BAB 2
LANDASAN TEORI
Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan penerapan metode Weighted Evolving Fuzzy Neural Network untuk prediksi banjir di daerah aliran sungai Asam Kumbang Belawan dan beberapa data mendukung.
2.1Daerah Aliran Sungai (DAS)
DAS (Daerah Aliran Sungai) dalam bahasa inggris dikenal Istilah Watershed atau Catchment Area. Berdasarkan Undang-undang No.7 tahun 2004 tentang sumber daya
air diartikan sebagai wilayah daratan yang memiliki satu kesatuan antara sungai dengan anak sungai, fungsi dalam Daerah Aliran Sungai ini yaitu menampung, menyinpan dan mengalirkan secara alami yang berasal dari curah hujan ke danau menuju ke laut, selain itu DAS (Daerah Aliran Sungai) ketersediaan kebutuhan bagi Masyarakat Seperti Irigasi, Transportasi dan kebutuhan lainnya (Peracitra, 2012).
DAS (Daerah Aliran Sungai) adalah Suatu Wilayah tata air yang terbentuk secara alami membentuk kesatuan antara sungai dan anak sungai, fungsinya yaitu menampung dan mengalirkan air yang berasal dari Curah Hujan (Peracitra, 2012).
contoh dari faktor Alami seperti Tanah dan Erosi sedangakan factor Antropogenik seperti pengundulan hutan, pertanian dan polusi air (Peracitra, 2012).
Kondisi Hidrologi pada DAS (Daerah Aliran Sungai) tidak menjadi seimbang dikarenakan jumlah limpasan lebih besar dibandingkan air yang tersimpan pada suatu wilayah DAS (Daerah Aliran Sungai) (Peracitra, 2012). DAS (Daerah Aliran Sungai) memiliki 3 bentuk yaitu :
1. Bulu Burung
DAS (Daerah Aliran Sungai) terdiri dari aliran di kiri dan kanan sungai utama, aliran tersebut dari anak sungai menuju ke sungai utama. DAS (Daerah Aliran Sungai) yang memiliki bentuk bulu burung kemungkinan memiliki debit banjir kecil karena waktu tiba banjir dari anak sungai tidak sama sehingga banjir yang terjadi berlangsung lama (Peracitra, 2012).
2. Bentuk Radial
DAS (Daerah Aliran Sungai) memiliki pengaliran berbentuk kipas dari anak sungai menuju satu titik secara radial. DAS (Daerah Aliran Sungai) ini memiliki banjir yang besar pada suatu titik pertemuan antara anak sungai satu ke anak sungai yang lain (Peracitra 2012).
3. Bentuk Paralel
Gambar 2.1 Macam-macam Bentuk DAS (Machairiyah, 2007)
2.2Teknik peramalan
Teknik peramalan (Forecasting) merupakan nilai prediksi yang diambil dari data masa lalu dari sebuah variabel yang sudah diketahui atau beberapa kumpulan variabel yang saling berhubungan untuk mengestimasi nilai prediksi di masa yang akan datang. Data dalam teknik peramalan ini berdasarakan kepada suatu keahlian penilaian yang didasari pada pengalaman atau data historis. Tujuan dari teknik peramalan ini adalah untuk mengetahui jumlah permintaan yanag akan terjadi di masa yang akan datang berdasarkan pada variabel perminataan (Syafii & Edyan, 2013).
2.3Logika Fuzzy
Fuzzy dapat diartikan sebagai kabur atau samar-samar suatu nilai dapat bernilai
benar atau bernilai salah secara bersamaan. Logika fuzzy diperkenalkan oleh Prof. lotfi Zadeh tahun 1965. Logika fuzzy merupakan suatu logika yang memilih nilai kesamaan (Fuzzyness) antara benar atau salah, logika fuzzy memiliki derajat keanggotaan dalam rentang 0 sampai 1. Logika fuzzy menunjukan sampai sejauh mana sebuah nilai itu benar dan sejauh mana sebuah nilai itu salah (Nasution, 2012).
derajat dari kebenaran. Logika fuzzy digunakan untuk menerjemahkan besaran yang diekpresikan mengunakan bahasa (Nasution, 2012).
Kelebihan dari logika fuzzy adalah mampu memproses penalaran secara bahasa sehingga dalam proses pembuatannya tidak memerlukan persamaan matematika dan suatu objek yang akan dikendalikan (Nasution, 2012).
