LAPORAN AKHIR

MATAKULIAH : METODOLOGI PENELITIAN

PROPOSAL PENELITIAN

Prediksi Ketinggian Banjir Tahunan Prumnas Tokojo Dengan Metode Neural

Network Backpropagation

Oleh :

Fajar Wahyu Wardhana

140155201030

JURUSAN TEKNIK INFORMATIKA

FAKULTAS TEKNIK

UNIVERSITAS MARITIM RAJA ALI HAJI

2017
I. PENDAHULUAN
1.1 Latar Belakang

Banjir merupakan masalah disetiap daerah yang pasti dialami. Banyak penyebabnya dari pemanasan
global ataupun dari manusia itu sendiri, bahkan manusia lah penyebab terbesar terjadinya banjir. Kenapa
manusia? Karena ulah ulah manusia seperti menggunduli hutan, membuang sampah sembarangan,
membangun pemukiman tanpa memikirkan tata ruang. Banyak kerugian yang dialami disebabkan banjir
bahkan korban jiwa juga terkadang tidak dapat dihindari karena ulah mereka sendiri.

Orang orang banyak tidak siap oleh banjir yang datang dengan kuantitas yang luar biasa. Oleh karena itu,
kita perlu mempersiapkan banjir yang kita biasanya tahu kapan akan terjadi seperti banjir tahunan agar
kita bisa memindahkan barang atau mengevakuasi diri. Maka penulis disini, ingin membuat system
prediksi dengan metode Backpropagation untuk bisa memperkirakan ketinggian air di tahun berikutnya
karena backpropagation adalah metode yang terawasi dan digunakan dengan banyak lapisan untuk
mengub

ah bobot yang terhubung dengan neuron neuron pada lapisan tersembunyinya sehingga membuat hasil
prediksi lebih baik dan meminimalkan total error. Dalam hal ini penulis mengambil lokasi di prumnas
tokojo yang sudah tiap tahun menjadi langganan banjir dengan memperhatikan aspek aspek seperti
koofesien air, intensitas hujan, jarak dasar dengan permukaan yang dihitung dari 5m tepi bakau, dan
ketinggian banjir di tahun sebelumnya yang mulai dihitung dari tepi bakau.

1.2 Perumusan Masalah

Berdasarkan latar belakang diatas, dapat dirumuskan permasalahannya adalah bagaimana membuat
sebuah model untuk dapat memprediksi ketinggian banjir (m) ditahun berikutnya dengan menggunakan
metode Backpropagation.

1.3 Batasan Masalah

Adapun batasan masalah dalam penelitian ini adalah sebagai berikut :

1. Data yang digunakan adalah data dari pihak ketua RW prumnas tokojo yang terhitung dari tahun
2011 sampai tahun 2016.
2. Variable yang digunakan adalah jarak air, koefisien, dan intensitas.
1.4 Tujuan Penelitian

Tujuan dari penelitian ini adalah untuk membangun system yang dapat memprediksi ketinggian banjir di
tahun berikutnya dengan cara menggunakan algoritma Backpropagation.

1.5 Manfaat Penelitian

Systerm yang dibuat diharapkan dapat membantu masyarakat khususnya daerah rawan banjir tahunan
seperti prumnas tokojo dalam memprediksi ketinggian banjir agar dapat mempersiapkan diri terlebih
dahulu.
II. KAJIAN LITERATUR
2.1 Tinjauan Pustaka

Rendi Prasetya. (2017) Prediksi ketinggian air Sungai Ciliwung menggunakan algoritma
Backpropagation. Dalam pengujiannya menggunakan 1 lapisan masukan dengan 2 neuron (curah hujan
dan penguapan), 1 lapisan tersembunyi, dan 1 lapisan keluaran (ketinggian air), nilai laju pembelajaran
sebesar 0,9; momentum sebesar 0,1;3 neuron tersembunyi, toleransi galat sebesar 0,0001 dan maksimum
epoch sebesar 10000. Dari hasil percobaan yang telah dilakukan dengan perulangan sebanyak 10 kali
diperoleh error sebesar 10,93%.

