Bab ini akan membahas analisis metode Weighted Evolving Fuzzy Neural Network
pada sistem dan membahas tahap-tahap yang akan dilakukan dalam perancangan
sistem yang akan dibangun
Data yang digunakan pada penelitian ini adalah data history Tinggi Permukaan Air
pada Wilayah Daerah Aliran Sungai (DAS) Asam Kumbang Belawan kabupaten Deli
Serdang yang bersumber dari Direktorat Jendral Sumber Daya Air Balai Wilayah
Sungai Sumatera II mulai dari tanggal 21 Januari 2002 s.d 31 Desember 2012 seluruh
data berjumlah 4018 data yang dirangkum pada Table 3.1
Tabel 3.1 Rangkuman Data Permukaan Air pada wilayah DAS Asam Kumbang
Belawan
No Tanggal Data Tinggi Permukaan Air
Tabel 3.1 Rangkuman Data Permukaan Air pada wilayah DAS Asam Kumbang
Belawan (lanjutan)
No Tanggal Tinggi Permukaan Air
8 8 Januari 2002 0.39
9 9 Januari 2002 0.38
10 10 Januari 2002 0.43
. . .
. . .
. . .
4015 28 Desember 2012 0.47
4016 29 Desember 2012 0.40
4017 30 Desember 2012 0.52
4018 31 Desember 2012 0.66
Untuk pemodelan data pada tabel 3.1 dalam bentuk grafik dapat dilihat pada gambar
3.1
2.00
1.50
1.00
0.50
0.00
2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012
tahun
Mulai
Normalisasi data
F
Selesai Data Training <= n
F
Tambah rule node
A max > Thres baru
F
Err < error1
Pada gambar 3.2, cara kerja data Training yang akan dibangun yaitu :
1. Ambil data tinggi permukaan air sesuai dengan tanggal awal dan tanggal akhir
yang ingin ditraining
2. Melakukan Normalisasi data yang akan digunakan dan diubah pada rentang 0 x
1
y = 0.8(x - a) / (b - a)+0.1 (3.1)
keterangan :
y : Nilai Normalisasi
x : Nilai data Tinggi Permukaan Air
a : Nilai Minimum dari data Tinggi Permukaan Air
b : Nilai Maximum dari data Tinggi Permukaan Air
4. Tentukan rule node pertama untuk data pertama dan mengisi nilai bobot 1 dan
bobot 2
6. Hitung nilai aktivasi dari hasil perhitungan Fuzzy Distance Function dengan
persamaan (2.10)
8. Cek nilai Ai lebih besar dari Sensitive Threshold (sThr), jika tidak maka rule node
akan ditambah 1 dan kembali ke langkah 6
11. Cek Erri lebih kecil dari error Threshold (eThr) , jika Tidak maka rule node akan
ditambah 1 dan kembali ke langkah 6
Mulai
Normalisasi data
F
Hitung MAPE Data Testing <= n
Selesai T
F
rNodeTes < rNode
Pada gambar 3.3, cara kerja data Testing yang akan dibangun yaitu :
1. Input Nilai Parameter Sesnsitive Threshold (sThr), Error Threshold (eThr),
Learning rate 1 (lr1), learning rate 2 (lr2), tanggal awal, tanggal Akhir dan Input N
hari.
2. Ambil data tinggi permukaan air sesuai dengan tanggal awal dan tanggal akhir
yang ingin ditesting
3. Melakukan Normalisasi data yang akan digunakan dan diubah pada rentang 0 x
1 dengan persamaan (2.17)
5. Tentukan rule node pertama untuk data pertama dan mengisi nilai bobot 1 dan
bobot 2
7. Hitung nilai aktivasi dari hasil perhitungan Fuzzy Distance Function dengan
persamaan (2.10)
9. Cek jika nilai rule node Testing lebih kecil dari rule node training, jika tidak maka
kembali ke langkah 6.