2.3.1 Himpunan Fuzzy
Himpunan Fuzzy Merupakan suatu kelompok yang dimana mewakili suatu kondisi tertentu untuk suatu variabel fuzzy. Contoh : untuk variabel umur yaitu Muda, Tua dan Parobaya (Amiruddin,2011). Grafik Himpnan fuzzy dapat dilihat pada gambar 2.2
Gambar 2.2 Contoh grafik himpunan fuzzy pada variabel umur (Amiruddin,2011)
Didalam Himpunan fuzzy terdapat 2 atribut yaitu linguistik dan numeris. Linguistik
merupakan pemberian nama suatu kelompok yang mewakili kondisi tertentu dengan
mengunakan bahasa alami seperti : muda, tua dan parobaya dan numeris merupakan nilai
yang menunjukan suatu ukuran pada variabel seperti : 20, 40, dan 35.(Amiruddin,2011)
2.3.2 Fungsi Keanggotaan fuzzy
fungsi untuk menentukan sebuah nilai keanggotaan yaitu linear, kurva segitiga, kurva trapesium dan metode lainnya (Amiruddin, 2011) :
1. Representasi Linear
Representasi Linear adalah pemetaan input ke derajat keanggotaanya digambarkan dalam garis lurus. Ada 2 (dua) jenis fuzzy linear yaitu linear naik dan linear turun. Linear naik memiliki derajat keanggotaan nol (0) bergerak ke kanan menuju ke derajat keanggotaan yang lebih tinggi. Gambar Representasi Linear naik dapat dilihat pada gambar 2.3
Gambar 2.3 Grafik fungsi keanggotaan pada representasi linier naik Fungsi Keanggotaan: sebelah kiri bergerak menurun ke domain derajat keanggotaan yang lebih rendah. Gambar Representasi Linear turun dapat dilihat pada gambar 2.4
Fungsi Keanggotaan:
[ ] { (2.2)
2. Representasi Kurva Segitiga
Kurva Segitiga adalah gabungan antara 2 (dua) garis linear. Gambar Representasi Kurva Segitiga dapat dilihat pada gambar 2.5
Gambar 2.5 Grafik fungsi keanggotaan pada representasi kurva segitiga Fungsi Keanggotaan:
Kurva Trapesium adalah meneyerupai bentuk segitiga, tapi ada beberapa titik yang memiliki nilai keanggotaan bernilai 1 (satu). Gambar Representasi Kurva Trapesium dapat dilihat pada gambar 2.6
Gambar 2.6 Grafik fungsi keanggotaan pada representasi kurva trapesium
Fungsi Keanggotaan:
[ ] {
(2.4)
2.3.3 Sistem Inferensi Fuzzy
Sistem inferensi fuzzy merupakan suatu komputasi yang didasari pada teori himpunan fuzzy, aturan fuzzy berbentuk IF – THEN dan penalaran fuzzy. Untuk proses sederhana dari sistem inferensi fuzzy yaitu sistem akan menerima input kemudian input dikirim ke basis pengetahuan yang berisi n aturan fuzzy. Fire strength dicari pada setiap aturan. Apabila jumlah aturan lebih dari satu, maka dilakukan agregasi dari semua aturan kemudian hasil tersebut akan dilakukan defuzzy untuk mendapat nilai output sistem (kusumadewi & Hartati, 2010). Diagram blok sistem inferensi fuzzy dapat dilihat pada gambar 2.7
Gambar 2.7 Diagram blok sistem inferensi fuzzy (Kusumadewi & hartati, 2010)
2.4 Artifical Neural Network (ANN) / Jaringan Syaraf tiruan
Artifical Neural Network (ANN) / Jaringan Syaraf tiruan adalah suatu teknologi
Jaringan syaraf tiruan juga melakukan pemrosesan informasi pada jaringan syaraf biologi. Informasi (input) akan ditujukan ke node dengan bobot – bobot tertentu. Informasi (input) diproses oleh fungsi perambatan yang dijumlahkan semua nilai perkalian input sesuai dengan bobot yang datang. Hasil penjumlahan ini akan dibandingkan dengan sebuah nilai ambang tertentu melalui fungsi aktivasi pada tahap node (Herdinata, 2010).
Apabila input melewati nilai ambang maka hasil akan diaktifkan jika tidak melewati nilai ambang maka node tidak akan diaktifkan, jika node telah diaktifkan maka node tersebut mengunakan ouput melalui bobot-bobot ouput ke semua node yang saling berhubungan (Herdinata, 2010).