2.2 Landasan Teori

2.2.1. Banjir
Secara umum, penyebab terjadinya banjir di Indonesia adalah sebagai berikut:
1. Pendangkalan sungai,,
2. Pembuangan sampah yang sembarangan, baik ke aliran sungai,
3. Pembuatan saluran air yang tidak memenuhi syarat,
4. Pembuatan tanggul yang kurang baik,
Banjir hanyalah salah satu dari sekian banyak bencana alam yang sering terjadi. Banjir sering
terjadi terutama pada musim hujan dengan intensitas yang sering dan lebat. Daerah
yang menjadi langganan banjir terutama pada daerah sekitar arus sungai.
Namun daerah yang jauh dari sungai pun kadang terkena musibah banjir juga jika
curah banjir terjadi hujan yang datang terus menerus dan sungai tidak lagi sanggup
menampung banyaknya air hujan.
Bencana banjir yang datang tentu tidak kita harapkan, namun saat musibah banjir menimpa
kita, tentu kita tidak bisa hanya berdiam diri saja dan pasrah menghadapinya. Ada banyak
cara untuk menghadapi banjir tersebut, Di antaranya yaitu:
1. Selamatkan barang-barang berharga.
2. Selamatkan orang-orang yang kita sayangi setelah itu jika memungkinkan tolong juga
orang-orang di sekitar tempat tinggal kita.
3. Pindahkan barang-barang penting seperti barang elektronik, tempat tidur, dan alat rumah
tangga ke tempat yang lebih tinggi, misalnya lantai dua rumah atau loteng. Jika kita tidak
 memiliki loteng maka bawalah pergi barang-barang penting seperti selimut, uang,
perhiasan, dan bahan makanan sebisanya.
Banjir dapat menimbulkan kerusakan lingkungan hidup berupa:
1. Rusaknya areal pemukiman penduduk;
2. Sulitnya mendapatkan air bersih;
3. Rusaknya sarana dan prasarana penduduk;
4. Menghambat proses belajar mengajar;
5. Timbulnya penyakit-penyakit;
6. Menghambat transportasi darat.

2.2.2. Jaringan Syaraf Tiruan

Jaringan syaraf adalah merupakan salah satu representasi buatan dari otak manusia yang selalu
mencoba mensimulasikan proses pembelajaran pada otak manusia. Istilah buatan disini digunakan
karena jaringan syaraf ini di implementasikan dengan menggunakan program computer yang mampu
menyelesaikan sejumlah proses perhitungan selama proses pembelajaran (Fausett, 1994).

1. Fungsi Aktifasi

Menurut kusuma dewa dan hartanti (2010) salah satu fumgsi aktivitasi pada neural network adalah
fungsi sigmoid biner. Fungsi ini digunakan untuk jaringan syaraf dengan menggunakan metode
Backpropagation. Fungsi sigmoid biner memiliki nilai pada range 0 sampa 1. Oleh karena itu, fungsi
ini sering digunakan untuk jaringan syaraf tiruan yang membutuhkan nilai output yang terletak pada
interval 0 sampai 1. Namun , fungsi ini bias juga digunakan oleh jaringan syaraf yang nilai outputnya
0 atau 1.
Fungsi sigmoid biner dapat didefinisikan sebagi berikut :
1
= () =
1 +

2. Normalisasi
Menurut Hidayat dkk (2012). Data-data yang ada dilakukan normalisasi dengan membagi nilai data
tersebut dengan nilai range data (Nilai data maksimum nilai data minimum). Tujuan dari
normalisasi yaitu:
a. Untuk menghilangkan kerangkapan data.
b. Untuk merubah nilai menjadi satu satuan.
c. Untuk mempermudah pemodifikasian data.
Jika fungsi aktifasi dengan menggunakan sigmoid biner (range 0 sampai range 1), maka data harus
ditransformasikan [0,1] (indra, 2014)
Menurut Hidayat dkk (2012). Adapun rumus untuk Normalisasi dalama range [0,1] adalah :
0
=

Dengan : = Nilai data normal
0 = Nilai data actual
= Nilai minimum data actual keseluruhan
= Nilai maximum data actual keseluruhan

Kemudian untuk mendapatkan nilai sebenarnya dari output perlu dilakukan proses denomalisasi.

3. Learning rate

Menurut Hidayanti dan Warsito (2010) Alfa () didefinisikan sebagai tingkat pembelajaran atau
disebut dengan learning rate. Jika nilai alfa terlalu besar, maka algoritma akan menjadi tidak stabil
sebaliknya jika alfa terlalu kecil maka prosesnya akan terlalu lama. Maka sebaiknya nilai alfa adalah
0 < < 1.

4. Denormalisasi

Menurut Hidayat dkk (2012) denormalisasi dapat memberikan atau mengembaliikan data, sehingga
didapatkan predicted sales dari data traning.

