Fakultas Ilmu Komputer
Universitas Brawijaya 6517
Prediksi Ketinggian Gelombang Laut Menggunakan Metode Jaringan Saraf Tiruan Backpropagation
Nurhana Rahmadani1, Budi Darma Setiawan2, Sigit Adinugroho3
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1hanarahmadanikai@gmail.com, 2s.budidarma@ub.ac.id, 3sigit.adinu@ub.ac.id
Abstrak
Prediksi ketinggian gelombang laut adalah hal yang cukup sulit dilakukan. Salah satu faktor pembangkit gelombang yaitu faktor angin yang dipengaruhi oleh arah angin dan kecepatan angin.
Faktor-faktor tersebut sulit dihitung dan diprediksikan secara manual karena kondisi angin terus berubah-ubah setiap saat. Prediksi ketinggian gelombang penting dilakukan karena sangat berguna bagi keselamatan pelayaran. Banyak metode prediksi yang digunakan untuk melakukan prediksi, salah satunya metode JST Backpropagation yang digunakan dalam penelitian ini untuk memprediksikan ketinggian gelombang laut pada jam berikutnya. Penelitian ini menggunakan data time-series berupa data ketinggian gelombang, arah angin dan kecepatan angin setiap jam di Laut Jawa Timur dari tahun 2013 hingga 2014. Penerapan metode JST Backpropagation dalam prediksi ketinggian gelombang laut dilakukan melalui beberapa tahapan yaitu normalisasi data, inisialisasi bobot menggunakan Nguyen- Widrow, pelatihan, pengujian dan peramalan. Data latih merupakan data ketinggian gelombang laut, arah angin, dan kecepatan angin setiap satu jam dari bulan Januari hingga Desember tahun 2013 dan data uji adalah data dari bulan Januari hingga Juni 2014. Proses pelatihan tersebut menggunakan learning rate 0,5 , 4 neuron input layer, 3 neuron hidden layer, 1 neuron output layer, batas error MAPE pelatihan sebesar 13,2% dan maksimum iterasi sebesar 30000. Kombinasi parameter tersebut menghasilkan rata-rata MAPE pengujian sebesar 17,53182%.
Kata kunci: backpropagation, jaringan saraf tiruan, prediksi, ketinggian gelombang laut Abstract
Sea wave height prediction is difficult thing to do. One factors become wave generator is wind that influenced by wind direction and wind speed. These factors are difficult to calculate and predict manually, because wind conditions change any time. Wave height prediction is important because useful for shipping safety. Many prediction methods can used to make predictions, one of them is ANN Backpropagation used in this study to predict wave height in the next hour. Time-series data used in this study is wave height, wind direction, and wind speed data every one hour in East Java Sea from 2013 to 2014. The application of ANN Backpropagation in prediction of wave height is through by several phases, there are data normalization, weight initialization using Nguyen-Widrow, training, testing, and forecasting. The training data used is wave height, wind direction, and wind speed data every one hour from January to December 2013 and the test data used is data from January to June 2014. The training process used learning rate 0.5 ,4 neurons input layer,3 neurons hidden layer,1 neuron output layer, error limit MAPE training of 13,2% and maximum of 30000 iterations.The combination of these parameters produces average MAPE test value of 17.53182%.
Keywords: backpropagation, artificial neural network, prediction, sea wave height
1. PENDAHULUAN
Indonesia merupakan negara kepulauan dimana 75% luas wilayahnya berupa lautan.
Selain menyimpan banyak kekayaan alam, laut juga memiliki peran penting dalam mendorong
perekonomian negara serta sebagai sarana transportasasi untuk menjangkau pulau-pulau di wilayah Indonesia. Salah satu perairan dengan kepadatan aktifitas maritimnya terdapat di Laut Jawa. Dengan luas kira-kira 310.000 km2 dan memiliki letak yang sangat strategis yaitu
diantara pulau Jawa, Kalimantan, Sulawesi dan Sumatera menjadikan Laut Jawa sebagai laut dengan kegiatan transportasi laut yang padat.
Banyak kapal yang melintas Laut Jawa, berakibat pula terhadap banyaknya potensi kecelakaan. Menurut putusan Mahkamah Pelayaran dalam kurun waktu 5 tahun mulai tahun 2011 hingga tahun 2016 terhitung rata-rata pertumbuhan kecelakaan kapal sebesar 17,2%
disebabkan oleh faktor alam, 9,4% disebabkan karena faktor manusia dan 4,6% disebabkan karena faktor lainnya (Rahman, et al., 2017)
Faktor alam merupakan kondisi cuaca perairan yang mempengaruhi pelayaran. Cuaca perairan yang mempengaruhi pelayaran diantaranya adalah kecepatan arus, kecepatan angin, ketinggian gelombang, dan cuaca buruk.
