SKRIPSI
Diajukan Sebagai Salah Satu Syarat Untuk Memperoleh Gelar Sarjana Stara-1
Oleh :
Diana
NIM 110155201022
FAKULTAS TEKNIK
2015
i
FORM PENGESAHAN
Nama : Diana
NIM : 110155201022
Dengan ini saya menyatakan bahwa skripsi saya yang berjudul Simulasi
dan Prediksi Pasang Surut Air Laut Menggunakan Wavelet-Neural Network benar
karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam
bentuk apapun kepada perguruan tinggi manapun. Sumber informasi yang berasal
atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain
telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka dibagian akhir
skripsi ini.
Jika dikemudian hari terbukti pernyataan saya ini tidak benar dan
melanggar peraturan yang sah dalam karya tulis dan hak intelektual maka saya
bersedia ijazah yang telah saya terima untuk ditarik kembali oleh Universitas
Yang menyatakan
(Diana)
iii
FORM PERSEMBAHAN
serta doa yang dikorbankan dan dipanjatkan untuk anakmu ini tanpa
mengenal lelah.
2. Mamah dan Ayah yang selalu mengajarkan aku banyak hal mengenai
arti kehidupan.
MOTTO
sempurna.
Bila kau telah berada diujung tali dan tak ada lagi untuk kau meniti,
KATA PENGANTAR
mewariskan bumi beserta isinya kepada manusia, dan yang telah menetapkan
bahwa kesuksesan dan kejayaan manusia hanyalah terdapat di dalam amal agama
yang sempurna, sebagaimana yang telah ditunjuk ajarkan oleh baginda Nabi
risau, dan tanggung jawab, serta pengorbanan beliaulah saat ini manusia dapat
kepada penulis, sehingga dengan limpah rahmat dan karunia-nya tersebut penulis
ini dilakukan guna menyelesaikan studi yang telah penulis jalani di Universitas
Maritim Raja Ali Haji demi mencapai derajat Sarjana Strata-1 pada fakultas
Teknik.
2. Ibu Nerfita Nikentari, S.T, M.Cs selaku Ketua Jurusan Teknik Informatika
3. Ibu Martaleli Bettiza, S.Si, M.Sc sellaku pembimbing I yang turut serta
penulis akan tiga hal sederhana yang memiliki pengaruh yang kuat dalam
berhidup sosial yaitu : jika bersalah segera meminta maaf, jika diberi
segera ucapkan terima kasih dan jika jika menyuruh ucapkan tolong.
ikhlas memberikan ilmu dan pengalamannya serta staff yang selalu dengan
8. Pak Rudi yang telah membantu penulis dalam pencarian data yang penulis
10. Sahabat dan setiap insan yang turut membantu dalam penyelesaian tugas
akhir ini . penulis pun mengucapkan terima kasih kepada semua yang
kesempurnaan. Untuk itulah keritik dan saran yang membangun dari semua pihak
sangat diharapkan adanya. Akhirnya penulis berharap agar penulisan karya tulis
Penulis
viii
DAFTAR ISI
DAFTAR TABEL
DAFTAR GAMBAR
DAFTAR PERSAMAAN
ABSTRAK
ABSTRACT
Tidal effect on optimizing the utilization of the potential of the sea and all
the activities, as well as loading and unloading ships in the seaports and activities
of the fishermen. This research used data 12.234 tidal Data the single daily sea of
Tarempa on the position latitude 03o 13 '05 "U (N) and longitude 106o 13' 09" T
(E) in 2013 and 2014 were obtained from Hydro-Oceanographic Navy
Tanjungpinang for build predictive models using wavelet-neural network. The
establishment of the model will be tested with 4,150 tide data 2015. The results of
these tests will be measured levels of accuracy by calculating the average error
using MSE (Means Square Error). Where the results of tests performed best
modeling obtained in the 1000 iteration of the learning rate of 0.1 by the model
accuracy of 99.984%.