2.5 Evolving Connection System (ECOS)
Banyak metode yang dikembangkan dan mengunakan computational intelligence seperti Jaringan Syaraf Tiruan (JST), Sistem Fuzzy, Sistem Hibrida dan metode-metode lainnya, tapi ada beberapa masalah dalam menerapkan teknik ini untuk pengembangan yang lebih kompleks (Kasabov, 2007), yaitu :
1. Kesulitan dalam preselecting sistem arsitektur untuk model kecerdasan buatan memiliki arsitektur yang tetap (jumlah neuron dan koneksi tetap). Hal ini sangat sulit untuk sistem beradaptasi dengan data baru yang distribusikan yang tidak diketahui.
2. Sistem akan melupakan sejumlah data besar pengetahuan sambil belajar dari data baru
4. Kurangnya fasilitas representasi pengetahuan banyak arsitektur kecerdasan buatan yang menangkap parameter statistik selama pelatihan tapi tidak memfasilitasi penggalian aturan berkembang dalam hal informasi bermakna linguistic.
Untuk mengatasi masalah diatas, ditingkatkan konektifitas baru serta metode hibrida dan teknik yang diperlukan dari segi algoritma pembelajaran dan pengembangan sistem.
Dalam sistem informasi ini sangat membantu dalam memahami dinamika proses dimodelkan, aturan yang berkembang, dalam pengetahuan menangkap fungsi dan proses ini mengambil jalan pintas untuk memecahkan masalah yang kompleks. Persyaratan mendefenisikan dari Artificial Intelligence (AI) yang disebut Evolving Intelligence Systems (EIS) (Kasabov, 2007).
Evolving Intelligence System (EIS) adalah sistem informasi yang mengembangkan
struktur, fungsi dan pengetahuan terus-menerus, self-terorganisir, dan interkatif dari berbagai sumber informasi yang masuk sehingga meningkatkan kinerjanya (Kasabov, 2007).
Salah satu metode Evolving Intelligence System (EIS) yaitu Evolving Connectionist Systems (ECOS) adalah suatu metode pembelajaran yang adaptif,
sistem mewakili pengetahuan yang mengembangkan struktur dan fungsi, yang dimana dalam inti sistem terdapat arsitektur yang koneksionis yang terdiri dari neuron (pengelolahan informasi) dan hubungan antar neuron (Kasabov, 2007).
Adaptasi ini didefinisikan melalui (Kasabov, 2007) :
1. Seperangkat aturan yang terus berkembang.
2. Satu set parameter (gen) yang dapat berubah selama operasi sistem.
3. Aliran input informasi ‘yang masuk dengan yang tidak diketahui distribusinya. 4. Kriteria alasan diterapkan untuk mengoptimalkan kinerja sistem dari waktu ke
waktu.
Gambar 2.8 Arsitektur ECOS (Kasabov, 2007)
2.6Weighted Evolving Fuzzy Neural Network
Algoritma soft computing yang menggabungkan teori fuzzy neural network telah menemukan berbagai aplikasi dalam berbagai bidang mulai dari pengendalian lingkungan industry sistem, parameter proses, mesin semi-konduktor peramalan kapasitas, peramalan lingkungan bisnis, analisis keuangan, indeks saham fluktuasi peramalan, konsumen Pinjaman, diagnosa medis dan permintaan listrik peramalan. (Pei-Chann Cang, et al, 2007)
Penelitian oleh Lin dan Lee (1991) adalah studi awal untuk mengkombinasikan teori Fuzzy dengan neural network. mereka mengusulkan model hibrida yang menggabungkan gagasan fuzzy logic controller, struktur Neural Network dan kemampuan belajar menjadi logika fuzzy Neural-berbasis jaringan terpadu kontrol dan sistem pengambilan keputusan (Pei-Chann Cang, et al, 2007)
Penelitian ini terutama menerapkan data historis untuk melanjutkan penelitian tentang Weighted evolving Fuzzy Neural Network (WEFuNN). Metode Weighted evolving Fuzzy Neural Network (WEFuNN) dialokasikan sesuai dengan kepentingan
dalam setiap faktor untuk menghitung kesamaan.. Banyak keuntungan dari WEFuNN yaitu Kemampuan Pelatihan yang efektif dan cepat dan memiliki akurasi yang tinggi. (Pei-Chann Cang, et al, 2007).
Berikut ini adalah algoritma Weighted Evolving Fuzzy Neural Network yang digunakan untuk memprediksi data runtun waktu (Phei Chann et al, 2007).