10. Melakukan denormalisasi dari hasil data testing untuk menghasilkan nilai
sebenarnya.
keterangan :
x = nilai denormalisasi
y = nilai hasil prediksi
b = nilai maximum dari data tinggi permukaan air
a = nilai minimum dari data tinggi permukaan air
11. Hitung tingkat kesalahan pada hasil prediksi dengan mengunakan MAPE
(Mean Absolute Percentage Error)
x 100 % (3.3)
Keterangan :
a = data aktual
b = data prediksi
n = banyak data testing
Perancangan sistem di tahap ini akan dilakukan perancangan data Tinggi Permukaan
Air yang akan diproses di dalam sistem dan juga dilakukan perancangan antarmuka
sistem yang akan dibangun.
Use case diagram adalah mengambarkan hubungan actor dengan satu atau
lebih dan gambarannya mengunakan sebuah gambar anak panah, orang atau elips. Use
case diagram ini mengambarkan penguna untuk memanfaatkan dari sebuah sistem
yang akan dibangun sedangkan seorang administrator yang langsung berhubungan
atua mengendalikan sebuah sistem. Use case diagram ini mempresentasikan proses
atau kegunaan dari seorang aktor pada sebuah sistem yang akan dibangun. (Artina,
2006). Use case diagram dari sistem yang akan dibuat dapat dilhat pada Gambar 3.4
Use case specification merupakan perkembangan dari sebuah use case diagram dan
diagram ini memberikan sebuah gambaran dimana pada diagram ini saling
berinteraksi antar komponen fungsionalitas dalam model pada sebuah sistem yang
akan dibangun. (wardani, et al, 2010) Use case spesifikasi untuk sistem yang akan
dibangun dapat dilihat pada Tabel 3.2, Tabel 3.3, Tabel 3.4, Tabel 3.5, Tabel 3.6, dan,
Tabel 3.7
4. sudah tersedia
5. Kemudian klik tombol prediksi
6. Sistem akan memproses untuk
7. mendapatkan hasil prediksi banjir
8. Pengguna dapat melihat hasil
prediksi banjir
9. Jika pengguna ingin melihat grafik
maka pengguna dapat mengklik menu
grafik prediksi
Use case ini akan selesai ketika sistem
sudah menampilkan hasil prediksi banjir
Alternative flow -
Post condition Pada use case ini pengguna dapat
melihat hasil data prediksi banjir
Limitations -
Alternative flow -
Post condition Pada use case ini administrator dapat
mengedit / mengubah data profil
Limitations -
Tabel 3.6 Use Case pengaturan data tinggi permukaan air (lanjutan)
Tipe Use Case Penjelasan
Prediksi
Alternative flow -
Post condition Pada use case ini administrator dapat
menambah, mengedit dan menghapus
parameter
Limitations -
Diagram flow diagram adalah teknik pemodelan proses umum yang akan digunakan
dalam sebuah proses pengembangan sistem metode terstruktur (Artina, 2006). Sistem
yang mengambarkan sistem yang saling berghubungan dengan alur data yang baik.
Representasi sebuah grafik mengambarkan sebuah komponen sistem diantaranya asal,
tujuan, komponen-komponen dan penyimpanan data tersebut (budiani, 2000) DFD
level 0 dari system yang akan dibuat dapat dilihat pada gambar 3.5
Sistem Prediksi
Pengguna Administrator
Banjir
waktu
1.0 waktu
Data Tinggi Data Tinggi Permukaan Air
Data Tinggi Permukaan Air
Permukaan air Data Tinggi
Tampil data Tinggi Input Tinggi Permukaan AIr
Permukaan Air Permukaan AIr
Parameter prediksi 4.0
Pengaturan Data
Data Prediksi
Tinggi Permukaan
Air Data Tinggi
Input data Prediksi Permukaan AIr
Parameter 5.0
Parameter Tampil dsata
Pengaturan Parameter
Parameter
Data Parameter Input data
Parameter
Pilih menu Tutorial Data Profil
3.0
Lihat Tutorial
Penggunaan
Aplikasi Input data profil 6.0
Pengaturan
Tampilan Tutorial Tampilan Data
Profil
Pengunaan Profil
Aplikasi
Profil Administrator
Tampilan Data
Profil
Perancangan menu sistem betujuan memberikan sebuah gambaran menu yang dapat di
akses pada aplikasi yang akan dibangun . struktur menu pada sistem yang akan
dibangun dapat dilihat pada gambar 3.7
Home Profil
Tambah Data
Data Tinggi
Tampilan
Permukaan air Pengaturan Data
Tinggi Edit Data
Permukaan Air
Tambah Data
Login
Pengaturan Data
Edit Data
Parameter
Hapus Data
Perancangan tampilan antarmuka merupakan awal dari gambaran yang dimana akan
dibangun sebuah aplikasi sistem.