Key Words : Tidal, Tarempa, wavelet-neural network, MSE (Means Square
Error)
BAB I
PENDAHULUAN
yang memiliki luas daratan 590,14 km2 sedangkan luas lautannya 46.074,00 km2.
sebagai nelayan, karena wilayah Tarempa merupakan surga bagi ikan (Diego,
2014). Banyaknya perikanan yang ada pada perairan Tarempa menjadikan laut
pasang surut air laut, seperti halnya bongkar muat kapal di pelabuhan laut,
kegiatan para nelayan, dan sebagainya. Pasang surut air laut setiap harinya tidak
daerah.
Prediksi pasang surut dapat diprediksi berdasarkan data pasang surut yang
telah lalu. Pada penelitiana ini, data yang digunakan adalah data prediksi pasang
surut air laut harian tunggal (diurnal tide) perairan Tarempa tahun 2013, 2014 dan
terkumpul, selanjutnya akan dibangun model prediksi pasang surut air laut
sebagai alternatif dalam memilih pola atau memprediksi pasang surut air laut.
Dimana hasil prediksi akan digunakan untuk menghitung tingkat akurasi prediksi
penelitian pada skripsi ini adalah bagaimana merancang model prediksi pasang
surut air laut di perairan Tarempa pada posisi Lintang 03o 13 05 U ( N ) dan
Data yang digunakan untuk pengolahan adalah data Prediksi Pasang Surut
dari tahun 2013 sampai dengan 2015 Dimana data pelatihan adalah 12.234
data pasang surut tahun 2013 dan 2014, sedangkan data pengujian adalah
pemrograman java.
3
Tujuan yang ingin dicapai dalam penelitian ini adalah mendapatkan model
prediksi pasang surut air laut harian tunggal (diurnal tide) perairan Tarempa pada
neural network.
dalam memilih pola atau memprediksi pasang surut air laut harian tunggal
BAB I PENDAHULUAN
sendiri.
BAB VI PENUTUP
DAFTAR PUSTAKA
KAJIAN LITERATUR
Wavelet dan Artificial Neural Network. Dimana model peramalan yang digunakan
yaitu model peramalan dari satu hari sampai empat hari kedepan dan untuk pra-
daubechies 5 dari level 1 sampai 3 untuk mengetahui model yang mana yang
menghasilkan nilai regresi yang bagus untuk proses pengujian hasil peramalan.
Adapun data yang digunakan adalah data debit tahun 2002-2010, kecuali data
Wavelet and Neural Network For Short Term Load Forecasting dalam penelitian
dilakukan menggunakan data histori beban listrik tahun 2006 hingga 2009 untuk
mendeteksi beban listrik tahun 2010 dimana hasil peramalan model WNN ini
7
yang didapat dari BMKG (Badan Meteorologi Klimatologi dan Geofisika) dengan
digunakan untuk memprediksi sekaligus memvalidasi antara data real dan data
prediksi intensitas curah hujan harian pada tahun 2009, 2010, dan 2011. Khusus
untuk tahun 2012, tidak diperoleh data real dari penelitian sebelumnya maupun
data time series berbasis Dekomposisi Wavelet dan Multilayer Perceptron. Pada
kombinasi untuk memdeteksi noise pada data dengan cara memisahkan data
berfrekuensi rendah dan data berfrekuensi tinggi dapat menurunkan tingkat error
model gabungan (hybrid model) dari Transformasi Wavelet dan Neural Network.
dikerjakan terlebih dahulu karena hasil data yang dikeluarkannya digunakan untuk
model neural network. Model dari transformasi wavelet ini berfungsi untuk
menghilangkan noise (denoise) pada data yang akan menghasilkan pola data yang
lebih sederhana agar dapat memudahkan neural network dalam mengenali data
yang pada akhirnya dapat bertujuan untuk menghasikan model yang lebih bagus.
