21 BAB 3
METODE PENELITIAN
3.1. Wilayah dan Jadwal Penelitian
Wilayah penelitan adalah Kota Banda Aceh. Penelitian ini dilakukan mulai bulan April sampai Juli 2014.
3.2. Populasi dan Sampel
Populasi dalam penelitian ini ialah seluruh data nilai PGA pada setiap lokasi gempa di daerah Banda Aceh. Sedangkan sampel yang digunakan adalah sebanyak 20 lokasi. Duapuluh lokasi tersebut dibagi lagi menjadi 17 training data dan 3 testing data.
3.3. Sumber Data
Sumber data adalah data sekunder yang diperoleh dari penelitian Sengara (2008) dan Badan Meteorologi Klimatologi dan Geofisika yang berjudul “Microzonation and Hazard Mapping of Meuraxa District-Banda Aceh”.
3.4. Variabel Penelitian
Variabel dalam penelitian ini adalah PGA sebagai output, latitude dan longitude sebagai input.
3.5. Teknik Analisis Data
Langkah-langkah dari teknik analisis dalam penelitian ini adalah: 1. Eksplorasi data.
2. Membagi sampel menjadi training data dan testing data. Training data akan digunakan pada langkah tiga sampai enam, sedangkan testing data akan digunakan pada langkah tujuh.
3. Pemilihan fungsi kernel, dintaranya kernel RBF, kernel Linear, dan kernel Polynomial.
4. Menentukan nilai-nilai parameter sesuai fungsi Kernel yang digunakan dengan metode grid search. Pada kernel RBF parameter yang digunakan adalah C dan gamma, sedangkan kernel Linear hanya menggunakan parameter C, dan kernel Polynomial menggunakan parameter C, offset, scale, dan degree.
5. Mengoptimasi Support Vector Regression dengan Lagrange sehingga didapatkan nilai alpha dan bias.
6. Membuat hyperplane.
7. Melakukan testing dari hyperplane yang terbentuk dengan memprediksi menggunakan testing data.
8. Dari ketiga kernel yang digunakan, dilakukan perbandingan hasil prediksi mana yang terbaik dengan membandingkan nilai MSE.
3.6. Langkah-langkah Penelitian
Gambar 3.1. Desain Penelitian
Desain penelitan pada penelitian ini disajikan pada Gambar 3.1. Data yang digunakan berisikan variabel latitude, longitude, dan PGA. Proses statistika yang dilakukan pada penelitian ini adalah melakukan pemilihan kernel yang akan digunakan dan mencari nilai parameter dari kernel yang telah dipilih, setelah itu dilakukan optimasi menggunakan Lagrange yang menghasilkan nilai Lagrange Multiplier atau alpha dan nilai bias, kemudian setelah mendapatkan parameter-parameter tersebut baru dapat didefinisikan
Data PGA Latitude Longitude Computer Based Proses Pemilihan kernel Penentuan parameter kernel Lagrange multiplier
α
Bias MSE Testing Output Prediksimodel hyperplane-nya, dan langkah terakhir dalam proses yakni melakukan testing dengan memprediksi testing data menggunakan hyperplane yang sudah dibuat, kemudian dihitung nilai Means Square Error (MSE) untuk menjadi tolak ukur keakuratan dari nilai prediksi. Untuk output dari penelitian ini berupa prediksi nilai PGA berdasarkan testing data menggunakan hyperplane.
3.7. Perancangan Aplikasi Program
Tahapan yang dilakukan pada pembuatan program adalah mengikuti model Waterfall. Tahapan tersebut adalah :
1. Requirements Definition
Program ini dibuat dengan tujuan untuk dapat memberikan kemudahan bagi pengguna dalam menggunakan software R khususnya dalam hal penerapan metode SVR. Pada aplikasi ini pengguna akan dapat memprediksi nilai PGA yang belum diketahui pada suatu titik lokasi. Pada metode SVR dibutuhkan nilai PGA yang sudah diketahui besertakan longitude dan latitude, maka dari itu aplikasi ini membutuhkan fungsi import data yang kemudian data akan diproses secara statistik di program R. Kebutuhan lainnya ialah menghubungkan antara Java dengan R agar aplikasi dapat menggunakan fungsi statistika dalam R dan menampilkan hasil dari perhitungan kedalam Java.
2. System and software design
Design dari aplikasi ini merupakan suatu sequence atau urutan proses dalam penggunaan penerapan metode Support Vector Regression, sehingga secara jelas pengguna dapat menggunakan aplikasi ini dengan mudah.
Aplikasi ini akan terdiri dari 4 halaman, yakni halaman pertama yang digunakan untuk tahap pertama yaitu mengimport data atau
mengambil data, kemudian halaman kedua merupakan penentuan kernel serta parameter-parameter kernelnya, selanjutnya halaman ketiga
merupakan informasi dalam proses SVM berupa nilai alpha (Lagrange Multiplier), bias, dan MSE dari persamaan hyperplane yang terbentuk dari metode SVM, halaman terakhir berisikan tentang hasil prediksi dari data input.
