BAB 3

ANALISIS DAN PERANCANGAN SISTEM

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

3.1 Data yang akan digunakan

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

1 1 Januari 2002 0.42

2 2 Januari 2002 0.36
3 3 Januari 2002 0.56
4 4 Januari 2002 0.44
5 5 Januari 2002 0.39
6 6 Januari 2002 0.36
7 7 Januari 2002 0.35

Universitas Sumatera Utara

 22

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

Meter (m) tinggi permukaan air

2.50
Tinggi Permukaan AIr

2.00

1.50

1.00

0.50

0.00
2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012
tahun

Gambar 3.1 Grafik Tinggi Permukaan Air

3.2 Metode Penelitian

Metode penelitian ini terdapat data training dan data testing dapat dilihat pada gambar
3.2 dan 3.3

Universitas Sumatera Utara

 23

Mulai

Ambil data Training Data tinggi

Tinggi Permukaan air permukaan air

Normalisasi data

Fungsi keanggotaan segitiga

Tentukan Nilai Bobot 1 dan Bobot 2

F
Selesai Data Training <= n

Hitung Nilai fuzzy Distance function

Hitung Nilai Aktivasi

F
Tambah rule node
A max > Thres baru

Melakukan Propagasi terhadap nilai

Aktivasi

Hitung besar Error

F
Err < error1

Ubah Nilai bobot 1 dan bobot 2

Gambar 3.2 Flowchart data training

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

Universitas Sumatera Utara

 24

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

3. Menentukan nilai Fungsi Keanggotaan Segitiga ( Triangle Membership Function )

terhadapat data yang telah dinormalisasikan dengan persamaan (2.3)

4. Tentukan rule node pertama untuk data pertama dan mengisi nilai bobot 1 dan
bobot 2

5. Hitung nilai Fuzzy Distance Function dengan persamaan (2.9)

6. Hitung nilai aktivasi dari hasil perhitungan Fuzzy Distance Function dengan
persamaan (2.10)

7. Cari Nilai aktivasi tertinggi

8. Cek nilai Ai lebih besar dari Sensitive Threshold (sThr), jika tidak maka rule node
akan ditambah 1 dan kembali ke langkah 6

9. Lakukan propagasi terhadap nilai aktivasi dengan persamaan (2.11)

10. Hitung nilai besar Error dengan persamaan (2.12)

11. Cek Erri lebih kecil dari error Threshold (eThr) , jika Tidak maka rule node akan
ditambah 1 dan kembali ke langkah 6

12. Ubah bobot 1 dan bobot 2

Untuk flowchart data testing dapat dilihat pada gambar 3.3

Universitas Sumatera Utara

 25

Mulai

Input Parameter :Thres,

error1, rate1, Rate 2, tglawal,
tglakhir dan Input N hari

Ambil data Testing Data tinggi

Tinggi Permukaan air permukaan air

Normalisasi data

Fungsi keanggotaan segitiga

Tentukan Nilai Bobot 1 dan Bobot 2

F
Hitung MAPE Data Testing <= n

Selesai T

Hitung Nilai fuzzy Distance function

Hitung Nilai Aktivasi Maksimum

F
rNodeTes < rNode

Hitung Nilai Denormalisasi

Nilai Data Testing

Gambar 3.3 Flowchart data Testing

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.

Universitas Sumatera Utara

 26

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)

4. Menentukan nilai Fungsi Keanggotaan Segitiga ( Triangle Membership Function )

terhadapat data yang telah dinormalisasikan dengan persamaan (2.3)

5. Tentukan rule node pertama untuk data pertama dan mengisi nilai bobot 1 dan
bobot 2

6. Hitung nilai Fuzzy Distance Function dengan persamaan (2.9)

7. Hitung nilai aktivasi dari hasil perhitungan Fuzzy Distance Function dengan
persamaan (2.10)

8. Cari Nilai aktivasi tertinggi

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.

x = (y 0.1) (b - a) + 0.8a / 0.8 (3.2)

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)

Universitas Sumatera Utara

 27

x 100 % (3.3)

Keterangan :

a = data aktual
b = data prediksi
n = banyak data testing

3.3 Perancangan sistem

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.