Menurut Indra (2014) adapun rumus denormalisasi dalam rnage [0,1] adalah :
= ( min ) +

Dimana : = Nilai data normal

 = hasil output jarinngan
= data dengan nilai minimum
= data dengan nilai maximum

2.2.3. Backpropagation

1. Backpropagation

Menurut Kusumadewi dan Hartati (2010), Backpropagation merupakan algoritma pembelajaran yang
terawasi dan biasanya digunakan oleh perception dengan banyak lapisan untuk mengubah bobot-
bobot yang terhubung dengan neuron-neuron yang ada pada lapisan tersembunyi. Algoritma
Backpropagation menggunakan error output untuk mengubah nilai bobot-bobotnya dalam arah
mundur (backward). Untuk mendapatkan error ini, tahap perambat maju (forward propagation) harus
dikerjakan terlebih dahulu. Pada saat perambat maju, neuron-neuron diaktifkan dengan n
menggunakan fungsi aktivasi.

Menurut Yusuf dkk (2015), Arsitektur jaringan Backpropagation seperti diatas terdiri dari tiga unit
(neurons) pada lapisan masukan yaitu 1 , 2 , 3 , lapisan tersembunyi dengan 2 neuron, yaitu 1 , 2
, serta 1 unit pada lapisan keluaran yaitu Y. Bobot tang menghubungkan 1 , 2 , 3 dengan neuron
pertama dan lapisan tersembunyi adalah 22 , 21 , 31 (vij : bobot yang menghubungkan neuron
input ke-I nuron ke-j pada lapisan tersembunyi).

Untuk b11 dan b12 adalah bobot bias yang menuju ke neurons pertama dan kedua lapisan tersembunyi.
Bobot yang menghubungkan Z1 dan Z2, dengan neurons pada lapisan keluaran W1 , W2. Bobot bias
menghubungkan lapisan tersembunyi dengan lapisan keluaran. Fungsi aktivasi yang digunakan antara
lapisan tersembunyi dengan lapisan keluaran adalah fungsi aktivasi yang akan ditentukan pada tahap
kalibrasi.

2. Backpropagation Momentum

Menurut PSW (2007), pada standart Backpropagation, perubahan bobot didasarkan atas gradient
yang terjadi untuk pola yang dimasukan saat itu. Modifikasi yang dapat dilakukan adalah melakukan
perubahan bobot yang didasarkan atas arah gradient pola terakhir dan pola sebelumnya (disebut
momentum) yang dimasukan. Jadi tidak hanya pola terakhir saja yang dimasukan.

Menurut Widyaningrum (2013), cara menambahkan momentum () adalah pada saat memperbaiki
bobot yaitu menambahkan rumus w(n-1). Dimana perubahan bobot dilakukan selama n iterasi
dan 0 1 merupakan konstanta yang disebut momentum. Dengan menambahkan variable ke
dalam rumus perubahan bobot mengakibatkan konvergensi akan lebih cepat untuk mendekati iterasi
yang dilakukan sesuai tahapan sampai bobot mencapai solusinya.

3. Algoritma Backpropagation

Menurut Kususma dewi dan Hartati (2010) algoritma Backpropagation adalah sebagai berikut :
Inisialisasi bobot
Tetapkan : Maksimum epoch, target error, dan learning rate (), neuron hidden;
Inisialisasi : Epoch = 0.
Kerjakan langkah-langkah berikut selama (Epoch < maksimum Epoch) atau (MSE (error)
< target error) :
1. Epoch = epoch +1
2. Untuk tiap-tiap pasangan elemen yang akan dilakuakan pembelajaran, kerjakan :
Feedforward :
Tiap-tiap unit masukan ( =1,2,3,) menerima sinyal dan meneruskan sinyal
tersebut ke semua unit pada lapisan yang ada diatasnya (lapisan tersembunyi).
a. Tiap-tiap unit pada suatu lapisan tersembunyi (,=1,2,,) menjumlahkan
sinyal-sinyal input terbobot ;
_=1+ =1
gunakan fungsi aktifasi untuk menghitung sinyal outputnya.
=(_)
Dan kirimkan sinyal tersebut ke semua unit dilapisan atasnya (unit-unit output).
b. Tiap-tiap unit output (,=1,2,3,,) menjumlahkan sinyal-sinyal input
terbobot.
_=2+ =1
gunakan fungsi aktifasi untuk menghitung sinyal keluaran yaitu :
=(_)
Dan kirimkan sinyal tersebut ke semua unit dilapisan atasnya (unit-unit output).
 Catatan :
langkah (b) dilakukan sebanyak jumlah lapisan tersembunyi.