Ketinggian gelombang merupakan variabel yang paling berpengaruh pada faktor kelayakan pelayaran (Meilanitasari & Arifin, 2010).
Karena kondisi cuaca yang berubah-ubah dapat menganggu keselamatan, maka perlu adanya informasi ketinggian gelombang lebih awal sebelum melakukan aktivitas pelayaran untuk menentukan apakah memungkinkan untuk berlayar atau tidak.
Adapun penelitian-penelitian mengenai prediksi tinggi gelombang laut yang terus dilakukan dengan bermacam metode prediksi, dari metode yang sederhana sampai metode yang begitu kompleks. Sistem prediksi dibuat dengan matematis menggunakan bermacam metode.
Seperti penelitian mengenai prediksi cuaca maritim sebelumnya juga telah dilakukan oleh Jabar Al Hakim tahun 2011 dengan menggunakan metode logika fuzzy yang menghasilkan tingkat akurasi sebesar 74,82%
pada satu koordinat jalur perairan. Penelitian lain dilakukan oleh Sonya tahun 2017 mengenai prediksi tinggi gelombang laut menggunakan metode JST Backpropagation diperoleh keakuratan prediksi ketinggian gelombang pada tahun 2016 mencapai 84,05%. Penelitian serupa dilakukan oleh Raharja tahun 2018 mengenai prediksi gelombang di pantai Gianyar menggunakan metode JST Backpropagation untuk memprediksikan ketinggian gelombang pada bulan berikutnya menghasilkan nilai akurasi sebesar 96,52%.
Dari penjelasan permasalahan di atas, metode JST Backpropagation akan digunakan dalam penelitian ini dengan memanfaatkan metode Ngunyen-Widrow untuk perhitungan bobot awal dalam prediksi ketinggian gelombang laut dengan data yang digunakan
yaitu data tinggi gelombang, arah angin dan kecepatan angin setiap jam di Laut Jawa Bagian Timur. Metode ini menggunakan algoritme propagasi balik agar mendapatkan keluaran yang sesuai target dengan cara memperbaiki bobot.
Metode ini begitu populer serta kerap dipakai dalam kasus-kasu prediksi dengan data time- series serta permasalahan-permasalahan non- linear. Maka dari itu metode JST Backpropagation lebih fleksibel digunakan sebagai metode untuk prediksi data time-series seperti pada data ketinggian gelombang laut.
2. LANDASAN PUSTAKA 2.1. Gelombang
Gelombang merupakan pergerakan naik turun air dengan arah yang tegak lurus terhadap permukaan air. Dalam teknik pantai, gelombang laut yang diakibatkan oleh angin adalah yang paling penting dan sering terjadi. Gelombang yang paling berpengaruh dalam kegiatan pelayaran adalah gelombang H1/3 atau gelombang signifikan (Ainsworth, 2011).
Tinggi gelombang yang dibangkitkan oleh angin dipengaruhi oleh arah angin dan kecepatan angin. Laut Jawa memiliki kedalaman kurang dari 200 m serta termasuk dalam Daerah Ekman untuk distribusi anginnya, karena arah dan kecepatan angin berubah sesuai elevasi akibat terjadinya gesekan dengan permukaan laut dan temperature yang berbeda antara udara dengan air (Triatmodjo, 1999).
2.2. Jaringan Saraf Tiruan
Jaringan Saraf Tiruan merupakan metode pemrosesan informasi yang sering digunakan dalam penyelesaian permasalah-permasalah yang cukup rumit dengan cara belajar melalui pola-pola informasi dari banyak data. Jaringan Saraf Tiruan mengadopsi atau meniru cara kerja dari jaringan saraf pada otak manusia dalam aktivitas memproses banyak informasi berupa data non-linier (Siang, 2005).
2.2.1. Backpropagation
Algoritme Backpropagation didefinisikan sebagai aIgoritme supervised Iearning merupakan aIgorime perambatan mundur yang mana aktivitas pembelajaran dilakukan terarah.