3.3.1 Use case diagram

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

Gambar 3.4 Use Case Diagram Sistem

Universitas Sumatera Utara

 28

3.3.2 Use case specification

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

Tabel 3.2 Use Case Data Tinggi Permukaan Air

Tipe Use Case Penjelasan

Nama Use Case Lihat data

Aktor Pengguna
Deskripsi Use case ini digunakan pengguna untuk
melihat data Tinggi Permukaan Air
Pre-Condiiton Semua pengguna dapat mengklik menu
ini
Character of Activation Eksekusi ini dapat dilakukan oleh
siapapun
Basic Flow 1. Pengguna mengakses menu data
Tinggi Permukaan Air
2. Kemudian sistem akan memunculkan
seluruh data Tinggi Permukaan Air
3. Jika pengguna melakukan pencarian
dapat mengisi Form Pencarian, lalu
klik tombol cari
4. Kemudian sistem akan melakukan
pencarian data berdasarkan form yang
diisi untuk menentukan data tersebut
ada atau tidak [H-1 : data Tinggi
Permukaan Air tidak ada dalam
database]
Jika ada pada form yang dimasukan ada

Universitas Sumatera Utara

 29

Tabel 3.2 Use Case Data Tinggi Permukaan Air (lanjutan)

Tipe Use Case Penjelasan

dalam database, maka data tersebut

akan ditampilkan
5. Use case ini akan selesai ketika
sistem telah selesai menampilkan semua
data Tinggi Permukaan Air
Alternative flow H-1 : data Tinggi Permukaan Air
tidak ada dalam databse
Sistem akan memberikan pesan bahwa
data Tinggi Permukaan Air tidak ada
dalam database
Post condition Pada use case ini pengguna melihat data
tinggi permukaan air
Limitations -

Tabel 3.3 Use Case prediksi Banjir

Tipe Use Case Penjelasan

Nama Use Case Prediksi Banjir

Aktor Pengguna
Deskripsi Use case ini digunakan pengguna untuk
melihat Prediksi Banjir dengan
mengunakan data Tinggi Permukaan Air
Pre-Condiiton Semua pengguna dapat mengklik menu ini

Character of Activation Eksekusi ini dapat dilakukan oleh siapapun

Basic Flow 1. Pengguna mengklik menu Prediksi

2. Sistem akan menampilkan halaman
Prediksi
3. Pengguna akan mengisi parameter yang

Universitas Sumatera Utara

 30

Tabel 3.3 Use Case prediksi Banjir (lanjutan)

Tipe Use Case Penjelasan

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 -

Tabel 3.4 Use Case tutorial penggunaan aplikasi

Tipe Use Case Penjelasan

Nama Use Case Tutorial Penggunaan Aplikasi

Aktor Pengguna
Deskripsi Use case ini digunakan pengguna untuk
melihat cara penggunaan sistem prediksi
ini
Pre-Condiiton Semua pengguna dapat mengklik menu
ini
Character of Activation Eksekusi ini dapat dilakukan oleh
siapapun
Basic Flow 1. Pengguna dapat mengklik menu
tutorial penggunaan aplikasi

Universitas Sumatera Utara

 31

Tabel 3.4 Use Case tutorial penggunaan aplikasi (lanjutan)

Tipe Use Case Penjelasan

2. Sistem akan menampilakan halaman

tutorial penggunaan aplikasi
3. Use case ini akan selesai ketika sistem
menampilkan tutorial penggunaan
aplikasi
Alternative flow -
Post condition Pada use case ini pengguna dapat melihat
halaman tutorial penggunaan aplikasi
Limitations -

Tabel 3.5 Use Case profil Administrator

Tipe Use Case Penjelasan

Nama Use Case Profil

Aktor Administrator
Deskripsi Use case ini digunakan administrator
untuk melihat dan mengubah profil
Pre-Condiiton Administrator memiliki username dan
password ada dalam database untuk dapat
login ke sistem ini
Character of Activation Eksekusi ini dapat dilakukan oleh
administrator yang telah login
Basic Flow 1. Administrator mengklik menu profil
2. Kemudian sistem akan menampilkan
halaman profil administrator
3. Administrator dapat mengubah profil
yang sudah ada kemudian klik tombol
simpan
4. Use case ini akan selesai ketika sistem
menampilkan halaman profil

Universitas Sumatera Utara

 32

Tabel 3.5 Use Case profil Administrator (lanjutan)