Pada halaman Home ini akan menampilkan halaman pembuka aplikasi beserta
Tutorial penggunaan aplikasi prediksi ini. Rancangan dapat dilihat pada gambar 3.8
HEADER
a
HOME DATA T.AIR PREDIKSI LOGIN
b
KONTEN HOME
FOOTER
Keterangan :
a. Pada bagian ini terdapat sidebar terdapat menu yang dapat diakses oleh
pengguna yaitu antara lain : Menu Home, Menu data Tinggi Permukaan Air,
Menu Peramalan, dan Menu Login.
b. Pada bagian ini berisi tutorial cara penggunaan sistem aplikasi prediksi ini.
Pada bagian halaman ini, pengguna dapat melihat semua data tinggi permukaan air
dan dapat melihat data tinggi permukaan air tertentu yang ingin dilihat. Rancangan
dapat dilihat pada gambar 3.9
HEADER
b
NO Tanggal Aktual Value
FOOTER
Keterangan :
a. Pada bagian ini, pengguna dapat melakukan Pencarian Tanggal dengan
memasukan form yang tersedia , setelah itu, tekan tombol Cari, untuk
menghapus data yang diisi dapat ditekan tombol Reset.
b. Pada bagian ini menampilkan data tinggi permukaan air yang ada dalam
database dalam bentuk tabel.
Pada halaman ini dapat dilakukan prediksi banjir dengan form yang tersedia,
pengguna memasukan nilai parameter yang akan digunakan untuk melakukan
prediksi. Rancangan dapat dilihat pada gambar 3.10
HEADER
Prediksi a
Sensitive Threshold
Error Threshold
Learning Rate 1
Learning Rate 2
Tanggal Awal
Tanggal Akhir
Input Hari
Submit
FOOTER
Keterangan :
a. Pada bagian ini, pengguna dapat memasukan input parameter yang tersedia
dan input tanggal awal dan akhir kemudian untuk melihat hasil prediksi dapat
menklik Submit.
Pada halaman ini menampilkan hasil prediksi yang telah input sesuai dengan form
yang tersedia, rancangan dapat dilihat pada gambar 3.11
HEADER
Hasil Prediksi a
Sensitive Threshold :
Error Threshold :
Learning Rate 1 :
Learning Rate 2 :
Tanggal Testing :
Jumlah Data Testing :
Waktu :
Rule Node :
d
NO Tanggal Aktual Ramal
FOOTER
Keterangan :
a. Pada bagian ini menampilkan antara lain: Parameter yang digunakan, tanggal
awal dan tanggal akhir, nilai MAPE dll.
b. Pada bagian ini, pengguna dapat melihat grafik perbandingan antara data
aktual dan data Ramal dengan menklik Lihat Grafik Aktual dan Ramal.
c. Pada bagian ini, pengguna dapat melihat hasil prediksi sesuai dengan nilai
input hari yang dimasukan.
d. Pada bagian ini hasil prediksi akan ditampilkan dalam bentuk tabel.
Pada halaman ini menampikan data-data profil administrator yang sudah ada dalam
database. Rancangan dapat dilihat pada gambar 3.12
HEADER
PENGATURAN DATA
PROFIL USER
T.AIR
Pengaturan Parameter Logout
a b
c
PROFIL USER
Nama
Alamat
Username
Password
Simpan
FOOTER
Keterangan :
a. Menu sidebar yang terdapat menu untuk administrator gunakan.
b. Menu LogOut digunakan untuk keluar dari aplikasi halaman administrator.
c. Pada bagian ini menampilkan data profil administrator, administrator dapat
mengubah data profil administrator, kemudian tekan tombol Simpan.
