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.

2.1 Daerah 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).

Karakteristik DAS (Daerah Aliran Sungai) adalah Suatu Gambaran tentang DAS
(Daerah Aliran Sungai) yang dikaitkan dengan parameter yang berhubungan dengan
keadaan Geologi, Vegetasi, Topologi Dll. Perubahan pada Suatu DAS (Daerah Aliran
Sungai) disebabkan 2 faktor yaitu Faktor Alami dan Faktor Antropogenik, sebagai

Universitas Sumatera Utara

 8

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
DAS (Daerah Aliran Sungai) ini memiliki corak yang jalur pengalirannya
bersatu di hilir dan banjir terjadi di bagian hilir di titik pertemuan sungai
(Peracitra, 2012). Dari 3 bentuk Daerah Aliran Sungai diatas dapat dilihat
gambar 2.1

Universitas Sumatera Utara

 9

Gambar 2.1 Macam-macam Bentuk DAS (Machairiyah, 2007)

2.2 Teknik 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).

2.3 Logika 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).

Logika fuzzy merupakan suatu cara untuk memetahkan suatu ruang input ke dalam
ouput, memiliki nilai kontinu dan fuzzy dinyatakan dalam derajat keanggotaan atau

Universitas Sumatera Utara

 10

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 Keanggotaan (Member Function) merupakan sebuah kurva yang pemetaannya

melalui titik-titik input data ke dalam nilai keanggotaan (derajat keanggotaan) yang di
dalamnya terdapat nilai 0 sampai 1 (Amiruddin, 2011). Salah satu cara untuk
mendapatkan nilai kenaggotaan adalah dengan cara pendekataan fungsi, ada beberapa

Universitas Sumatera Utara

 11

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

Derajat
Keanggotaan
[X]

0
a b

Gambar 2.3 Grafik fungsi keanggotaan pada representasi linier naik

Fungsi Keanggotaan:

[ ] { (2.1)

Linear turun adalah garis kurva yang dimulai dari domain tetinggi dari sisi
sebelah kiri bergerak menurun ke domain derajat keanggotaan yang lebih
rendah. Gambar Representasi Linear turun dapat dilihat pada gambar 2.4

Derajat
Keanggotaan
[X]

0
a domain b

Gambar 2.4 Grafik fungsi keanggotaan pada representasi linier turun

Universitas Sumatera Utara

 12

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

Derajat
Keanggotaan
[X]

0
a b c
domain

Gambar 2.5 Grafik fungsi keanggotaan pada representasi kurva segitiga

Fungsi Keanggotaan:

[ ] { (2.3)

3. Representasi Kurva Trapesium

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

Derajat
Keanggotaan
[X]

0
a b c d
domain

Gambar 2.6 Grafik fungsi keanggotaan pada representasi kurva trapesium

Universitas Sumatera Utara

 13

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
komputasi pada jaringan syaraf biologis yang disimulasikan kepada proses kerja
model syaraf terhadap berbagai masukan. jaringan syaraf terdiri dari beberapa neuron
(sering disebut dengan node) yang masing-masing neuron (node) yang saling
terhubung satu dengan yang lain untuk melakukan pemrosesan informasi (Herdinata,
2010).

Universitas Sumatera Utara

 14

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

3. Memerlukan waktu pelatihan yang berlebihan, pelatihan Jaringan Syaraf Tiruan

dalam modus batch membutuhkan banyak iterasi propogasi data melalui Jaringan
Syaraf Tiruan, ini mungkin tidak dapat diterima oleh online adaptif yang
membutuhkan adaptasi dengan cepat.

Universitas Sumatera Utara

 15

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.
Dari bentuk arsitektur Evolving Connection system (ECOS) dapat dilihat pada gambar
2.8

Universitas Sumatera Utara

 16

Gambar 2.8 Arsitektur ECOS (Kasabov, 2007)

2.6 Weighted 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)

Kasabov, Kim, dan Watts (1997) dimodifikasi Fuzzy Neural Network dan
kemudian mengusulkan metode Funn / 2. di bawah kerangka Funn, penulis
dipekerjakan fungsi Algoritma genetik yang memiliki kemampuan untuk mencari
cepat dalam ruang besar dan kemudian mengimbangi ketidakcukupan Neural Network
parameter pengaturan. The EFuNN dikombinasikan pembelajaran terawasi dan
pembelajaran terawasi diusulkan oleh Kasabov (1998). (Pei-Chann Cang, et al, 2007)

Universitas Sumatera Utara

 17

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 [ ] (2.9)

Universitas Sumatera Utara

 18

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)

F. perbaruhi dari bobot koneksi dan

Universitas Sumatera Utara

 19

[ ] (2.14)

(2.15)

(2.16)

2.7 Penelitian 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)

dalam penelitian ini dibuat untuk meramalkan kelistirikan di masa yang akan
datang dengan mengunakan metode Weighted Evolving Fuzzy Neural Network
dengan memasukan 7 faktor yang mempengaruhi dalam meramalkan kelistrikan
dengan nilai MAPE sebesar 6.11 %

Universitas Sumatera Utara

 20

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

Perancangan Program Aplikasi

1 Ingrap Im 2011 Peramalan banjir kanal barat Jakarta
mengunakan Autoregresi Multivariant

Perancangan sistem prediksi

Edwardu &
2 2012 kemungkinan banjir didaerah Jakarta
Dennisleo
pusat dengan logika fuzzy

A Weighted Evolving Fuzzy Neural

3 Pei - Chan, et all 2009 Network for Electricity Demand
Forecasting

The Development of a Weighted

4 Pei-Chann, et al 2007 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 Fuzzy Neural
Network (WEFuNN), yang dimana Weighted Evolving Fuzzy Neural Network
(WEFuNN) merupakan gabungan metode hibrida dari metode Fuzzy Logic dan
Struktur Neural Network. Teknik ini dapat Pelatihan yang efektif dan cepat dan
memiliki akurasi yang tinggi

Universitas Sumatera Utara