Teori wavelet adalah suatu konsep yang relative baru dikembangkan. Kata
wavelet sendiri diberikan oleh Jean Morlet dan Alex Grossmann di awal tahun
1980-an, dan berasal dari bahasa prancis, ondelette yang berarti gelombang kecil.
menjadi wave, lalu digabung dengan kata aslinya sehingga terbentuk kata baru
bentuk lain agar mudah dianalisa. Proses transformasi wavelet dapat dilakukan
9
dengan proses pererataan dan pengurangan secara berulang. Proses ini banyak
Gambar berikut adalah contoh dekompoisi perataan dan pengurangan pada citra 1
37 35 28 28 58 18 21 15
rumus:
.................................................. (2.1)
............................................. (2.2)
Sehingga hasil proses dekomposisi perataan dan pengurangan terhadap citra asli
diatas adalah :
36 28 38 18 1 0 20 3
Proses dekomposisi yang dilakukan diatas 1 kali (1 level) saja. Gambar 2.3
menunjukkan proses transformasi penuh dan berhenti setelah tersisa 1 piksel saja.
37 35 28 28 58 18 21 15
36 28 38 18 1 0 20 3
32 28 4 10
30 2
Pada setiap level, proses dekomposisi hanya dilakukan pada bagian hasil
proses perataan. Hasil proses dekomposisi adalah gabungan dari proses perataan
dengan seluruh hasil proses pengurangan. Citra hasil dekomposisi penuh diatas
adalah :
30 2 4 10 1 0 20 3
2012).
(tapis high pass) yang dibahas diatas sebenarnya merupakan fungsi basis wavelet
Menurut Budiharto dan suhartono (2014) Dari gambar diatas, dapat dilihat ada
Dendrit (Dendrites)
Akson (Axon)
Sinapsis
sama. Seperti halnya otak manusia, jaringan syaraf juga terdiri dari beberapa
menuju ke neuron-neuron yang lain. Pada jaringan syaraf, hubungan ini dikenal
dengan nama bobot. Informasi tersebut disimpan pada suatu nilai tertentu pada
bobot tersebut. Gambar 2.6 menunjukkan struktur neuron pada jaringan syaraf.
Jika kita lihat, neuron-neuron buatan ini sebenarnya mirip dengan sel neuron
biologis. Neuron-neuron buatan tersebut bekerja dengan cara yang sama pula
ke neuron dengan bobot kedatangan tertentu. Input ini akan diproses oleh suatu
fungsi perambatan yang akan menjumlahkan nilai-nilai semua bobot yang datang.
Hasil penjumlahan ini kemudian akan dibandingkan dengan nilai ambang tertentu,
maka neuron tersebut akan diaktifkan, tapi kalau tidak, maka neuron tersebut
tidak akan diaktifkan. Apabila neuron tersebut diaktifkan, maka neuron tersebut
14
lapisan (layer) yang disebut dengan lapisan neuron (neuron layer). Biasanya
sebelum dan sesudahnya (kecuali lapisan input dan lapisan output). Informasi
yang diberikan pada jaringan syaraf akan dirambatkan lapisan ke lapisan, mulai
dari lapisan input sampai ke lapisan output melalui lapisan yang lainnya, yang
sering dikenal dengan nama lapisan tersembunyi (hidden layer) Kusumadewi dan
Hartati, (2010).