Tipe Use Case Penjelasan

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

Tipe Use Case Penjelasan

Nama Use Case Pengaturan data tinggi permukaan air

Aktor Administrator
Deskripsi Use case ini digunakan administrator
untuk mengatur data tinggi permukaan air
Pre-Condiiton Administrator memiliki username dan
password ada dalam database untuk dapat
login ke sistem ini
Character of Activation Eksekusi ini dapat dilakukan oleh
administrator yang telah login
Basic Flow 1. Administrator mengklik menu
pengaturan data tinggi permukaan air
2. Kemudian sistem akan menampilkan
data tinggi permukaan air
3. Administrator akan menambah,
mengedit dan menghapus data tinggi
permukaan air [H-1: data tinggi
permukaan air tidak ada dalam
database]
4. Use case ini akan selesai ketika
menampilkan semua data tinggi
permukaan air

Universitas Sumatera Utara

 33

Tabel 3.6 Use Case pengaturan data tinggi permukaan air (lanjutan)
Tipe Use Case Penjelasan

Alternative flow H-1: data tinggi permukaan air tidak

ada dalam database
Sistem akan memberikan sebuah pesan
bahwa data tidak ada dalam database
Post condition Pada use case ini administrator dapat
menambah, mengedit dan menghapus
data tinggi permukaan air
Limitations -

Tabel 3.7 Use Case pengaturan parameter

Tipe Use Case Penjelasan

Nama Use Case Pengaturan parameter

Aktor Administrator
Deskripsi Use case ini digunakan administrator
untuk mengatur parameter
Pre-Condiiton Administrator memiliki username dan
password ada dalam database untuk dapat
login ke sistem ini
Character of Activation Eksekusi ini dapat dilakukan oleh
administrator yang telah login
Basic Flow 1. Administrator mengklik menu
parameter
2. Administrator menambah parameter
yang dapat digunakan dalam prediksi
banjir
3. Kemudian klik simpan
4. Use case ini akan selesai ketika sistem
ini menambah data parameter untuk

Universitas Sumatera Utara

 34

Tabel 3.7 Use Case pengaturan parameter (lanjutan)

Tipe Use Case Penjelasan

Prediksi
Alternative flow -
Post condition Pada use case ini administrator dapat
menambah, mengedit dan menghapus
parameter
Limitations -

3.3.3 DFD (data flow diagram)

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

Data Tinggi Permukaan Air Informasi Data Tinggi Permukaan Air

Data Prediksi Banjir Informasi Data Parameter Prediksi
Tutorial Penggunaan Aplikasi Informasi Data Tinggi Permukaan Air

Sistem Prediksi
Pengguna Administrator
Banjir

Input Parameter Prediksi Informasi Data Tinggi Permukaan Air

Pencarian data Tinggi Permukaan Air Input Parameter Prediksi
Profil Administrator
Login

Gambar 3.5 DFD level 0

Universitas Sumatera Utara

 35

DFD (Diagram Flow Diagram) level 0 mengambarkan sebuah sistem yang

akan dibangun untuk berinteraksi dengan sistem yang satu maupun dengan sisten yang
lain. Pada DFD level 0 memiliki 2 aktor yang memiliki fungsi yang berbeda,
pengguna memiliki sebuha aktivitas input seperti : pencarian data tinggi permukaan
air danparameter metode WEFuNN sedangkan Output seperti : data tinggi permukaan
air, data Prediksi Tinggi permukaan air dan informasi tutorial penggunaan aplikasi.
Aktor administrator memiliki aktivitas input seperti : input data tinggi permukaan air,
input parameter metode WEFuNN, profil administrator dan login sedangkan Output
seperti : informasi data Tinggi permukaan air, informasi parameter metode WEFuNN
dan informasi Profil. Detail proses yang terdapat pada DFD level 0 dapat dilihat pada
gambar 3.6

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

Hasil Prediksi Tampil data

2.0 Prediksi Parameter
Pengguna Data Prediksi Adminsitrator
Banjir

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

Gambar 3.6 DFD level 1

Universitas Sumatera Utara

 36

3.3.4 Perancangan Menu Sistem

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

Prediksi Hapus Data

Tambah Data
Login

Pengaturan Data
Edit Data
Parameter

Hapus Data

Gambar 3.7 Struktur Menu Sistem

3.3.5 Perancangan Tampilan Antarmuka

Perancangan tampilan antarmuka merupakan awal dari gambaran yang dimana akan
dibangun sebuah aplikasi sistem.