Dalam penentuan bobot dari setiap neuron Jaringan Saraf Tiruan menggunakan data latih atau data pembelajaran agar hasiI keluaran dapat sesuai dengan target (Siang, 2005).
Fakultas Ilmu Komputer, Universitas Brawijaya
Algoritme ini memiliki 3 fase pelatihan, diantaranya: fase propagasi maju (feedforward), fase propagasi mundur (backpropagation), dan fase perubahan bobot yang terus dilakukan berulang-ulang sampai mencapai kondisi berhenti (stop condition).
Lngkah-langkah perhitungan Backpropagation (Fausett, 1994):
1. Inisialisasi bobot serta bias dengan nilai acak -0,5 sampai dengan 0,5 , inisialisasi jugs nilai learning rate (α), batas nilai error, serta jumlah maksimum iterasi,.
2. Inisialisasi dilakukan berulang-ulang hingga mencapai kondisi berhenti.
Fase Propagasi Maju:
3. Setiap unit input menerima sinyal 𝑥𝑖 dan diteruskan ke lapisan tersembunyi.
4. Hitung sinyal input sebagai masukan hidden layer.
𝑧_𝑖𝑛𝑗= 𝑣𝑜𝑗+ ∑ 𝑥𝑖𝑣𝑖𝑗
𝑛
𝑖=1
(1)
5. Hitung menggunakan fungsi aktivasi sigmoid biner sinyal keluaran dari lapisan tersembunyi.
𝑧𝑗= 𝑓(𝑧_𝑖𝑛𝑗) = 1 1 + 𝑒−𝑧_𝑖𝑛𝑗
(2)
6. Hitung sinyal input untuk output layer.
𝑦_𝑖𝑛𝑘 = 𝑤0𝑘+ ∑ 𝑧𝑗𝑤𝑗𝑘
𝑛
𝑗=1
(3)
7. Hitung menggunakan fungsi aktivasi sigmoid biner sinyal keluaran dari output layer.
𝑦𝑘 = 𝑓(𝑦_𝑖𝑛𝑘) = 1 1 + 𝑒−𝑦_𝑖𝑛𝑘
(4)
Fase Propagasi Mundur:
8. Setiap unit output akan menerima target pola pembelajaran. Kemudian hitung informasi error unit output, infomasi error unit ouput merupakan error yang dihasilkan dari kesalahan unit keluaran 𝑦𝑘.
𝛿𝑘 = (𝑡𝑘− 𝑦𝑘)𝑓′(𝑦𝑖𝑛𝑘)
= (𝑡𝑘− 𝑦𝑘)𝑦𝑘(1 − 𝑦𝑘) (5)
9. Hitung koreksi error ∆𝑤𝑗𝑘 untuk perbaikan bobot 𝑤𝑗𝑘.
∆𝑤𝑗𝑘 = 𝛼𝛿𝑘𝑧𝑗 (6)
10. Hitung koreksi error bias ∆𝑤0𝑘 untuk perbaikan nilai bias 𝑤0𝑘.
∆𝑤0𝑘= 𝛼𝛿𝑘 (7)
11. Hitung faktor kesalahan input unit tersembunyi .
𝛿_𝑖𝑛𝑗= ∑ 𝛿𝑘𝑤𝑗𝑘 𝑚
𝑘=1
(8)
12. Hitung informasi error (𝛿) unit tersembunyi.
𝛿𝑗 = 𝛿𝑖𝑛𝑗𝑓′(𝑧𝑖𝑛𝑗)
= 𝛿_𝑖𝑛𝑗 𝑧𝑗 (1 − 𝑧𝑗) (9) 13. Hitung koreksi bobot ∆𝑣𝑖𝑗 untuk perbaikan
bobot 𝑣𝑖𝑗.
∆𝑣𝑖𝑗= 𝛼𝛿𝑗𝑥𝑖 (10)
14. Hitung koreksi bias ∆𝑣0𝑗 untuk perbaikan bobot 𝑣0𝑗.
∆𝑣0𝑗= 𝛼𝛿𝑗 (11)
Fase Perubahan Bobot:
15. Hitung perbaikan dari bobot serta bias di antara output layer dan hidden layer.
𝑤𝑗𝑘(𝑏𝑎𝑟𝑢) = 𝑤𝑗𝑘(𝑙𝑎𝑚𝑎) + ∆𝑤𝑗𝑘 (12) 𝑤0𝑘(𝑏𝑎𝑟𝑢) = 𝑤0𝑘(𝑙𝑎𝑚𝑎) + ∆𝑤0𝑘 (13) 16. Hitung perbaikan dari bobot serta bias di
antara hidden layer dan input layer.