Pada halaman ini, administrator dapat mengubah, menambah dan menhapus data yang
tersedia. Rancangan dapat dilihat gambar 3.13
HEADER
PENGATURAN DATA
PROFIL USER
T.AIR
Pengaturan Parameter Logout
b
NO Tanggal Aktual Value Edit Hapus
c d
FOOTER
Keterangan :
a. Pada bagian ini administrator dapat menambah data tinggi permukaan air.
b. Pada bagian ini menampilkan data tinggi permukaan air yang ada dalam
database berbentuk tabel.
c. Pada tombol Edit ini digunakan untuk mengubah data tertentu.
d. Pada tombol Hapus digunakan untuk menghapus data yang tidak digunakan.
HEADER
PENGATURAN DATA
PROFIL USER
T.AIR
Pengaturan Parameter Logout
a
Pengaturan Parameter
Sensitive Threshold
Error Threshold
Learning Rate 1
Learning Rate 2
Submit
FOOTER
Keterangan :
a. Pada bagian ini, administrator dapat mengisi nilai parameter yang digunakan
untuk melaukan prediksi setelah itu mengklik Simpan.
Pada bab ini akan dijelaskan tentang implementasi dari algoritma Weighted Evolving
Fuzzy Neural Network pada sistem, sesuai dengan perancangan sistem yang telah
dilakukan di Bab 3 serta melakukan pengujian sistem yang akan dibangun.
Sesuai dengan tahap ini, metode Weighted Evolving Fuzzy Neural Network akan
diimplementasikan ke aplikasi sistem, dengan mengunakan bahasa pemrograman php
dan database MySql.
Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk membangun
aplikasi sistem adalah sebagai berikut :
1. Processor : AMD C-60 APU with Radeon (tm) HD Graphic 1.00 GHZ
2. Kapasitas hardisk : 500 GB
3. Memori RAM yang digunakan 2.00 GB
4. Sistem operasi yang digunakan adalah Microsoft Windows 7 Ultimate
5. Web Server yang digunakan adalah XAMPP
6. Database MySql
a. Halaman Home
Halaman Home merupakan halaman yang pertama kali muncul ketika sebuah
aplikasi sistem ini dijalankan. Pada halaman Home terdapat 3 Menu yaitu :
Menu Data Tinggi Permukaan Air, Menu Prediksi, dan Menu Login. Pada
halaman home merupakan penjelasan Tutorial cara penggunaan Aplikasi
sistem prediksi banjir. Tampilan Halaman Home dapat dilihat pada gambar 4.1
pengguna untuk mencari rentang waktu yang ingin dicari. Tampilan halaman
Tinggi Permukaan Air dapat dilihat pada gambar 4.2
c. Halaman Prediksi
Halaman prediksi ini digunakan untuk melakukan proses prediksi. Pada
aplikasi sistem ini pengguna dapat memasukan nilai parameter dan juga
memasukan rentang waktu yang digunakan untuk melakukan prediksi.
Tampilan halaman Prediksi dapat dilihat pada gambar 4.3
Data yang dimasukan ke dalam database dan ditampilkan ke sistem adalah data Tinggi
Permukaan Air Asam Kumbang Belawan Kabutpaten Deli Serdang dari tanggal 1
Januari 2002 sampai dengan 31 Desember 2012 sebanyak 4018 data yang dirangkum
pada tabel 4.1
Pengujian sistem adalah Suatu Proses Eksekusi Sistem Perangkat Lunak Untuk dapat
mengetahui apakah sistem Perangkat lunak yang telah dibangun sesuai dengan apa
yang dibutuhkan. Pada tahap pengujian ini memiliki tujuan untuk mencari sebuah
kesalahan dalam menjalankan sebuah sistem perangkat lunak. Untuk melakukan
pengujian ini mengunakan metode Black Box Testing. Black Box testing adalah
pengujian sistem dijalankan sesuai dengan modul pada sistem perangkat lunak yang
dibangun. Kemudian dilakukan pengecekan terhadap sistem perangkat lunak yang
telah dibangun sesuai dengan kebutuhan.(Kurniawan, 2011).