3.3.5.1 Rancangan Tampilan Halaman Home

Pada halaman Home ini akan menampilkan halaman pembuka aplikasi beserta
Tutorial penggunaan aplikasi prediksi ini. Rancangan dapat dilihat pada gambar 3.8

Universitas Sumatera Utara

 37

HEADER

a
HOME DATA T.AIR PREDIKSI LOGIN

b
KONTEN HOME

FOOTER

Gambar 3.8 Rancangan Halaman Home

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.

3.3.5.2 Rancangan Tampilan Halaman data Tinggi Permukaan Air

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

Universitas Sumatera Utara

 38

HEADER

HOME DATA T.AIR PREDIKSI LOGIN

DATA TINGGI PERMUKAAN AIR

Search Tanggal
a
Tanggal Awal Tanggal Akhir CARI RESET

b
NO Tanggal Aktual Value

FOOTER

Gambar 3.9 Rancangan halaman data Tinggi Permukaan Air

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.

3.3.5.3 Rancangan Tampilan halaman Prediksi

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

Universitas Sumatera Utara

 39

HEADER

HOME DATA T.AIR PREDIKSI LOGIN

Prediksi a
Sensitive Threshold
Error Threshold
Learning Rate 1
Learning Rate 2
Tanggal Awal
Tanggal Akhir
Input Hari

Submit

FOOTER

Gambar 3.10 Rancangan halaman Prediksi

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.

3.3.5.4 Rancangan Tampilan Halaman Hasil Prediksi

Pada halaman ini menampilkan hasil prediksi yang telah input sesuai dengan form
yang tersedia, rancangan dapat dilihat pada gambar 3.11

Universitas Sumatera Utara

 40

HEADER

HOME DATA T.AIR PREDIKSI LOGIN

Hasil Prediksi a
Sensitive Threshold :
Error Threshold :
Learning Rate 1 :
Learning Rate 2 :
Tanggal Testing :
Jumlah Data Testing :
Waktu :
Rule Node :

Lihat Grafik Aktual dan Ramal b

Lihat Hasil Prediksi c

d
NO Tanggal Aktual Ramal

FOOTER

Gambar 3.11 Rancangan halaman Hasil Prediksi

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.

3.3.5.5 Rancangan Tampilan Halaman Profil Administrator

Pada halaman ini menampikan data-data profil administrator yang sudah ada dalam
database. Rancangan dapat dilihat pada gambar 3.12

Universitas Sumatera Utara

 41

HEADER

PENGATURAN DATA
PROFIL USER
T.AIR
Pengaturan Parameter Logout
a b

c
PROFIL USER

Nama

Alamat

Email

Username

Password

Simpan

FOOTER

Gambar 3.12 Rancangan halaman Profil Administrator

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.

3.3.5.6 Rancangan Tampilan Halaman Pengaturan data tinggi permukaan air

Pada halaman ini, administrator dapat mengubah, menambah dan menhapus data yang
tersedia. Rancangan dapat dilihat gambar 3.13

Universitas Sumatera Utara

 42

HEADER

PENGATURAN DATA
PROFIL USER
T.AIR
Pengaturan Parameter Logout

Pengaturan Data Tinggi Permukaan Air

a
Tanggal Data Tinggi Permukaan Air Simpan

b
NO Tanggal Aktual Value Edit Hapus

c d

FOOTER

Gambar 3.13 Rancangan halaman Pengaturan Data Tinggi Permukaan Air

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.

3.3.5.7 Rancangan Tampilan Halaman Pengaturan Parameter

Pada halaman ini, administrator mengatur parameter yang digunakan untuk

melakukan prediksi. Rancangan dapat dilihat pada gambar 3.13

Universitas Sumatera Utara

 43

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

Gambar 3.14 Rancangan halaman pengaturan parameter

Keterangan :
a. Pada bagian ini, administrator dapat mengisi nilai parameter yang digunakan
untuk melaukan prediksi setelah itu mengklik Simpan.

Universitas Sumatera Utara

 BAB 4

IMPLEMENTASI DAN PENGUJIAN SISTEM

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.

4.1 Implementasi sistem

Sesuai dengan tahap ini, metode Weighted Evolving Fuzzy Neural Network akan
diimplementasikan ke aplikasi sistem, dengan mengunakan bahasa pemrograman php
dan database MySql.