𝑣𝑖𝑗(𝑏𝑎𝑟𝑢) = 𝑣𝑖𝑗(𝑙𝑎𝑚𝑎) + ∆𝑣𝑖𝑗 (14)
𝑣0𝑗(𝑏𝑎𝑟𝑢) = 𝑣0𝑗(𝑙𝑎𝑚𝑎) + ∆𝑣0𝑗 (15) 17. Memeriksa semua stopping condition.
Proses pelatihan dihentikan apabila memenuhi syarat kondisi berhenti sebagai berikut:.
1. Apabila iterasi mencapai nilai maksimum iterasi.
2. Apabila nilai error pelatihan kurang dari nilai target error yang diharapkan maka pelatihan dilanjutkan.
18. Setelah kondisi berhenti terpenuhi, hitung error pada fase pelatihan.
𝑀𝐴𝑃𝐸 =
∑𝑛𝑖=1|𝑦 − 𝑡|
𝑦
𝑛 × 100%
(16)
Keterangan:
𝑡 = nilai aktual
𝑦 = nilai hasil peramalan 𝑛 = jumlah seluruh data
2.2.2. Normalisasi dan Denormalisasi
Supaya nilai data inputan sesuai dengan masukan JST yaitu berupa data biner maka normalisasi data harus dilakukan antara range 0 hingga 1. Karena fungsi sigmoid digunakan sebagai aktivasi dan merupakan fungsi asimtotik yang nilainya tidak pernah mencapai 1 atau 0 maka data ditransformasikan ke range yang lebih kecil antara 0,1 hingga 0,9 (Fausett, 1994).
𝑥′=0,8(𝑥 − 𝑚𝑖𝑛)
𝑚𝑎𝑥 − 𝑚𝑖𝑛 + 0,1 (17) Untuk mengembalikan data ke nilai awal dilakukan denormalisasi data.
𝑥 =𝑥′− 0,1
0,8 (𝑚𝑎𝑥 − 𝑚𝑖𝑛) + 𝑚𝑖𝑛 (18) Keterangan:
𝑥′ = nilai hasil normalisasi 𝑥 = nilai hasil denormalisasi 𝑚𝑎𝑥 = nilai maksimum dari data 𝑚𝑖𝑛 = nilai minimum dari data 2.2.3. Algoritme Ngunyen-Widrow
Penentuan nilai bobot awal berpengaruh terhadap jaringan untuk mencapai titik minimu local atau global serta berpengaruh terhadap kecepatan dalam mencapai konvergensi.
Algoritme Nguyen-Widrow diusulkan untuk menentukan nilai bobot dan bias awal agar mempercepat proses iterasi yang dilakukan jaringa. Tahapan dari algoritme nguyen- widrow(Nguyen & Widrow, 1990):
1. Inisialisasi nilai bobot awal 𝑣𝑖𝑗 dengan bilangan acak dengan range nilai -0.5 sampai dengan 0.5
2. Hitung nilai dari vektor 𝑣𝑖𝑗
||𝑣𝑗|| = √𝑣1𝑗2+ 𝑣2𝑗2+ ⋯ + 𝑣𝑛𝑗2 (19)
3. Hitung nilai dari faktor skala (𝛽)
𝛽 = 0,7(𝑝)𝑛1= 0,7 √𝑝𝑛 (20) 4. Hitung nilai bobot 𝑣𝑖𝑗 yang digunakan
sebagai inisialisasi.
1.
𝑣𝑖𝑗 =𝛽 𝑣𝑖𝑗(𝑙𝑎𝑚𝑎)
||𝑣𝑗||
(21)
5. Inisialisasi bias 𝑣0𝑗 dengan nilai acak antara – 𝛽 sampai 𝛽.
6. Inisialisasi nilai bobot 𝑤𝑗𝑘 serta nilai bias 𝑤𝑜𝑘 dengan bilangan acak antara -0,5 sampai dengan 0,5.
Keterangan:
𝑣𝑖𝑗 = bobot di antara input layer dan hidden layer
||𝑣𝑗||= vektor bobot 𝑣𝑖𝑗 𝛽 = faktor skala
𝑝 = jumlah neuron hidden layer 𝑛 = jumlah neuron input layer 2.2.4. Nilai Evaluasi
Sebagai pengukur tingkat keakuratan dari sitem peramalan digunakan nilai evaluasi Mean Absolute Precentage Error (MAPE) pada tahap pengujian untuk mengetahui besar error dalam bentuk persentase berdasarkan nilai aktual dengan hasil peramalan. Perhitungan nilai MAPE (Khair, et al., 2017) sebagai berikut.