a. Fungsi Aktifasi
Salah satu fungsi aktifasi pada neural network adalah fungsi sigmoid
biner. Fungsi ini digunakan untuk jaringan syaraf yang dilatih dengan
range 0 sampai 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 bisa juga digunakan oleh jaringan syaraf yang nilai
( ) ............................... (2.3)
Arsitektur Jaringan Backpropagation seperti diatas terdiri dari tiga unit (neurons)
pada lapisan masukan, yaitu X1, X2, X3; lapisan tersembunyi dengan 2 neurons,
yaitu Z1, Z2; serta 1 unit pada lapisan keluaran yaitu Y. Bobot yang
adalah V11, V21, dan V31 (Vij : bobot yang menghubungkan neuron input ke-i ke
neuron ke-j pada lapisan tersembunyi). Untuk b11 dan b12 adalah bobot bias yang
menuju ke neurons pertama dan kedua pada lapisan tersembunyi. Bobot yang
menghubungkan Z1, dan Z2 dengan neuron pada lapisan keluaran adalah W1 dan
keluaran adalah fungsi aktivasi yang akan ditentukan pada tahap kalibrasi. ( Yusuf
dkk 2015).
17
Inisialisasi bobot
Tetapkan : Maksimum epoch, target error, dan learning rate (), neuron
hidden;
Inisialisasi : Epoch = 0.
1. Epoch = epoch +1
kerjakan;
Feedforward :
........... (2.4)
( ) .. (2.5)
output).
........ (2.6)
( ) ........................ (2.7)
output).
Catatan :
Backpropagation :
informasi error-nya :
( ) ( ) ..... (2.8)
......................... (2.9)
............... (2.10)
19
memperbaiki nilai ):
......................................... (2.11)
memperbaiki nilai ):
............... (2.12)
tersembunyi sebelumnya.
diatasnya ) yaitu :
...... (2.13)
( ) ............... (2.14)
.................... (2.15)
................ (2.16)
20
............ (2.17)
):
.......... (2.18)
bobotnya ( ) :
( ) ( ) ............. (2.19)
( ) ( ) ............. (2.20)
bobotnya ( ) yaitu :
( ) ( ) .................. (2.21)
( ) ( ) ....................... (2.22)
3. Hitung MSE
21
Vij bilangan random antara -0,5 sampai 0,5 (atau antara sampai ).
b. Hitung ||Vj ||
| |
................................................................... (2.24)
d. Set bias :
dengan membagi nilai data tersebut dengan nilai range data (Nilai data maksimum
Menurut Hidayat dkk (2012) Adapun rumus untuk Normalisasi dalam range [0, 1]
adalah :
................................................................ (2.25)
Kemudian untuk mendapatkan nilai sebenarnya dari output perlu dilakukan proses
denormalisasi.
f. Denormalisasi
Menurut Indra (2014) adapun rumus denormalisasi dalam range [0,1] adalah :
( ) ........................................ .(2.26)
..................................................................... (2.27)
Dimana :
dalam hal ini adalah nilai data aktual dan adalah nilai ramalan.
Pasang surut air laut sebagian besar merupakan hasil gabungan dari gaya
tarik grafitasi antara bumi dan bulan serta gaya tarik grafitasi antara bumi dan
terbalik dengan jarak antara benda tersebut. Ini menjadi alasan mengapa pasang
24
surut di bumi dipengaruhi oleh bulan, bukan matahari. Karena jarak bumi dan
matahari jauh lebih besar daripada bumi dan bulan. Pengaruh dari benda-benda
adanya gaya tarik menarik antara benda langit inilah yang menyebabkan benda-
Selisih antara pasang naik dan pasang surut di suatu posisi atau tempat
disebut nilai tunggang pasang. Selain dari pengaruh gaya tarik menarik benda
langit dan gerak rotasi bumi, besarnya nilai ini juga tergantung pada beberapa
faktor local yang dapat mempengaruhi pasang surut disuatu perairan seperti,
topografi dasar laut, lebar selat, bentuk teluk, dan sebagainya, sehingga berbagai
METODOLOGI PENELITIAN
Pada metodologi penelitian ini terdiri dari beberapa sub bab yaitu jenis dan
penelitian.