4.1.1 Spesifikasi perangkat keras dan perangkat lunak

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

Universitas Sumatera Utara

 45

4.1.2 Implementasi Perancangan Antarmuka

Implementasi dari perancangan antarmuka yang telah dilakukan sebelunnya yaitu

sebagai berikut :

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

Gambar 4.1 Halaman Home

b. Halaman Data Tinggi Permukaan Air

Halaman Data Tinggi Permukaan Air merupakan halaman yang menampilkan
data tinggi permukaan air yang berada dalam database kemudian ditampilkan
dalam bentuk tabel. Pada halaman ini terdapat Serach Date yang digunakan

Universitas Sumatera Utara

 46

pengguna untuk mencari rentang waktu yang ingin dicari. Tampilan halaman
Tinggi Permukaan Air dapat dilihat pada gambar 4.2

Gambar 4.2 Halaman Data Tinggi Permukaan Air

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

Universitas Sumatera Utara

 47

Gambar 4.3 Halaman Prediksi

d. Halaman Hasil Prediksi

Pada halaman ini merupakan halaman yang menampilkan hasil prediksi yang
berisi nilai parameter dan rentang waktu yang digunakan untuk melakukan
prediksi, pengguna juga dapat melihat grafik dengan menekan Link Menu
Lihat Grafik Aktual dan Ramal. Tampilan halaman hasil prediksi dapat
dilihat pada ganbar 4.4

Universitas Sumatera Utara

 48

Gambar 4.4 Halaman hasil Prediksi

e. Halaman Profil Administrator

Pada halaman ini merupakan halaman yang menampilkan data-data profil dari
administrator yang telah berhasil login masuk ke dalam aplikasi sistem ini,
pada halaman ini administrator dapat mengubah data profil beserta username
dan password sesuai dengan keinginan administrator. Tampilan halaman Profil
Administrator dapat dilihat pada gambar 4.5

Universitas Sumatera Utara

 49

Gambar 4.5 Halaman Profil Administrator

f. Halaman Pengaturan Data Tinggi Permukaan Air

Pada halaman ini merupakan halaman yang digunakan untuk menambah,
mengubah dan mengahapus data tinggi permukaan air. Tampilan halaamn
pengaturan data tinggi permukaan air dapat dilihat pada gambar 4.6

Universitas Sumatera Utara

 50

Gambar 4.6 Halaman Pengaturan data tinggi permukaan air

g. Halaman Pengaturan Parameter

Pada halaman ini merupakan halaman yang digunakan untuk mengatur nilai
parameter yang digunakan untuk prediksi. Halaman ini berisi parameter berupa
Sensitive Threshold, Error Threshold, Learning Rate 1, Learning rate 2.
Tampilan halaman pengaturan Parameter dapat dilhat pada gambar 4.7

Universitas Sumatera Utara

 51

Gambar 4.7 Halaman Pengaturan Parameter

4.1.3 Implementasi data

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

Universitas Sumatera Utara

 52

Tabel 4.1 Data Tinggi Permukaan Air

No Tanggal Tinggi Permukaan Air
1 1 Januari 2002 0.42
2 2 Januari 2002 0.36
3 3 Januari 2002 0.56
4 4 Januari 2002 0.44
5 5 Januari 2002 0.39
6 6 Januari 2002 0.36
. . .
. . .
. . .
4014 27 Desember 2012 0.41
4015 28 Desember 2012 0.47
4016 29 Desember 2012 0.40
4017 30 Desember 2012 0.52
4018 31 Desember 2012 0.66

4.2 Pengujian sistem

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).

4.2.1 Rencana Pengujian sistem

Rancangan pengujian sistem yang akan diuji dengan teknik black box Testing dapat
dilihat pada tabel 4.2

Universitas Sumatera Utara

 53

Tabel 4.2 Rencana Pengujian Sistem

No Komponen sistem yang diuji Butir Uji
1 Login Tombol Menu Login
Tombol Login
Informasi jika terjadi kegagalan
dalam melakukan login
2 Halaman Data Tinggi Permukaan Tombol Proses
Air
Tombol Reset

3 Halaman Prediksi Form Input Parameter

Tombol Submit

Tombol Grafik Aktual dan

Ramal
4 Halaman Profil Adminstrator Tombol Simpan

4.2.2 Kasus dan hasil pengujian sistem

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 4.3 Hasil Pengujian Login

No Skenario Uji Hasil yang diharapkan Hasil
pengujian
1 Masukan Ketika Tombol Login di klik Berhasil
username dan maka sistem akan melakukan
Password yang pengecekan, jika benar maka
benar dapat langsung masuk ke halaman
administrator