Rancangan pengujian sistem yang akan diuji dengan teknik black box Testing dapat
dilihat pada tabel 4.2
Tombol Submit
Adapun kasus berikut untuk menguji sistem yang akan dibangun dengan mengunakan
metode Black Box testing berdasarkan tabel 4.1.untuk hasil pengujian Black Box
Testing dapat dilihat pada tabel 4.3, tabel 4.4, tabel 4.5, tabel 4.6, tabel 4.7, tabel 4.8
dan tabel 4.9
Tabel 4.8 Hasil Pengujian halaman Pengaturan data tinggi permukaan air
No Skenario Uji Hasil yang diharapkan Hasil
pengujian
1 Administrator Ketika administrator mengklik Berhasil
dapat mengisi tombol Simpan maka sistem
form tambah data akan memberikan pesan data
yang telah telah masuk ke dalam database
tersedia dan menampilkan data tersebut ke
kemudian sistem
mengklik tombol
Simpan
2 Administrator Ketika administrator mengklik Berhasil
dapat mengubah tombol Edit maka sistem akan
data kemudian memunculkan data yang ingin
mengklik tombol diubah kemudian mengklik
Edit tombol Simpan
3 Administrator Ketika administrator mengklik Berhasil
dapat menghapus tombol Hapus maka sistem
data kemudian langsung menghapus data yang
Tabel 4.8 Hasil Pengujian halaman Pengaturan data tinggi permukaan air
(lanjutan)
No Skenario Uji Hasil yang diharapkan Hasil
pengujian
mengklik tombol tidak dipakai
Hapus
Di dalam pengujian kinerja sistem ini terdapat 15 data Tinggi Permukaan Air yang
dirangkum pada tabel 4.10
3. Setelah data yang sudah dinormalisasikan pada tabel 4.11 maka selanjutnya
Menentukan nilai membership function dengan mengunakan triangular
membership function Dari data Tinggi Permkaan Air pada Tabel 4.10. Hasil
dari penentuan nilai membership function dan target dari data yang telah
dinormalisasi dapat dilihat pada Tabel 4.12
4. Untuk nilai inisialisasi bobot W1, W2 dan Rule Node dari hasil tabel 4.12
yaitu W1 = 0.49474, W2=0.24737 dan Rule Node = 1.
8. Untuk menghitung nilai error dari tabel 4.14 maka dapat hasil nilai rata-rata
error sebesar 0.1392 % dengan rule node sebesar 15 buah. Grafik pada tabel
4.14 dapat dilihat pada gambar 4.8
0.8
0.7
0.6
0.5
0.4 aktual
0.3 Ramal
0.2
0.1
0
1/1/2002
1/2/2002
1/3/2002
1/4/2002
1/5/2002
1/6/2002
1/7/2002
1/8/2002
1/9/2002
1/10/2002
1/11/2002
1/12/2002
1/13/2002
1/14/2002
1/15/2002
hari
Pada Gambar 4.8 diperoleh tingkat error yang lebih besar pada pengujian kinerja
sistem pada tanggal 13 Januari 2002. pergerakan data dari tanggal 1 Januari 2002 s.d.
12 Januari 2002 tidak mengalami perubahan yang besar. Akan Tetapi pada tanggal 13
Januari 2002 terjadi perubahan data yang sangat besar sehingga menghasilkan tingkat
error yang besar dan dari tanggal 14 Januari 2002 s.d 15 Januari 2002 kembali
mengalami perubahan data dimana perubahan data tidak mengalami perubahan besar.
hasil prediksi pada tanggal 13 Januari 2002 diambil berdasarkan proses pembelajaran
dari data-data sebelumnya.
