dihasilkan pada training kedua digunakan untuk data training ke-3 dan begitu seterusnya.
Data Training ke-2
Sinyal keluaran output layer ( ) adalah:
Perubahan bobot output layer :
( ) ( ) ( )
( ) Perubahan bobot hidden layer :
( ) 0,719639 ( ) 0,652219 ( ) 0,412138
( ) 0,575661 ( ) -0,650818 ( ) 0,824075 ( ) 0,218668 ( ) 0,523695 ( ) 0,438301
Data Training ke-3
Sinyal keluaran output layer ( ) adalah:
Perubahan bobot output layer :
( ) ( ) ( )
( ) Perubahan bobot hidden layer :
( ) 0,719505 ( ) 0,651979 ( ) 0,41206 ( ) 0,575661 ( ) -0,650818 ( ) 0,824075 ( ) 0,216754 ( ) 0,515497 ( ) 0,436092 Data Training ke-4
Sinyal keluaran Output layer ( ) adalah:
Perubahan bobot output layer :
( ) ( ) ( )
( ) Perubahan bobot hidden layer :
( ) 0,719375 ( ) 0,651737 ( ) 0,411989 ( ) 0,575661 ( ) -0,650818 ( ) 0,824075 ( ) 0,21493 ( ) 0,507392 ( ) 0,43406
Setelah sampai pada data training ke-4, maka iterasi pertama selesai dikerjakan, proses diulangi hingga mencapai error terkecil atau epoch yang memenuhi toleransi yang ditentukan.
Hasil keluaran bobot dan bias pada iterasi yang telah ditentukan akan di simpan untuk digunakan untuk memvalidasi data prediksi.
4.2.1.3. Flowchart Prediksi Data Menggunakan Backpropagation Neural Network
Gambar 4.4 Flowchart Prediksi data Menggunakan
Keterangan :
a. Ambil data target prediksi hasil normalisasi
b. Ambil hasil perbaikan bobot pada proses pemodelan c. Perhitungan feedforward
Tahapan feedforward ini digunakan untuk menghitung keluaran hasil prediksi, d. Validasi terhadap data target
Untuk mendapatkan hasil prediksi, lakukan perhitungan keluaran hidden
layer terlebih dahulu menggunakan persamaan (2.4) dan (2.5)
( ( ) ( ) ( ( ) ( ) ( ( ) ( )
Hasil keluaran dari keluaran hidden layer ini digunakan untuk menghitung hasil prediksi dengan persamaan (2.6) dan (2.7)
( ( )) (( )( )) (( )( ))
Hasil prediksi data pertama dengan menggunakan parameter yang telah ditentukan adalah 0,719869
Ulangi langkah-langkah tersebut untuk menghitung hasil prediksi ke-2,3 dan 4 Tabel 4.10 Contoh Hasil Prediksi
No Prediksi (Y)
1
2
3
4
e. Hitung error rata-rata prediksi
Perhitungan error rata-rata hasil prediksi dapat dilakukan dengan menggunakan persamaan (2.27). dimana data yang digunakan adalah data keluaran hasil pemodelan sebagai data target dan data keluaran hasil prediksi.
Tabel 4.11 Contoh Error Rata-Rata Prediksi Target (T) Prediksi (Y) MSE pecahan % 0,000 0,719869 0,518211 51,8% 0,000 0,719869 0,518211 51,8% 0,000 0,719869 0,518211 51,8% 0,000 0,719869 0,518211 51,8% ∑ 51,8%
Dari Perhitungan error menggunakan MSE diatas didapat akurasi model prediksi sebesar 48,2%.
Hasil prediksi dengan 1 iterasi tidak memberikan hasil prediksi yang akurat, karena error yang di capai masih sangat besar. Untuk mendapatkan akurasi prediksi yang baik hendaklah membangun model dengan nilai error seminimum mungkin.
f. Denormalisasi data
Denormalisasi data ini dilakukan untuk mengembalikan data hasil normalisasi. Sama halnya dengan proses normalisasi, denormalisasi ini dilakukan dengan cara menggabungkan data model dan data prediksi terlebih dahulu. Dimana data
dan yang digunakan sama dengan data dan target pada proses
normalisasi. proses denormalisasi hanya dilakukan terhadap data target prediksi dan data hasil prediksi dengan persamaan (2.26).
Tabel 4.12 Contoh Hasil denormalisasi Target (m) (T) Prediksi (m) (Y) 1,1 0,759341 0,2 0,81519 0,05 0,813006 0,15 0,808123 0,05 0,805862 0,05 0,805862 0,05 0,805862 0,05 0,805862
Hasil denormalisasi ini akan digunakan untuk proses rekonstruksi. Dimana proses rekonstruksi merupakan proses yang digunakan untuk mengembalikan data hasil dekomposisi.