Universitas Sumatera Utara

 54

Tabel 4.3 Hasil Pengujian Login (lanjutan)

No Skenario Uji Hasil yang diharapkan Hasil
pengujian
2 Masukan Ketika tombol login di klik maka Berhasil
username dan sistem akan melakukan
password yang pengecekan jika salah, sistem
salah akan memberikan pesan
kesalahan
3 Logout Ketika tombol logout diklik maka Berhasil
administrator keluar dari sistem

Tabel 4.4 Hasil Pengujian halaman Data Tinggi Permukaan Air

No Skenario Uji Hasil yang diharapkan Hasil
pengujian
1 Pengguna Ketika mengklik Tombol Berhasil
memasukan proses maka akan muncul
rentang waktu rentang waktu yang dicari oleh
yang ingin dicari pengguna
kemudian
mengklik
Proses
2 Pengguna Ketika Pengguna mengklik Berhasil
mengklik tombol tombol Reset maka form yang
Reset tersedia akan terhapus

Universitas Sumatera Utara

 55

Tabel 4.5 Hasil Pengujian halaman Prediksi

No Skenario Uji Hasil yang diharapkan Hasil
pengujian
1 Pengguna Ketika pengguna mengklik menu Berhasil
mengklik menu Prediksi maka sistem akan
prediksi menampilkan form yang tersedia
dengan parameter yang sudah
diberi nilai dan dengan rentang
waktu yang ingin melakukan
prediksi
2 Pengguna Pengguna dapat menganti nilai Berhasil
menganti nilai parameter yang ada terdapat di
parameter form
3 Pengguna Ketika pengguna mengklik Berhasil
mengklik tombol tombol show maka sistem akan
Show mengalami pemrosesan sesuai
dengan nilai parameter dan
rentang waktu yang dimasukan

Tabel 4.6 Hasil Pengujian halaman Hasil Prediksi

No Skenario Uji Hasil yang diharapkan Hasil
pengujian
1 Tabel Hasil Sistem akan menampilkan hasil Berhasil
prediksi prediksi

2 Pengguna Untuk melihat hasil prediksi, Berhasil

mengklik tombol pengguna dapat melihat melalui
lihat grafik grafik dan pengguna dapat
aktual dan mengklik tombol Lihat grafik
ramal aktual dan ramal

Universitas Sumatera Utara

 56

Tabel 4.7 Hasil Pengujian halaman Profil Adminstrator

No Skenario Uji Hasil yang diharapkan Hasil
pengujian
1 Administrator Ketika administrator mengklik Berhasil
memasukan tombol Simpan maka sistem
profil sesuai akan memberika pesan bahwa
dengan form data tersebut masuk ke dalam
yang tersedia database
kemudian
mengklik tombol
Simpan

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

Universitas Sumatera Utara

 57

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

Tabel 4.9 Hasil Pengujian halaman Pengaturan parameter

No Skenario Uji Hasil yang diharapkan Hasil
pengujian
1 Administrator Ketika administrator mengklik Berhasil
dapat memasukan tombol Simpan maka nilai
nilai parameter parameter akan masuk ke dalam
kemudian database
mengklik tombol
Simpan

4.2.3 Pengujian kinerja sistem

Di dalam pengujian kinerja sistem ini terdapat 15 data Tinggi Permukaan Air yang
dirangkum pada tabel 4.10

Tabel 4.10 Tabel data Tinggi Permukaan Air

No Tanggal Data Aktual
1 01 Januari 2002 0.42
2 02 Januari 2002 0.36
3 03 Januari 2002 0.56
4 04 Januari 2002 0.44
5 05 Januari 2002 0.39
6 06 Januari 2002 0.36

Universitas Sumatera Utara

 58

Tabel 4.10 Tabel data Tinggi Permukaan Air (lanjutan)

No Tanggal Data Aktual
7 07 Januari 2002 0.35
8 08 Januari 2002 0.39
9 09 Januari 2002 0.38
10 10 Januari 2002 0.43
11 11 Januari 2002 0.46
12 12 Januari 2002 0.40
13 13 Januari 2002 0.56
14 14 Januari 2002 0.41
15 15 Januari 2002 0.73

Langkah berikut dilakukan perhitungan manual pada metode Weighted Evolving

Fuzzy Neural Networks untuk data pada Tabel 4.9 sebagai berikut:

1. Menentukan nilai parameter WEFuNN yaitu: Sensitive threshold, Error

threshold, Learning rate 1, dan Learning rate 2 Nilai parameter yang
digunakan adalah Sensitive threshold = 0,09, Error threshlod = 0,01, Learning
rate 1 = 0,01, Learning rate 2 = 0,01.