Jenis data yang digunakan dalam penelitian ini adalah data skunder. Data
skunder adalah data yang telah diolah lebih lanjut dan disajikan dengan baik oleh
pihak pengumpul data primer atau pihak lain (Dewi, 2013). Pada penelitian ini
jenis data yang penulis kumpulkan dari pihak internal TNI-AL Tanjungpinang
berupa data harian tunggal pasang surut Air laut pada perairan Tarempa dimulai
- Studi Pustaka
berupa buku, jurnal dan prosiding seminar nasional, serta skripsi. Setelah
pustaka tersebut, yang pada akhirnya sumber pustaka itu dijadikan landasan
1. Requirements definition
tahap ini hal yang dilakukan adalah mencari dan mempelajari referensi
tentang sistem simulasi dan prediksi pasang surut air laut menggunakan
wavelet-neural network.
Tahap ini merupakan tahap perancangan sistem. Pada tahap ini perancangan
pengujian terhadap sistem yang telah dibuat tadi dengan tujuan untuk
Pada tahap Integration and system testing ini merupakan tahapan akhir dari
pembuatan sistem simulasi dan prediksi pasang surut air laut dimana pada
pada sistem simulasi dan prediksi pasang surut air laut atau tidak
2. Xampp-win32-1.6.6a-installer
6. Dia-setup-0.97.2-2
7. Paint
29
Pada bab ini akan dijelaskan kebutuhan data serta proses perancangan sistem dari
sistem simulasi dan prediksi pasang surut air laut dengan menggunakan wavelet
neral network. Tahap perancangan sistem ini akan lebih dirincikan pada tahap
dibahas mengenai jalannya sistem simulasi prediksi pasang surut air laut secara
Adapun proses pengolahan data pada sistem simulasi dan prediksi pasang surut air
pin
Gambar 4.1 Flowchart Proses Wavelet-Neural Network
32
Pengolahan data inputan pasang surut air laut dengan parameter waktu
(jam) dan tinggi pasang surut (m) perairan tarempa menggunakan data
sebanyakan 12.234 data model yang didapat dari data tinggi pasang surut air laut
tahun 2013-2014 dan 4.150 data prediksi yang didapat dari data pasang surut air
o
laut tahun 2015 pada posisi Lintang 03o 13 05 U ( N ) dan Bujur 106 13 09 T
pasang surut training (data model) dan data waktu terjadinya pasang surut testing
sebagai berikut :
33
Keterangan :
Gabungkan data model dan data prediksi sesuai dengan variabelnya masing-
masing.
Penentuan banyak level yang akan digunakan berdasarkan panjang data yang
ada untuk tiap-tiap variabel. Pada data contoh terdapat 8 data. Dimana 8=
sehingga banyaknya level yang akan dilalui pada proses dekomposisi ini
nilai perataan dan pengurangan secara berulang dengan persamaan (2.1) dan
Network
Keterangan :
Pada penelitian ini normalisasi data yang digunakan adalah normalisasi dalam
prediksi yang akan divalidasi dengan data prediksi hasil normalisasi. Adapun
yang akan dibangun. Misalkan akan dibangun model jaringan dengan 2 input
layer, 3 hidden layer dan 1 output layer (2-3-1). maka inisialisasi bobot awal
( ) ( )
( ) ( )
( ) ( )
Tabel 4.8 Contoh Bobot dan bias input layer ke hidden layer
Tabel 4.9 Bobot dan bias awal hidden layer ke Output layer
Y
W11 0,25
W21 0,48
W31 0.15
b21 0,1
d. Inisialisasi parameter
hidden layer :3
e. Perhitungan feedforward
persamaan (2.4)
( ) ( )
( ) ( )
( ) ( )