Data pelatihan yang digunakan adalah data dari tinggi permukaan air Asam Kumbang
Belawan Kabupaten Deli Serdang dari tanggal 1 Januari 2002 sampai dengan tanggal
31 Januari 2010 dengan jumlah sebanyak 3288 data. Dapat dilihat hasil pelatihan
maka dilakukan pelatihan dengan memasukan beberapa parameter yang berbeda
dengan mengunakan data tinggi permukaan air pada tabel 4.15
Tabel 4.15 Tabel parameter dan hasil pelatihan prediksi banjir (lanjutan)
No Sensitive Error Learning Learning MAPE Waktu Rule
threshold threshol rate 1 rate 2 (%) eksekusi node
d (detik)
27 0.8 0.009 0.009 0.009 0.21 28.6 3287
28 0.8 0.001 0.001 0.001 0.21 28.9 3287
29 0.7 0.9 0.9 0.9 1.15 2.47 436
30 0.7 0.5 0.5 0.5 0.93 2.3618 333
31 0.7 0.1 0.1 0.1 0.47 4.08 705
32 0.7 0.09 0.09 0.09 0.45 5.04 907
33 0.7 0.08 0.08 0.08 0.43 6.81 1184
34 0.7 0.07 0.07 0.07 0.40 10.27 1653
35 0.7 0.06 0.06 0.06 0.37 18.91 2330
36 0.7 0.05 0.05 0.05 0.32 21.73 3288
37 0.7 0.04 0.04 0.04 0.28 18.46 3288
38 0.7 0.03 0.03 0.03 0.29 25.65 3280
39 0.7 0.02 0.02 0.02 0.24 26.89 3284
40 0.7 0.01 0.01 0.01 0.22 27.58 3285
41 0.7 0.009 0.009 0.009 0.21 27.59 3287
42 0.7 0.001 0.001 0.001 0.21 28.83 3287
43 0.6 0.9 0.9 0.9 1.15 2.83 436
44 0.6 0.5 0.5 0.5 0.93 2.09 333
45 0.6 0.1 0.1 0.1 0.47 3.84 705
46 0.6 0.09 0.09 0.09 0.46 5.10 907
47 0.6 0.08 0.08 0.08 0.43 6.80 1184
48 0.6 0.07 0.07 0.07 0.40 10.98 1653
49 0.6 0.06 0.06 0.06 0.38 16.50 2330
50 0.6 0.05 0.05 0.05 0.35 24.84 3277
51 0.6 0.04 0.04 0.04 0.32 31.1282 3278
52 0.6 0.03 0.03 0.03 0.29 26.14 3280
53 0.6 0.02 0.02 0.02 0.24 27.79 3284
54 0.6 0.01 0.01 0.01 0.22 27.32 3285
55 0.6 0.009 0.009 0.009 0.21 27.69 3287
56 0.6 0.001 0.001 0.001 0.21 27.54 3287
57 0.5 0.9 0.9 0.9 1.15 2.47 436
58 0.5 0.5 0.5 0.5 0.93 1.99 333
Tabel 4.15 Tabel parameter dan hasil pelatihan prediksi banjir (lanjutan)
No Sensitive Error Learning Learning MAPE Waktu Rule
threshold threshol rate 1 rate 2 (%) eksekusi node
d (detik)
59 0.5 0.1 0.1 0.1 0.48 3.92 705
60 0.5 0.09 0.09 0.09 0.46 5.00 907
61 0.5 0.08 0.08 0.08 0.43 6.81 1184
62 0.5 0.07 0.07 0.07 0.40 10.25 1653
63 0.5 0.06 0.06 0.06 0.38 15.99 2330
64 0.5 0.05 0.05 0.05 0.35 24.64 3277
65 0.5 0.04 0.04 0.04 0.33 25.27 3278
66 0.5 0.03 0.03 0.03 0.29 25.95 3280
67 0.5 0.02 0.02 0.02 0.24 26.95 3284
68 0.5 0.01 0.01 0.01 0.22 27.71 3285
69 0.5 0.009 0.009 0.009 0.21 27.73 3287
70 0.5 0.001 0.001 0.001 0.21 29.46 3287
71 0.4 0.9 0.9 0.9 1.15 2.65 436
72 0.4 0.5 0.5 0.5 0.93 2.23 333
73 0.4 0.1 0.1 0.1 0.48 4.25 705
