PREDIKSI BANJIR DENGAN MENGUNAKAN WEIGHTED EVOLVING
FUZZY NEURAL NETWORK (WEFUNN)
SKRIPSI
REZA ELFANDRA SIREGAR
091402098
PROGRAM STUDI TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER & TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
PREDIKSI BANJIR DENGAN MENGGUNAKAN WEIGHTEDEVOLVING FUZZY NEURAL NETWORK (WEFUNN)
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana Teknologi Informasi
REZA ELFANDRA SIREGAR 091402098
PROGRAM STUDI TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
PERSETUJUAN
Judul : PREDIKSI BANJIR DENGAN MENGGUNAKAN
WEIGHTED EVOLVING FUZZY NEURAL NETWORK (WEFUNN)
Kategori : SKRIPSI
Nama : REZA ELFANDRA SIREGAR
Nomor Induk Mahasiswa : 091402098
Program Studi : SARJANA (S1) TEKNOLOGI INFORMASI
Departemen : TEKNOLOGI INFORMASI
Fakultas : ILMU KOMPUTER DAN TEKNOLOGI
INFORMASI (FASILKOMTI) UNIVERSITAS SUMATERA UTARA
Diluluskan di Medan, Juni 2014
Komisi Pembimbing :
Pembimbing 2 Pembimbing 1
Dr. Erna Budhiarti Nababan, MIT M. Fadly Syahputra, B.Sc, M.Sc.IT NIP NIP 19830129 200912 1 003
Diketahui/Disetujui oleh
Program Studi S1 Teknologi Informasi Ketua,
iii
PERNYATAAN
PREDIKSI BANJIR DENGAN MENGGUNAKAN WEIGHTED EVOLVING FUZZY NEURAL NETWORK (WEFUNN)
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.
Medan, Juni 2014
UCAPAN TERIMA KASIH
Puji dan syukur penulis sampaikan kehadirat Allah SWT yang telah memberikan rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan skripsi ini sebagai syarat untuk memperoleh gelar Sarjana Teknologi Informasi, Program Studi S1 Teknologi Informasi Universitas Sumatera Utara.
1. Ucapan terima kasih penulis sampaikan kepada Bapak Muhammad Fadly Syahputra, B.Sc, M.Sc.IT. selaku pembimbing satu dan Ibu Dr. Erna Budhiarti Nababan, MIT selaku pembimbing dua yang telah banyak meluangkan waktu, pikirannya, memotivasi dan memberikan kritik dan saran kepada penulis.
2. Ucapan terima kasih juga ditujukan kepada Bapak Romi Fadillah Rahmat, B.Comp.Sc, M.Sc dan Ibu Sarah Purnamawati, S.T, M.Sc yang telah bersedia menjadi dosen pembanding.
3. Ucapan terima kasih juga ditujukan kepada Ketua dan Sekretaris Program Studi Teknologi Informasi, Bapak Muhammad Anggia Muchtar, ST, MM, IT dan Bapak Muhammad Fadly Syahputra, B.Sc, M.Sc.IT, Dekan dan Pembantu Dekan Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara, semua dosen serta pegawai di Program Studi S1 Teknologi Informasi.
4. Skripsi ini terutama penulis persembahkan untuk Orang tua dan keluarga penulis yang telah memberikan dukungan dan motivasi, ibunda Hj Elfiani Munir yang selalu menjadi panutan dan memberikan semangat kepada penulis. Untuk abang penulis Dodi Alfan Siregar dan kakak penulis Erin Padilla Siregar yang selalu memberikan dorongan semangat kepada penulis.