2. Berdasarkan pada tabel 4.9 maka dilakukan normalisasi data Tinggi

Permukaan Air pada Tabel 4.9 Maka didapatkan nilai normalisasi yang dapat
dilihat pada Tabel 4.10.

Tabel 4.11 Tabel data nilai Normalisasi

No Tanggal Data Normalisasi
1 01 Januari 2002 0.42 0.24737
2 02 Januari 2002 0.36 0.12105
3 03 Januari 2002 0.56 0.54211
4 04 Januari 2002 0.44 0.28947
5 05 Januari 2002 0.39 0.18421

Universitas Sumatera Utara

 59

Tabel 4.11 Tabel data nilai Normalisasi (lanjutan)

No Tanggal Data Normalisasi
6 06 Januari 2002 0.36 0.12105
7 07 Januari 2002 0.35 0.1
8 08 Januari 2002 0.39 0.18421
9 09 Januari 2002 0.38 0.16316
10 10 Januari 2002 0.43 0.26842
11 11 Januari 2002 0.46 0.33157
12 12 Januari 2002 0.40 0.20526
13 13 Januari 2002 0.56 0.54211
14 14 Januari 2002 0.41 0.22631
15 15 Januari 2002 0.73 0.9

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

Tabel 4.12 Tabel data nilai Membership Function Triangle

No Tanggal Nilai Normalisasi Fuzzy Input
1 01 Januari 2002 0.24737 0.49474
2 02 Januari 2002 0.12105 0.24211
3 03 Januari 2002 0.54211 0.91579
4 04 Januari 2002 0.28947 0.57898
5 05 Januari 2002 0.18421 0.36842
6 06 Januari 2002 0.12105 0.24211
7 07 Januari 2002 0.1 0.2
8 08 Januari 2002 0.18421 0.36842
9 09 Januari 2002 0.16316 0.32632
10 10 Januari 2002 0.26842 0.53684

Universitas Sumatera Utara

 60

Tabel 4.12 Tabel data nilai Membership Function Triangle (lanjutan)

No Tanggal Nilai Normalisasi Fuzzy Input
11 11 Januari 2002 0.33157 0.66316
12 12 Januari 2002 0.20526 0.41052
13 13 Januari 2002 0.54211 0.91579
14 14 Januari 2002 0.22631 0.45263
15 15 Januari 2002 0.9 0.2

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.

5. Langkah selanjutnya melakukan proses training terhadap data yang ada

6. Untuk melakukan hasil prediksi mengunakan metode Weighted Evolving Fuzzy

Neural Network maka dapat dilihat pada tabel 4.13

Tabel 4.13 Tabel data nilai target dan hasil prediksi

No Tanggal Target Hasil Prediksi
1 01 Januari 2002 0.24737 0.24737
2 02 Januari 2002 0.12105 0.11754
3 03 Januari 2002 0.54211 0.48578
4 04 Januari 2002 0.28947 0.28125
5 05 Januari 2002 0.18421 0.17738
6 06 Januari 2002 0.12105 0.11403
7 07 Januari 2002 0.1 0.09297
8 08 Januari 2002 0.18421 0.17759
9 09 Januari 2002 0.16315 0.15761
10 10 Januari 2002 0.26842 0.25499
11 11 Januari 2002 0.33158 0.30484
12 12 Januari 2002 0.20526 0.19920
13 13 Januari 2002 0.54211 0.44256
14 14 Januari 2002 0.45263 0.22634
15 15 Januari 2002 0.2 0.9

Universitas Sumatera Utara

 61

7. Setelah didapat hasil prediksi maka selanjutnya dilakukan denormalisasi hasil

prediksi karena hasil prediksi yang berada pada tabel 4.13 belum menjadi nilai
yang sebenarnya. Maka dapat dapat dilihat pada tabel 4.14 berikut