74 0.4 0.09 0.09 0.09 0.46 5.44 907
75 0.4 0.08 0.08 0.08 0.43 7.02 1184
76 0.4 0.07 0.07 0.07 0.40 10.72 1653
77 0.4 0.06 0.06 0.06 0.38 17.03 2330
78 0.4 0.05 0.05 0.05 0.35 25.01 3277
79 0.4 0.04 0.04 0.04 0.33 25.65 3278
80 0.4 0.03 0.03 0.03 0.29 26.37 3280
81 0.4 0.02 0.02 0.02 0.24 27.72 3284
82 0.4 0.01 0.01 0.01 0.22 28.63 3285
83 0.4 0.009 0.009 0.009 0.21 28.23 3287
84 0.4 0.001 0.001 0.001 0.21 29.61 3287
Tabel 4.15 Tabel parameter dan hasil pelatihan prediksi banjir (lanjutan)
No Sensitive Error Learning Learnin MAPE Waktu Rule
threshol threshold rate 1 g rate 2 (%) eksekus node
d i (detik)
85 0.3 0.9 0.9 0.9 1.15 2.56 436
86 0.3 0.5 0.5 0.5 0.93 2.22 333
87 0.3 0.1 0.1 0.1 0.48 4.09 705
88 0.3 0.09 0.09 0.09 0.46 5.19 907
89 0.3 0.08 0.08 0.08 0.43 7.37 1184
90 0.3 0.07 0.07 0.07 0.40 10.53 1653
91 0.3 0.06 0.06 0.06 0.38 17.02 2330
92 0.3 0.05 0.05 0.05 0.35 25.96 3277
93 0.3 0.04 0.04 0.04 0.33 26.98 3278
94 0.3 0.03 0.03 0.03 0.29 27.04 3280
95 0.3 0.02 0.02 0.02 0.24 27.32 3284
96 0.3 0.01 0.01 0.01 0.22 28.02 3285
97 0.3 0.009 0.009 0.009 0.21 28.17 3287
98 0.3 0.001 0.001 0.001 0.21 28.5 3287
99 0.2 0.9 0.9 0.9 1.15 2.59 436
100 0.2 0.5 0.5 0.5 0.93 2.08 333
101 0.2 0.1 0.1 0.1 0.48 3.91 705
102 0.2 0.09 0.09 0.09 0.46 5.04 907
103 0.2 0.08 0.08 0.08 0.43 6.96 1184
104 0.2 0.07 0.07 0.07 0.40 10.37 1653
105 0.2 0.06 0.06 0.06 0.38 16.17 2330
106 0.2 0.05 0.05 0.05 0.35 27.18 3277
107 0.2 0.04 0.04 0.04 0.33 25.36 3287
108 0.2 0.03 0.03 0.03 0.29 26.26 3280
109 0.2 0.02 0.02 0.02 0.24 28.72 3284
110 0.2 0.01 0.01 0.01 0.22 27.97 3285
111 0.2 0.009 0.009 0.009 0.21 28.13 3287
112 0.2 0.001 0.001 0.001 0.21 28.82 3287
113 0.1 0.9 0.9 0.9 1.15 2.73 436
114 0.1 0.5 0.5 0.5 0.93 2.09 333
115 0.1 0.1 0.1 0.1 0.47 4.05 705
116 0.1 0.09 0.09 0.09 0.45 5.23 907
Tabel 4.15 Tabel parameter dan hasil pelatihan prediksi banjir (lanjutan)
No Sensitive Error Learning Learning MAPE Waktu Rule
threshold threshold rate 1 rate 2 (%) eksekusi node
(detik)
117 0.1 0.08 0.08 0.08 0.43 7.09 1184
118 0.1 0.07 0.07 0.07 0.40 10.77 1653
119 0.1 0.06 0.06 0.06 0.38 16.79 2330
120 0.1 0.05 0.05 0.05 0.35 25.71 3277
121 0.1 0.04 0.04 0.04 0.33 26.27 3278
122 0.1 0.03 0.03 0.03 0.29 26.42 3280
123 0.1 0.02 0.02 0.02 0.24 28.05 3284
124 0.1 0.01 0.01 0.01 0.22 28.87 3285
125 0.1 0.009 0.009 0.009 0.21 29.45 3287
126 0.1 0.001 0.001 0.001 0.21 27.7382 3287
Dari hasil Pada perbandingan rule node dan error prediksi didapat dengan nilai error