Gambar 3.2 Desain Halaman Pertama Input Data
Gambar 3.2 menggambarkan desain dari halaman pertama yang merupakan tahap pertama dalam aplikasi ini, yaitu import data. Import data dapat dilakukan dengan memilih tombol browse, tombol browse ini berfungsi untuk mencari lokasi (dalam komputer) file data yang akan digunakan. Dalam aplikasi ini file yang dapat diimport hanya file yang berformat .txt, syarat lain ialah data harus berisikan variabel latitude, longtitude, dan PGA, kemudian input data dan training data harus berada dalam satu file. Pada halaman pertama ini pengguna diminta memasukan range data dalam file yang akan dijadikan training data dan testing data, yang nantinya training data akan digunakan untuk membuat fungsi hyperplane, dan testing data akan digunakan untuk testing dalam memprediksi. Setelah semua terisi maka pengguna harus memilih tombol next untuk melanjutkan ke proses selanjutnya.
Gambar 3.3 Desain Halaman Kedua Pemilihan Kernel
Halaman kedua ini berisikan pemilihan fungsi kernel. Pengguna diberikan kebebasan untuk memilih fungsi kernel mana yang akan digunakan, hal ini diberikan karena tidak selamanya suatu fungsi kernel baik digunakan pada semua kasus, jadi pengguna dapat membandingkan penggunaan fungsi kernel mana yang terbaik dalam prediksi suatu kasus.
Gambar 3.5 Desain Halaman Kedua kernel Linear
Gambar 3.6 Desain Halaman Kedua Kernel Polynomial
Ketiga gambar diatas Gambar 3.4, Gambar 3.5, dan Gambar 3.6 merupakan bagian dari halaman kedua. Halaman tersebut muncul apabila fungsi kernel sudah dipilih, ialah menentukan parameter-parameter fungsi kernel yang sudah dipilih. Setiap fungsi kernel memiliki parameternya masing-masing, contohnya pada fungsi kernel Radial Basis Function memiliki parameter C dan Gamma, dalam RBF kedua parameter tersebut dibutuhkan untuk memetakan ke dalam feature space, sama halnya dengan fungsi kernel lain dengan parameter yang berbeda.
Parameter-parameter dari tiap kernel harus ditentukan oleh pengguna, cara menentukannya tentu dengan percobaan, ada beberapa macam metode dalam menentukan parameter terbaik, contohnya gridsearch yang digunakan dalam penelitian ini. Sama dengan halaman sebelumnya tombol next digunakan untuk melanjutkan ke proses berikutnya, namun tombol next tidak dapat dieksekusi apabila pemilihan kernel dan pengisian parameter belum diisi.
Gambar 3.7 Desain Halaman Ketiga
Gambar 3.7 diatas merupakan halaman ketiga yang memuat informasi akan optimasi dengan Lagrange berupa nilai alpha (Lagrange Multiplier) dan bias, alpha menggambarkan seberapa banyak training data yang menjadi support vector, tiap support vector memiliki nilai alpha-nya masing-masing, dan bias merupakan konstan sehingga hanya ada satu nilai bias dalam persamaan hyperplane. Kemudian ada pula informasi tentang MSE (Mean Square Error), MSE ini mengindikatorkan seberapa besar error yang dihasilkan oleh persamaan hyperplane dalam memprediksi training data, tentunya semakin kecil error maka semakin bagus hasil prediksinya. Halaman ini berfungsi agar pengguna dapat menganalisis proses SVR dengan kernel dan parameter yang telah ditentukan pengguna, sehingga pengguna dapat menentukan kernel dan nilai parameter yang terbaik pada masing-masing kasus.
Gambar 3.8 Desain Halaman Keempat Prediksi Testing Data
Halaman keempat merupakan tahap akhir dari aplikasi ini yaitu menampilkan hasil prediksi nilai PGA dari testing data. Hasil prediksi nilai PGA ini didapat dengan memasukan nilai latitude dan longtitude kedalam hyperplane yang telah dibentuk menggunakan training data.
3. Implementaion and Unit Testing
Pada tahap ini rancangan aplikasi akan diimplementasikan dan dikembangkan menggunakan Java Programming dengan software NetBeans dan R-Language.
4. Integration and System Testing
Program akan diintegrasikan dan diuji coba secara keseluruhan untuk mencari apakah ada error pada aplikasi, apabila terdapat kesalahan pada code yang menyebabkan terjadinya error maka langsung dilakukan perbaikan.
5. Operation and Maintenance
Program akan digunakan dalam praktiknya dan mengkoreksi kesalahan yang tidak ditemukan sebelumnya, memperbaiki sistem dan meningkatkan kinerja sistem.