Tabel 4.14 Tabel data nilai denormalisasi

No Tanggal Target Hasil Prediksi
1 01 Januari 2002 0.42 0.42
2 02 Januari 2002 0.36 0.35
3 03 Januari 2002 0.56 0.53
4 04 Januari 2002 0.44 0.43
5 05 Januari 2002 0.39 0.38
6 06 Januari 2002 0.36 0.35
7 07 Januari 2002 0.35 0.34
8 08 Januari 2002 0.39 0.38
9 09 Januari 2002 0.38 0.37
10 10 Januari 2002 0.43 0.42
11 11 Januari 2002 0.46 0.44
12 12 Januari 2002 0.40 0.39
13 13 Januari 2002 0.56 0.51
14 14 Januari 2002 0.41 0.40
15 15 Januari 2002 0.73 0.69

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

Universitas Sumatera Utara

 62

Grafik Hasil Pelatihan

meter
data tinggi permukaan air

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

Gambar 4.8 Grafik Hasil pelatihan

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.

4.2.4 Data Pelatihan

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

Universitas Sumatera Utara

 63

Tabel 4.15 Tabel parameter dan hasil pelatihan prediksi banjir

No Sensitive Error Learning Learning MAPE Waktu Rule
threshold threshold rate 1 rate 2 (%) eksekusi node
(detik)
1 0.9 0.9 0.9 0.9 1.14 2.53 437
2 0.9 0.5 0.5 0.5 0.93 2.35 340
3 0.9 0.1 0.1 0.1 0.48 4.66 941
4 0.9 0.09 0.09 0.09 0.46 5.87 1121
5 0.9 0.08 0.08 0.08 0.43 8.81 1577
6 0.9 0.07 0.07 0.07 0.40 12.8 2115
7 0.9 0.06 0.06 0.06 0.37 21.2728 2952
8 0.9 0.05 0.05 0.05 0.33 21.5 3288
9 0.9 0.04 0.04 0.04 0.29 18.7 3288
10 0.9 0.03 0.03 0.03 0.27 14.8 3288
11 0.9 0.02 0.02 0.02 0.23 14.6 3288
12 0.9 0.01 0.01 0.01 0.18 13.3 3288
13 0.9 0.009 0.009 0.009 0.18 13.1 3288
14 0.9 0.001 0.001 0.001 0.084 13.4 3288
15 0.8 0.9 0.9 0.9 1.14 3.02 3287
16 0.8 0.5 0.5 0.5 0.93 2.09 333
17 0.8 0.1 0.1 0.1 0.47 4.03 705
18 0.8 0.09 0.09 0.09 0.45 5.05 907
19 0.8 0.08 0.08 0.08 0.43 6.98 1184
20 0.8 0.07 0.07 0.07 0.40 10.2 1653
21 0.8 0.06 0.06 0.06 0.38 16.27 2330
22 0.8 0.05 0.05 0.05 0.32 21.2 3288
23 0.8 0.04 0.04 0.04 0.28 18.2 3288
24 0.8 0.03 0.03 0.03 0.25 16.4 3288
25 0.8 0.02 0.02 0.02 0.24 27.9 3287
26 0.8 0.01 0.01 0.01 0.21 27.7 3285

Universitas Sumatera Utara

 64

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

Universitas Sumatera Utara

 65

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

Universitas Sumatera Utara

 66

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

Universitas Sumatera Utara

 67

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

Grafik Pelatihan nilai error

1.4
1.2
Error (%)

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

Gambar 4.9 Grafik Pelatihan nilai error

Dapat dilihat pada Gambar 4.9, dilakukan kombinasi beberapa parameter yang
digunakan untuk memprediksi dapat mempengaruhi besarnya error, semakin besar

Universitas Sumatera Utara

 68

nilai sensitive threshold maka nilai error yang diperoleh semakin kecil. Besarnya
suatu nilai error dipengaruhi oleh banyaknya pergerakan jumlah data yang ada.

4.2.5 Data pengujian

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.

Grafik Hasil prediksi

2.5
Tinggi Permukaan air (m)

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

Gambar 4.10 Grafik hasil prediksi

Universitas Sumatera Utara

 BAB 5

KESIMPULAN DAN SARAN

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

Pada penelitian selanjutnya, disarankan memasukan beberapa variabel yang

berhubungan untuk melakukan prediksi banjir agar bisa memberikan hasil prediksi
yang lebih akurat dan juga dapat membandingkan metode lain seperti : Adaptive
Neuro Fuzzy Inference System (ANFIS), Dynamic Evolving Fuzzy Neural Network
(DENFIS) dan metode lain yang lebih baik untuk melakukan prediksi banjir.

Universitas Sumatera Utara