𝑀𝐴𝑃𝐸 =
∑𝑛𝑖=1|𝑦 − 𝑡|
𝑦
𝑛 × 100%
(22)
Keterangan:
𝑦 = nilai hasil peramalan t = nilai aktual atau nilai target 𝑛 = jumlah seluruh data
3. METODOLOGI
Metodologi penelitian yang digunakan dalam penelitian prediksi ketinggian gelombang laut menggunakan metode Jaringan Saraf Tiruan Backpropagation akan dijelaskan pada bagian ini.
Gambar 1. Diagram Alir Metodologi Penelitian
Fakultas Ilmu Komputer, Universitas Brawijaya
3.1. Pengumpulan Data
Data yang digunakan dalam penelitian ini merupakan data primer yang didapatkan dari Stasiun Maritim Perak Surabaya berupa data tinggi gelombang (m), arah angin (derajad), dan kecepatan angin (m/s) di Laut Jawa Timur yang direkap setiap jam dari tahun 2012 hingga tahun 2014. Data tinggi gelombang laut selanjutnya dibagi menjadi data uji dan data latih. Data ketinggian gelombang setiap jam mulai bulan Januari hingga bulan Desember 2013 berjumlah 8760 data akan digunakan sebagai data latih sedangkan untuk data uji akan menggunakan data berjumlah 3564 data mulai bulan Januari hingga bulan Juni 2014.
3.2. Perancangan Algoritme
3.2.1. Arsitektur Jaringan Syaraf Tiruan Backpropagation
Arsitektur jaringan yang digunakan di dalam penelitian terdiri dari 4 neuron input layer dan 1 neuron output layer serta jumlah neuron hidden layer ditentukan berdasarkan pengujian yang akan dilakukan. Neuron input terdiri fitur jam (t), arah angin (t), kecepatan angin (t) dan tinggi gelombang (t) sedangkan untuk output adalah hasil peramalan ketinggian gelombang laut untuk jam berikutnya (t+1). Arsitektur jaringan dalam penelitian ini ditujukan oleh Gambar 2.
Gambar 2. Arsitektur JST Backpropagation 3.2.2. Diagram Alir Backpropagation
Terdapat beberapa tahapan yang dilakukan dalam sistem prediksi ketinggian gelombang, yaitu dimulai daru bagian FeedForward (propagasi maju), Backpropagation Error (propagasi mundur), dan Weight Update (perubahan bobot) yang akan diteruskan ke bagian pengujian FeedForward (propagasi maju). Diagram alir sistem dalam penelitian ini ditunjukkan oleh Gambar 3.
Gambar 3. Diagram Alir Backpropagation
4. PENGUJIAN DAN ANALISIS 4.1. Pengujian Learning Rate
Pada pengujian nilai learning rate terhadap sistem dilakukan dengan kondisi nilai learning rate yang berbeda untuk mengetahui bagainana pengaruh nilai learning rate terhadap jumlah iterasi dan MAPE pengujian yang dihasilkan.
Pengujian ini memanfaatkan nilai learning rate dari 0,1 sampai dengan 0,9 , neuron input layer berjumlah 4 neuron, neuron hidden layer berjumlah 3 neuron, dan minimal error sebesar 13,2% serta maksimal iterasi sebesar 30000 iterasi.
Gambar 4. Grafik Hasil Pengujian Learning Rate Terhadap Jumlah Iterasi
Gambar 5. Grafik Hasil Pengujian Learning Rate Terhadap MAPE Pengujian
Hasil dari pengujian learning rate terhadap jumlah iterasi, jumlah iterasi terkecil untuk jaringan mencapai minimal error MAPE pelatihan sebesar 13,2% didapatkan pada nilai learning rate 0,9 dan rata-rata jumlah iterasi sebanyak 695 iterasi. Hasil dari pengujian dengan memanfaatkan nilai learning rate yang berbeda-beda dapat diketahui bahwa apabila nilai learning rate terlalu kecil menjadikan lambatnya konvergensi sehingga iterasi yang dibutuhkan juga menjadi besar. Learning rate dalam proses backpropagation digunakan untuk mencari selisih bobot apabila selisih bobot semakin kecil akan menyebabkan perlambatan perubahan bobot yang mengakibatkan proses pelatihan menjadi makin lama karena sulit tercapai konvergensi.