4.2.1.4. Flowchart Rekonstruksi data menggunakan Wavelet Haar
Gambar 4.5 Flowchart Rekonstruksi Data menggunakan Wavelet Haar
Keterangan :
a. Ambil Data Hasil Denormalisasi b. Tentukan Banyak Level
Banyak level proses rekonstruksi ini sama hal nya dengan banyaknya level pada proses dekomposisi. Dimana pada contoh ini level dekomposisi yang dilakukan sebanyak 3 level, Maka banyaknya level proses rekonstruksi juga akan dilakukan sebanyak 3 level. Proses rekonstruksi ini bisa dilakukan dengan menggunakan invers.
Proses Rekonstruksi Data Target : [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ]
Proses rekonstruksi Hasil Prediksi : [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ]
Tabel 4.13 Contoh Hasil Rekonstruksi Target (m) Prediksi (m) 1,4 3,193399 1,3 1,581674 1,3 1,567387 1,2 -0,04434 1,1 1,558136 1,0 -0,05359 0,8 0,05811 0,7 1,66983
Hasil rekonstruksi diatas merupakan hasil rekonstruksi data target prediksi dari penggabungan data model dan data prediksi. Namun untuk mengetahui hasil prediksi maka pisahkan data model.
4.3. Perancangan Basis Data
Basis data digunakan sebagai tempat penyimpan data program. Selain dari tempat penyimpanan data, basis data juga berfungsi untuk mengatur dan memilih data sesuai kategorinya atau jenisnya masing-masing.
4.3.1. Deskripsi Tabel user
Nama Database : pasut Nama Tabel : user Primary Key : id_user
Tabel 4.14 Struktur Tabel User
No Nama Kolom Type Data Panjang Data Keterangan
1 id_user Int 5 Autoincrement
2 username Varchar 20 Nama User
3 password Varchar 16 Password User
4 nama_lengkap Varchar 100 Nama Lengkap User
4.3.2. Deskripsi Tabel model Nama Database : pasut Nama Tabel : model Primary Key : id_model
Tabel 4.15 Struktur Tabel Model
No Nama Kolom Type Data Panjang Data Keterangan
1 id_model Int 11 Autoincrement
2 tgl_model date - Tanggal data model
3 Jam Int 2 Jam data model
4.3.3. Deskripsi Tabel Prediksi Nama Database : pasut Nama Tabel : prediksi Primary Key : id_prediksi
Tabel 4.16 Struktur Tabel Prediksi
No Nama Kolom Type Data Panjang Data Keterangan
1 id_prediksi Int 11 Autoincrement
2 tgl_prediksi date - Tanggal data prediksi
3 jam Int 2 Jam data target prediksi
4 tinggi_real double - Data tinggi pasang surut aktual
4.4. Perancangan Alur Sistem dengan ERD (Entity Relationship Diagram) Perancangan basis data pada penelitian ini dibuat dalam bentuk Entity
Relationship Diagram (ERD). Adapun Entity Relationship Diagram (ERD) yang
telah dibuat pada aplikasi ini menampilkan skema hubungan antara table dalam database Simulasi dan Prediksi Pasang Surut Air Laut.
4.5. Perancangan Alur Sistem dengan DFD (Data Flow Diagram)
Setelah mengetahui bagaimana alur program dan data berjalan secara umum pada sub bab sebelumnya. Pada sub bab ini akan dijelaskan bagaimana perancangan sistem yang dibuat untuk membangun Aplikasi Simulasi dan Prediksi Pasang Surut Air Laut. Alat bantu yang digunakan adalah Data Flow
Diagram (DFD).
4.5.1. Data Flow Diagram (DFD) level 0
Pada DFD Level 0 diatas sistem digambarkan secara umum, dimana user dapat melakukan login, meng-input data pasang surut sebagai data model yang akan digunakan sebagai data pemodelan, meng-input data pasang surut sebagai data prediksi, meng-input data user sebagai user. Kemudian keluaran dari sistem akan memberikan hasil pemodelan yang dibentuk dan hasil prediksi serta besarnya
error yang terjadi.
Gambar 4.7 Alur Sistem menggunakan Data Flow
4.5.2. Data Flow Diagram (DFD) Level 1
Pada DFD level 1 ini terdapat 6 proses diantaranya proses 1.0 Login, proses 2.0 Data Model, proses 3.0 Data Prediksi, proses 4.0 User 5.0 Pemodelan dan Prediksi, dan proses 6.0 Simulasi.
Pada proses 1.0 Login merupakan proses utama saat user berinteraksi atau menggunakan sistem. Pada proses ini user memasukkan username dan password
Gambar 4.8 Alur Sistem menggunakan Data Flow Diagram