Backpropagation:
a. Tiap-tiap unit output (,=1,2,,) menerima target pola yang berhubungan
dengan pola masukan pembelajaran, dan menghitung informasi error-nya :
2=()(_)
2 =2
2= 2
Kemudian dihitung koreksi bobot (yang nantiya akan digunakan untuk memperbaiki
nilai ) :
=2 (n-1)
hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai
2) :
2=2 (n-1)
Langkah ini dilakukan sebanyak jumlah lapisan tersembunyi, yaitu menghitung
informasi error dari suatu lapisan tersembunyi ke lapisan tersembunyi sebelumnya.
b. Tiap-tiap unit tersembunyi (,=1,2,3,,) menjumlahkan delta masukannya
(dari unit-unit yang berbeda yang berada pada lapisan diatasnya ) yaitu :
_= 2=1
Kalikan nilai ini dengan turunan dari fungsi aktifasinya untuk menghitung informasi
error :
1=_(_)
1=1
1= 1
Kemudian hitung koreksi bobot (yang nantinya digunakan untuk memperbaiki nilai
yaitu :
= 1 (n-1)
hitung juga koreksi bias (yang nantinya digunakan untuk memperbaiki 1) :
1= 1 (n1)
Tiap-tiap unit output (,=1,2,) memperbaiki bias dan bobotnya (=0,1,2,) :
()= ()+
2()= 2()+2
 c. Tiap-tiap unit tersembunyi (,=1,2,) memperbaiki bias dan bobotnya
(=0,1,2,) yaitu :
()= ()+
1()= 1()+1

3. Hitung MSE (Mean Square Error)

4. MSE (Mean Suare Error)

Menurut Hansun (2013) criteria MSE menyatakan besarnya kesalahan rata-rata dari suatu
metode peramalan dengan rumus perhitungan :
=1 2

=

Dimana :
n menyatakan jumlah data
et adalah nilai kesalahan hasil ramalan yang diperoleh dari xt - xt, dalam hal ini xt
adalah nilai data actual dan xt adalah nilai ramalan.
III. Metode Penelitian
3.1 Waktu dan tempat penelitian

Penelitian dimulai dari bulan Mei 2017 sampai bulan November 2017 yang mengambil data dari tahun
2011 sampai tahun 2016 bertempat di prumnas Tokojo Kelurahan Kijang Kota.

3.2 Jenis penelitian

Penelitian dilakukan dengan mengambil data dari pihak ketua RW yang direkap dari tahun ke tahun. Data
yang didapat merupakan data data kuantitatif yang nantinya akan dijadikan untuk perhitungan dalam
system.

3.3 Bahan atau materi penelitian

Tinggi
Tahun Jarak Air Koefisien Intensitas Banjir
2011 1 0.35 0 0.5
2012 1.2 0.35 0 0.7
2013 1.5 0.35 0.8 0.6
2014 2 0.35 2 0.9
2015 1.8 0.35 2.1 0.9
2016 1.7 0.35 0 0.8

3.4 Alat/instrumen penelitian

1. Perangkat Keras ( Hardware )

a. Laptop Lenovo Intel Core i3 Processor.
b. Printer Epson L200

2. Perangkat Lunak ( Software )

a. Sistem Operasi Windows 7 Ultimate
b. Netbeans IDE 8.0.1
c. Microsoft Excel 2007
d. Microsoft Word 2007
e. Microsoft Visio 2010
f. Browser Google Chrome
g. Phothoshop Cs5
3.5 Prosedur pengumpulan data

Adapun metode pengumpulan data yang dilakukan adalah dimulai dari studi literatur dari buku untuk
mencari data perhitungan manual Algoritma Backpropagation Neural Network, internet untuk mencari
referensi jurnal untuk mendukung penelitian.

3.6 Pengolahan data

Data yang didapat nantinya akan diolah dengan normalisasi agar semua data bisa sejenis dan bisa
dihitung dalam system dengan range [0,1].

3.7 Analisis data (hasil)

Mencakup uraian tentang model dan cara menganalisis hasil.

3.8 Jadwal penelitian

Bulan
NO Kegiatan
Feb Mar Apr Mei Juni Juli
1 Pengajuan Judul Proposal
2 Penyusunan Proposal
3 Seminar Proposal
4 Perbaikan Proposal
5 Pengumpulan Data
Analisis dan Perancangan
6 Sistem
7 Pembuatan Coding
Implementasi dan Pengujian
8 Unit
9 Integrasi dan Pengujian
10 Analisis Hasil
11 Sidang Hasil
12 Revisi Skripsi
13 Final Buku Skripsi
 DAFTAR PUSTAKA
Daftar pustaka hanya memuat pustaka yang diacu dalam naskah proposal penelitian dan disusun ke bawah
menurut abjad nama akhir penulis pertama. Penulisan pustaka mengikuti tata cara penulisannya dengan
menggunakan perangkat lunak Mendeley, dengan style sitasi : Harvard.