Sedangkan untuk hasil MAPE pengujian rata-rata terendah yang didapatkan sebesar 17,53182% dengan menggunakan nilai learning rate 0,5. Dilihat dari Gambar 5 nilai MAPE cenderung stabil terjadi pada learning rate 0,1 sampai 0,5 dibandingkan dengan nilai learning rate lainnya. Hasil dari pengujian dapat diketahui bahwa apabila nilai learning rate makin besar maka makin besar juga nilai MAPE dikarenakan besarnya nilai learning rate akan menjadikan perubahan bobot terlalu besar pula menyebabkan iterasi melompat terlalu jauh sehingga melewati bobot optimalnya.
4.2. Pengujian Jumlah Neuron Hidden Layer Pada pengujian ini akan dilakukan pengujian terhadap sistem dengan kondisi jumlah neuron hidden yang berbeda untuk menngetahui pengaruh jumlah neuron hidden terhadap jumlah iterasi dan MAPE pengujian yang dihasilkan. Dalam pengujian ini memanfaatkan nilai learning rate dari 0,5 , neuron input layer berjumlah 4, dan minimal error sebesar 13,2% serta maksimal iterasi sebesar 30000 iterasi.
Gambar 6. Grafik Hasil Pengujian Jumlah Neuron Hidden Layer Terhadap Jumlah Iterasi
Gambar 7. Grafik Hasil Pengujian Jumlah Neuron Hidden Layer Terhadap MAPE
Pengujian
Dilihat dari Gambar 6 jumlah iterasi terendah didapatkan dari percobaan dengan 3 neuron hidden dan rata-rata iterasi sebanyak 1415 iterasi. Hasil dari pengujian ini diketahui bahwa jumlah neuron hidden berbanding lurus dengan jumlah iterasi. Apabila penggunaan jumlah hidden neuron semakin banyak maka iterasi yang dilakukan pada jaringan akan semakin banyak pula.
Sedangkan untuk hasil MAPE pengujian didapatkan rata-rata terendah sebesar 17,5318%
dengan menggunakan jumlah neuron hidden layer sebesar 3. Hasil dari pengujian ini diketahui bahwa penambahan jumlah neuron hidden dapat meningkatkan nilai MAPE pengujian. Hal tersebut disebabkan karena
Fakultas Ilmu Komputer, Universitas Brawijaya
penambahan neuron hidden yang terlalu banyak dapat memicu terjadinya kondisi overfitting.
Kondisi overfitting merupakan kondisi dengan ditandainya nilai evaluasi saat proses pelatihan kecil sedangkan pada proses pengujian atau validasi nilai valuasi menjadi lebih besar. Dilihat dari hasil MAPE pengujian dapat diketahui bahwa 3 neuron hidden merupakan jumlah yang cukup untuk digunakan pada jaringan ini. Hal tersebut sesuai dengan beberapa teori yang menyebutkan bahwa penambahan hidden neuron yang besar dapat memicu terjadinya kondisi overfitting.
4.3. Pengujian Batas Error Pelatihan Pada pengujian nilai batas error pelatihan terhadap sistem dilakukan dengan kondisi batas error yang berbeda untuk menngetahui bagaimana pengaruh dari nilai batas error terhadap jumlah iterasi dan MAPE pengujian yang dihasilkan. Dalam pengujian ini memanfaatkan nilai learning rate dari 0,5 , neuron input layer berjumlah 4, neuron hidden layer berjumlah 3, dan minimal error sebesar 13,2% serta maksimal iterasi sebesar 30000 iterasi.
Gambar 8. Grafik Hasil Pengujian Batas Error Terhadap Jumlah Iterasi
Gambar 9. Grafik Hasil Pengujian Batas Error Terhadap MAPE Pengujian
Dilihat dari hasil pengujian nilai batas error pada Gambar 8 jumlah iterasi terkecil untuk
jaringan dalam mencapai konvergensi didapatkan dari pengujian dengan nilai batas error MAPE pelatihan sebesat 14% dan rata-rata jumlah iterasi sebanyak 1009,6 iterasi. Dari hasil pengujian batas error yang berbeda-beda dapat diketahui bahwa apabila makin besar nilai batas error yang diberikan maka konvergensi menjadi terlalu cepat dicapai sehingga iterasi yang dibutuhkan akan semakin sedikit. Dan apabila niIai batas error yang diberikan terlalu kecil dapat membuat pelatihan membutuhkan banyak iterasi karena konvergensi sulit dicapai.