v
ABSTRAK
Banjir merupakan salah satu bencana alam yang sangat merugikan masyarakat. Oleh karena itu, diperlukan suatu pendekatan untuk dapat memprediksi banjir di masa depan. Data yang digunakan adalah data dari data tinggi permukaan air Daerah Aliran Sungai Asam Kumbang Belawan. Data tersebut berdasarkan data runtun waktu. Metode Weighted Evolving Fuzzy Neural Network (WEFuNN) merupakan pengembangan dari metode Evolving Fuzzy Neural Network (EFuNN) yang memiliki struktur Hybird dari metode FuzzyInferenceSystem dan Jarigan Syaraf Tiruan dengan menerapkan prinsip Evolving Connectionist System (ECOS) di dalam jaringan. Hasil pendekatan nilai sebenarnya dengan mengunakan metode WEFuNN dari tanggal 1 Januari 2011 sampai dengan 31 Desember 2012 menghasilkan tingkat error sebesar 0.23 % dan untuk hasil prediksi pada tanggal 1 Januari 2013 memberikan nilai keakuratan sebesar ±80 % dari data sebenarnya bersumber dari Direktorat Jendral Sumber Daya Air Balai Wilayah Sungai Sumatera II.
Kata kunci : weightedevolving fuzzy neural network, evolving fuzzy neural network,
FLOOD PREDICTION USING WEIGHTED EVOLVING FUZZY NEURAL NETWORK (WEFUNN)
ABSTRACT
Flood is one of the nature disaster that cause many losses in society. Therefore in the research approach is required to predict nature disaster such as flood in the future.. Data used is water surface level watershed Asam Kumbang Belawan. Data based on time series. Method weighted evovling fuzzy neural network (WEFuNN) is developed method from Evolving Fuzzy Neural Network (EFuNN) has a hybird structure from
fuzzy inference system and neural network which is applying principle evolving connectionist system (ECOS) in the network. for an approach actual data result with method weighted evovling fuzzy neural network (WEFuNN) from January 1st 2011 to December 31st 2012 yield of 0,23 % rate error. And for flood prediction result for January 1st 2013 give an approach yield of ±80 % compare to actual data source form Direktorat Jendral Sumber Daya Air Balai Wilayah Sungai Sumatera II.
Keyword : weighted evolving fuzzy neural network, evolving fuzzy neural network,
vii
DAFTAR ISI
Hal.
PERSETUJUAN ii
PERNYATAAN ii
UCAPAN TERIMA KASIH iv
ABSTRAK v
2.1 Daerah Aliran Sungai (DAS) 7
2.2 Teknik Peramalan 9
2.3 Logika Fuzzy 9
2.3.1 Himpunan fuzzy 10
2.3.2 Fungsi Keanggotaan fuzzy 10
2.3.3 Sistem Inferensi fuzzy 13
2.4 Artifical Neural Network (ANN) / Jaringan Syaraf Tiruan 13 2.5 Evolving Connection System (ECOS) 14 2.6 Weighted Evolving F uzzy Neural Network 16
2.7 Teknik Prediksi Terdahulu 16
BAB 3 ANALISIS DAN PERANCANGAN SISTEM 21
3.1 Data yang Digunakan 21
3.2. Metode Penelitian 22
3.3 Perancangan Sistem 27
3.3.1 Use case diagram 27
3.3.2 Use case spesifikasi 28
3.3.3 Data flow diagram 34
3.3.4 Perancangan menu sistem 36
3.3.5 Perancangan tampilan antarmuka 36
3.3.5.6 Rancangan halaman pengaturan tinggi permukaan air 41 3.3.5.7 Rancangan tampilan halaman pengaturan Parameter 42
BAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM 44
4.1 Implementasi Sistem 44
4.1.1 Spesifikasi perangkat keras dan perangkat lunak 44
4.1.2 Implementasi perancangan antarmuka 45
4.1.3 Implementasi data 51
4.2 Pengujian Sistem 52
4.2.1 Rencana pengujian sistem 52
4.2.2 Kasus dan hasil pengujian sistem 53
4.2.3 Pengujian kinerja sistem 57
4.2.4 Data Pelatihan 62
4.2.5 Data Pengujian 68
BAB 5 KESIMPULAN DAN SARAN 69
5.1 Kesimpulan 69
5.2 Saran 69
DAFTAR PUSTAKA 70
ix
DAFTAR TABEL
Hal.