threshold, learning rate 1, dan learnig rate 2 yang sama dan sensitive threshold yang
berbeda. Dapat dilihat grafik dari Grafik Pelatihan pada nilai Error dari gambar 4.9
berdasarkan tabel 4.15
1
0.8
0.6
0.4
0.2
0
101
106
111
116
121
126
1
6
11
16
21
26
31
36
41
46
51
56
61
66
71
76
81
86
91
96
Data
Dapat dilihat pada Gambar 4.9, dilakukan kombinasi beberapa parameter yang
digunakan untuk memprediksi dapat mempengaruhi besarnya error, semakin besar
nilai sensitive threshold maka nilai error yang diperoleh semakin kecil. Besarnya
suatu nilai error dipengaruhi oleh banyaknya pergerakan jumlah data yang ada.
untuk hasil pelatihan yang dilakukan dengan parameter yang berbeda-beda yang
didapat, kemudian dilakukan tahap pengujian pada tinggi permukaan air dari tanggal 1
Januari 2011 sampai dengan tanggal 31 Desember 2012 sebesar 731 data. Pada nilai
parameter sensitive threshold = 0.9, learning rate 1 =0.001, learning rate 2 = 0.001,
dan error threshold = 0,001 menghasilkan nilai error terkecil pada proses pelatihan
sebesar 0.084 % Dari hasil pengujian, diperoleh nilai error sebesar 0,23 % dan
dengan memasukan nilai 1 hari maka didapat hasil prediksi pada tanggal 1 Januari
2013 sebesar 0.65 m sedangkan data sebenarnya bersumber Direktorat Jendral Sumber
Daya Air Balai Wilayah Sungai Sumatera II sebesar 0.44 m maka didapat hasil
pendekatan prediksi sebesar 80 %. Grafik pola data hasil pengujian dapat dilihat
pada Gambar 4.10.
2
1.5
1
0.5
0
9/1/2011
1/1/2011
2/1/2011
3/1/2011
4/1/2011
5/1/2011
6/1/2011
7/1/2011
8/1/2011
10/1/2011
11/1/2011
12/1/2011
1/1/2012
2/1/2012
3/1/2012
4/1/2012
5/1/2012
6/1/2012
7/1/2012
8/1/2012
9/1/2012
10/1/2012
11/1/2012
12/1/2012
aktual hari
hasil Prediksi
5.1 Kesimpulan
Berdasarkan data pelatihan dan data pengujian yang telah dilakukan untuk sistem
prediksi banjir dengan mengunakan metode Weighted Evolving Fuzzy neural Network
(WEFuNN) maka diperoleh kesimpulan bahwa metode yang digunakan dengan
memasukan beberapa parameter yang berbeda-beda sesuai dengan daftar tabel 4. 15
maka dapat menunjukan hasil prediksi yang mendekati nilai sebenarnya dengan
tingkat error sebesar 0.23 % dan Sesuai dengan data prediksi beberapa hari
kedepannya dengan memasukan input 1 hari maka diperoleh hasil prediksi pada
tanggal 1 Januari 2013 sebesar 0.65 m sedangkan untuk data sebenarnya pada tanggal
1 Januari 2013 sebesar 0.44 m maka didapat hasil pendekatan sebesar 80 % dari data
sebenarnya yang bersumber dari Direktorat Jendral Sumber Daya Air Balai Wilayah
Sungai Sumatera II.
5.2 Saran