Sedangkan hasil MAPE pengujian didapatkan rata-rata terendah sebesar 17,53182% dengan batas error MAPE pelatiahan 13,2%. Hasil dari pengujian ini diketahui bahwa penggunaan batas error yang sekecil mungkin maka proses pembelajaran akan lebih optimal karena dilakukan hingga mencapai batas error terkecil hal ini akan memberikan hasil terbaik terhadap MAPE pengujian.
4.4. Pengujian Jumlah Data Latih
Pengujian terhadap jumlah data latih akan dilakukan untuk mendapatkan jumlah data latih terbaik bagi jaringan agar dapat menghasilkan nilai MAPE terendah dimana data latih yang akan diuji diantaranya berjumlah 2208, 4416, 6600, 8760, 10968, 13176, 15360, dan 17544 dengan Iearning rate sebesar 0,5 , neuron input Iayer berjumIah 4 neuron, neuron hidden Iayer berjumlah 3 neuron, dan minimal error sebesar 13,2%, serta maksimaI iterasi sebesar 30000 iterasi.
Gambar 10. Grafik Hasil Pengujian Jumlah Data Latih Terhadap Terhadap MAPE
Pengujian
Dari hasil pengujian nilai rata-rata MAPE terendah diperoleh sebesar 17,53182% pada jumlah data latih terbesar 8760. Jika dilihat dari Gambar 10 nilai MAPE semakin turun mengikuti semakin bertambahnya jumlah data latih. Hasil dari pengujian dapat diketahui
penggunaan data latih yang semakin besar membuat semakin banyak juga pola yang dipelajari oleh jaringan sehingga hasil pengujian semakin baik.
4.5. Pengujian Fitur
Pada pengujian fitur akan dilakukan pengujian terhadap sistem dimana fitur yang akan diuji adalah fitur jam. Hal ini dilakukan untuk mengetahui pengaruh dari digunakan atau tidak digunakannya fitur jam terhadap MAPE pengujian yang dihasiIkan. Dalam pengujian ini digunakan data latih ketinggian gelombang laut dengan jumIah 8760, dengan Iearning rate sebesar 0,5 , neuron input Iayer berjumIah 4 neuron, neuron hidden Iayer berjumlah 3 neuron, dan minimal error sebesar 13,2%, serta maksimaI iterasi sebesar 30000 iterasi.
Gambar 11. Hasil Pengujian Fitur Jam Terhadap MAPE Pengujian
Hasil dari pengujian digunakan atau tidaknya fitur jam diperoleh rata-rata nilai MAPE terendah sebesar 17,53182% pada percobaan dengan menggunakan fitur jam sebagai inputan sistem. Dari hasil pengujian tersebut dapat diketahui bahwa penggunaan fitur jam tidak memberikan pengaruh yang terlalu besar terhadap MAPE pengujian namun bisa memberikan hasil MAPE yang lebih kecil.
Berdasarkan pengujian-pengujian yang telah dilakukan sebelumnya diperoleh parameter jaringan terbaik untuk kemudian digunakan dalam proses pengujian peramalan terhadap 3654 data uji dari bulan Januari hingga Juni tahun 2014. Hasil pengujian permalan data uji ditunjukkan pada Gambar 12.
Gambar 12. Grafik Peramalan dengan JST Backpropagation
Dari hasil pengujian peramalan oleh sistem dengan metode JST Backpropagation terhadap target yang ditunjukkan pada Gambar 12 dapat diketahui bahwa pola hasil peramalan yang dihasilkan oleh sistem mendekati pola data target. Sehingga dapat diambil kesimpulan bahwa metode JST Backpropagation dapat digunakan sebagai metode untuk memprediksikan ketinggian gelombang laut yang akan datang.