Tabel 2.1 Penelitian Terdahulu 20
Tabel 3.1 Rangkuman Data Tinggi Permukaan Air pada wilayah DAS Asam
Kumbang 21
Tabel 3.2 Use Case Data Tinggi Permukaan Air 29
Tabel 3.3 Use Case Prediksi Banjir 29
Tabel 3.4 Use Case Tutorial Penggunaan Aplikasi 30
Tabel 3.5 Use Case Profil Administrator 30
Tabel 3.6 Use Case Pengaturan Data Tinggi Permukaan Air 32
Tabel 3.7 Use Case Pengaturan Parameter 33
Tabel 4.1 Rangkuman Data Tinggi Permukaan Air pada wilayah DAS Asam
Kumbang 52
Tabel 4.2 Rencana Pengujian Sistem 53
Tabel 4.3 Hasil Pengujian Login 53
Tabel 4.4 Hasil Pengujian Data Tinggi Permukaan Air 54
Tabel 4.5 Hasil Pengujian Prediksi 55
Tabel 4.6 Hasil Pengujian Hasil Prediksi 55
Tabel 4.7 Hasil Pengujian Profil Administrator 56
Tabel 4.8 Hasil Pengujian Pengaturan Data Tinggi Permukaan Air 56
Tabel 4.9 Hasil Pengujian Pengaturan Parameter 57
Tabel 4.10 Data Tinggi Permukaan Air pada wilayah DAS Asam Kumbang 57
Tabel 4.11 Nilai Normalisasi 58
Tabel 4.12 Nilai Member Function Triangle 58
Tabel 4.13 Nilai Hasil dan Prediksi 60
Tabel 4.14 Nilai Denormalisasi 61
DAFTAR GAMBAR
Hal.
Gambar 2.1 Macam-macam bentuk DAS (Machairiyah, 2007) 9 Gambar 2.2 Contoh Grafik Himpunan Fuzzy Pada variabel umur(Amiruddin, 2011) 10 Gambar 2.3 Grafik Fungsi Keanggotaan pada Representasi Linear naik (Amiruddin,
2011) 11
Gambar 2.4 Grafik Fungsi Keanggotaan pada Representasi Linear turun (Amiruddin,
2011) 11
Gambar 2.5 Grafik Fungsi Keanggotaan pada Representasi Kurva Segitiga
(Amiruddin, 2011) 12
Gambar 2.6 Grafik Fungsi Keanggotaan pada Representasi Kurva Trapesium
(Amiruddin, 2011) 12
Gambar 2.7 Diagram blok sistem inferensi fuzzy 13
Gambar 2.8 Arsitektur ECOS (kasabov,2007) 16
Gambar 3.1 Grafik Tinggi Permukaan Air 22
Gambar 3.2 Flowchat data training 23
Gambar 3.3 Flowchat data testing 25
Gambar 3.4 Use Case Diagram sistem 27
Gambar 3.5 Diagram Flow Diagram Level 0 34
Gambar 3.6 Diagram Flow Diagram Level 1 35
Gambar 3.7 Struktur Menu Sistem 36
Gambar 3.8 Rancangan tampilan halaman Home 37
Gambar 3.9 Rancangan tampilan halaman data tinggi permukaan air 38
Gambar 3.10 Rancangan tampilan halaman prediksi 39
Gambar 3.11 Rancangan tampilan halaman hasil prediksi 40 Gambar 3.12 Rancangan tampilan halaman profil administrator 41 Gambar 3.13 Rancangan tampilan halaman pengaturan data tinggi permukaan air 42 Gambar 3.14 Rancangan tampilan halaman pengaturan parameter 43
Gambar 4.1 Hasil pengujian halaman home 45
Gambar 4.2 Hasil pengujian halaman data tinggi permukaan air 46
Gambar 4.3 Hasil pengujian halaman prediksi 47
Gambar 4.4 Hasil pengujian halaman hasil prediksi 48 Gambar 4.5 Hasil pengujian halaman profil administrator 49 Gambar 4.6 Hasil pengujian halaman pengaturan data tinggi pengaturan tinggi
permukaan air 50
Gambar 4.7 Hasil pengujian halaman pengaturan parameter 51
Gambar 4.8 Grafik Hasil Pelatihan 62
Gambar 4.9 Grafik Pelatihan nilai error 67