1. Meghitung derajat keanggotaan terhadap data yang akan dilatih dengan mengunakan fungsi keanggotaan segitiga (member function Triangle)
2. Membangun aturan pertama yang dibangun dari input data pertama, bobot koneksinya sebagai berikut
= Lapisan ke 2 dan lapisan ke 3 (2.5)
= Lapisan ke 3 dan lapisan ke 4 (2.6)
W4n = Lapisan ke 4 dan lapisan output (2.7) m = Jumlah Aturan (2.8)
3. Membangun aturan fuzzy dan mempelajari bobot jaringan, semua data pelatihan harus diproses dalam langkah berikut
A. Kesamaan Perhitungan
Bobot Euclidean Di,m yang digunakan untuk menghitung jarak antara – I dan aturan ke – m, yang memiliki persamaan :
Di,m
√∑ ∑
[ ]
Yang dimana Rj,k (m) mengemukakan sebuah nilai m untuk fitur j dan daerah k diambil dari sebuah laporan penelitian ini. Selain itu untuk menghubungkan jarak dan kesamaan digunakan sebuah fungsi transfer eksponensial yaitu persamaan
(2.10) B. Penentuan Aturan
jika nilai A1i lebih besar sThr dimana sThr adalah kesamaan ambang batas maka lanjut ke langkah (C). jika nilai A1i lebih kecil sThr maka harus membuat aturan fuzzy baru dan kembali ke langkah (A).
C. Perhitungan Output
linier mentransfer Fungsi akan digunakan untuk mentransfer kabur fungsi keanggotaan kasus I ke ramalan keluaran Fuzzy
A2i,m = Satlin( x A1i) (2.11)
D.
Hitung error antara ramalan fuzzy kasus i dan permintaan fuzzy dalam kondisi Ai,Erri = |A2i,m– Ai| (2.12)
Jika Erri <Ethr mempertahankan hasil peramalan ini, dimana Ethr adalah ambang batas kesalahan. Jika tidak, buat aturan fuzzy yang baru dan menghitung bobot koneksi dan kembali ke langkah (A).
E. setiap output perkiraan fuzzy telah defuzzifikasi ke output perkiraan nyata yang dimana
Oi = W4n x A2i,m (2.13)
[ ] (2.14)
(2.15)
(2.16)
2.7Penelitian Terdahulu
Metode telah diimplementasikan untuk memprediksi berbagai hal, termasuk memprediksi banjir pada tabel 1.2.
1. Perancangan Program Aplikasi Peramalan Banjir Kanal Barat Jakarta mengunakan AutoRegresi Multivariant. (Im, 2011)
Penelitian ini dilakukan untuk gambaran karakteristik ketinggian permukaan air di pintu sungai manggarai. Hasil penelitian ini membantu petugas pintu air dalam memberi peringatan dini dan upaya penanggulangin banjir. Koefisien diterminasi memiliki nilai sebesar R2 = 0,4056%.
2. Perancangan Sistem Prediksi kemungkinan Banjir Di daerah Jakarta Pusat dengan Logika Fuzzy (Edwardus & Dennisleo, 2012)
Dalam penelitian dibuat untuk memberikan sebuah informasi yang cukup akurat terhadapat peringatan terjadinya bencana banjir di Jakarta pusat.
3. A Weighted Evolving Fuzzy Neural Network for Electricity Demand Forecasting (Pei-Chann Chang, et al, 2009)
4. The Development of a Weighted Evolving Fuzzy Neural Network for PCB Sales Forecasting (Pei-Chann, et al, 2007)
Dalam penelitian ini dibuat untuk meramalkan penjualan PCB dengan Weighted Evovling Fuzzy Neural Netwok memasukan 15 faktor yang mempengaruhi dan
untuk mekombinasikan antar faktor mengunakan Grey Relation Analysis (GRA) untuk eksperimen ini mempunyai nilai MAPE sebesar 2,11 %
Tabel 2.1 Penelitian Terdahulu
No Nama Peneliti Tahun Metode yang digunakan
1 Ingrap Im 2011
Perancangan Program Aplikasi Peramalan banjir kanal barat Jakarta mengunakan Autoregresi Multivariant
2 Edwardu &
Dennisleo 2012
Perancangan sistem prediksi kemungkinan banjir didaerah Jakarta pusat dengan logika fuzzy
3 Pei - Chan, et all 2009
A Weighted Evolving Fuzzy Neural
Network for Electricity Demand
Forecasting
4 Pei-Chann, et al 2007
The Development of a Weighted Evolving Fuzzy Neural Network for
PCB Sales Forecasting
Untuk itu telah dilakukan penelitian sebelumnya maka penulis akan melakukan penelitian prediksi banjir dengan mengunakan Weighted Evolving F uzzy Neural Network (WEFuNN), yang dimana Weighted Evolving Fuzzy Neural Network