5. KESIMPULAN
Dari hasil penelitian prediksi ketinggian gelombang air laut menggunakan metode Jaringan Saraf Tiruan Backpropagation dapat disimpulkan:
1. Dalam mengimplementasikan Jaringan Saraf Tiruan Backpropagation kedalam prediksi ketinggian gelombang laut dilakukan melalui beberapa tahapan yaitu normalisasi data, pelatihan, pengujian dan peramalan. Pelatihan dilakukan dengan menggunakan 8760 data ketinggian gelombang laut setiap satu jam sedangkan untuk pengujian menggunakan 3564 data uji. Neuron input terdiri atas parameter jam, arah angin, kecepatan angin, dan ketinggian gelombang, sedangkan untuk neuron output berupa hasil ramalan ketinggian gelombang pada jam berikutnya. Hasil proses pelatihan ini didapatkan kombinasi parameter arsitektur jaringan saraf tiruan Backpropagation terbaik dengan learning rate 0,5 , 4 neuron input layer, 3 neuron hidden layer, dan batas error MAPE pelatihan sebesar 13,2%, serta maksimum iterasi sebanyak 30000 iterasi.
2. Pada pengujian ini didapatkan tingkat kesalahan dengan nilai MAPE pengujian terbaik sebesar 17,53182%.
Fakultas Ilmu Komputer, Universitas Brawijaya
6. DAFTAR PUSTAKA
Ainsworth, T., 2006. ‘Significan Wave Height’
A closer look at wave forecast, [online]
Tersedia di: < http://scientific.net >
[Diakses 19 April 2019]
Fausett, L. V., 1994. Fundamental of Neural Network: Architecture, Algorithms, and Applications. [e-book] Prentice-Hall.
Tersedia di: Google Books
<http://booksgoogle.com> [Diakses 1 April 2019]
Hakim, J. A., Aisjah, A. S. & Arifin, S., 2011.
Perancanngan Prediktor Cuaca Maritime Dengan Metode Logika Fuzzy Untuk Meningkatkan Jangkauan Ramalan. S1. Institut Teknologi Sepuluh Nopember. Tersedia di
<www.ejurnal.its.ac.id> [Diakses 10 April 2019]
Khair, U., Fahmi, H., Hakim, S. A. & Rahim, R., 2017. Journal of Physics. Forecasting Eror Calculation with Mean Absolute Deviation and Mean Absolute Percentage Error, [online] Tersedia di:
< http://iopscience.iop.org> [Diakses 19 April 2019]
Meilanitasari, P. & Arifin, S., 2010. Prediksi Cuaca Menggunakan Logica Fuzzy Untuk Kelayakan Pelayaran Pelabuhan Tanjung Surabaya. S1. Institut Teknologi Sepuluh Nopember. Tersedia di <www.ejurnal.its.ac.id> [Diakses 10 April 2019]
Nguyen, D. H. & Widrow, B., 1990. Improving the Learning Speed of 2-layer Neural Network by Choosing Initial Value of the Adaptive Weight. In : IEEE (Institute of Electrical and Electronics Engineers), 1990. Proceedings of the International Joint Conference on Neural Network. Volume 3, pp. 21-26.
Raharja, M. A. & Astra, I. M. T. G., 2018.
Prediksi Ketinggian Gelombang Laut Menggunakan Metode Backpropagation Pada Pantai Lebih Gianyar. S1.
Universitas Udayana. Tersedia di
<www.researchgate.net> [Diakses 10 April 2019]
Rahman, H., Satria, A., Iskandar, B. H. &
Soeboer, D. A., 2017. Penentuan Faktor Dominan Penyebab Kecelakaan Kapal
Di Kesyahbandaran Utama Tanjung Priok. Albacore, [e-journal] 3(1), pp.
277-284. Tersedia melalui: <
http://journal.ipb.ac.id> [Diakses 19 April 2019]
Siang, J. J., 2005. Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab. [e-book] Yogyakarta: ANDI.
Tersedia di: <http://onesearch.id>
[Diakses 1 April 2019]
Sofian, I. M. & Apriani, Y., 2017. Metode Peramalan Jaringan Saraf Tiruan
Menggunakan Algoritma
Backpropagation. S1. Universitas Muhammadiyah Palembang. Tersedia di
< http://journal.unnes.ac.id> [Diakses 10 April 2019]
Sonya, W. A., 2017. Perancangan Sistem Prediktor Ketinggian Gelombang Berbasis Thiesen Polygon Dan Jaringan Saraf Tiruan Di Perairan Dangkal Jawa Timur. S1. Institut Teknologi Sepuluh
Nopember. Tersedia di
<www.ejurnal.its.ac.id> [Diakses 10 April 2019]
Triatmodjo, B., 1999. Teknik Pantai. [e-book]
Yogyakarta : FT. TGM. Tersedia di:
<http://onesearch.id> [Diakses 1 Mei 2019]