( )( ) ( )( )
( )( )
f. Perhitungan Backpropagation
( )( )( )
Kemudian Hitung koreksi bobot dan koreksi bias yang nanti akan
( )( )( )
( )( )( )
( )( )( )
( )( )
Hitung penjumlahan delta inputan dari unit-unit yang berada pada lapisan
( )( )
( )( )
41
( )( )
( )( )( )
( )( )( )
( )( )( )
Hitung Koreksi perubahan Bobot dan bias input layer ke hidden layer (Vij)
dan bias (b1j) yang akan digunakan untuk meng-update (Vij) dengan
( )( )( )
( )( )( )
( )( )( )
( )( )( )
( )( )( )
( )( )( )
( )( )
( )( )
( )( )
g. Perbaikan Bobot
( )
( )
( )
( )
42
( ) ( ) ( ) 0,719639
( ) ( ) ( ) 0,652219
( ) ( ) ( ) 0,412138
( ) ( ) ( ) 0,575764
( ) ( ) ( ) -0,65063
( ) ( ) ( ) 0,824134
( ) ( ) ( ) 0,220263
( ) ( ) ( ) 0,530796
( ) ( ) ( ) 0,440142
Setelah didapat hasil perbaikan bobot data training pertama, maka gunakan
bobot tersebut untuk perbaikan bobot dan bias pada data training ke-2, dan
bobot yang dihasilkan pada training kedua digunakan untuk data training ke-3
( )
( )
( )
( )
( ) 0,719639
( ) 0,652219
( ) 0,412138
43
( ) 0,575661
( ) -0,650818
( ) 0,824075
( ) 0,218668
( ) 0,523695
( ) 0,438301
( )
( )
( )
( )
( ) 0,719505
( ) 0,651979
( ) 0,41206
( ) 0,575661
( ) -0,650818
( ) 0,824075
( ) 0,216754
( ) 0,515497
( ) 0,436092
Setelah sampai pada data training ke-4, maka iterasi pertama selesai
dikerjakan, proses diulangi hingga mencapai error terkecil atau epoch yang
Hasil keluaran bobot dan bias pada iterasi yang telah ditentukan akan di
Network
Keterangan :
c. Perhitungan feedforward
( ( ) ( )
( ( ) ( )
( ( ) ( )
Hasil keluaran dari keluaran hidden layer ini digunakan untuk menghitung
( ( )) (( )( ))
(( )( ))
47
No Prediksi (Y)
1
2
3
4
keluaran hasil pemodelan sebagai data target dan data keluaran hasil
prediksi.
Dari Perhitungan error menggunakan MSE diatas didapat akurasi model prediksi
sebesar 48,2%.
48
Hasil prediksi dengan 1 iterasi tidak memberikan hasil prediksi yang akurat,
karena error yang di capai masih sangat besar. Untuk mendapatkan akurasi
prediksi yang baik hendaklah membangun model dengan nilai error seminimum
mungkin.
f. Denormalisasi data
Sama halnya dengan proses normalisasi, denormalisasi ini dilakukan dengan cara
menggabungkan data model dan data prediksi terlebih dahulu. Dimana data
dan yang digunakan sama dengan data dan target pada proses
Hasil denormalisasi ini akan digunakan untuk proses rekonstruksi. Dimana proses
dekomposisi.
49
Keterangan :
Banyak level proses rekonstruksi ini sama hal nya dengan banyaknya level
pada proses dekomposisi. Dimana pada contoh ini level dekomposisi yang
[ ][ ] [ ][ ] [ ]
[ ][ ] [ ][ ] [ ]
[ ] [ ]
[ ] [ ] [ ]
51
[ ][ ] [ ][ ] [ ]
[ ][ ] [ ][ ] [ ]
[ ] [ ]
[ ] [ ] [ ]
dari penggabungan data model dan data prediksi. Namun untuk mengetahui
Basis data digunakan sebagai tempat penyimpan data program. Selain dari
tempat penyimpanan data, basis data juga berfungsi untuk mengatur dan memilih
Perancangan basis data pada penelitian ini dibuat dalam bentuk Entity
telah dibuat pada aplikasi ini menampilkan skema hubungan antara table dalam
umum pada sub bab sebelumnya. Pada sub bab ini akan dijelaskan bagaimana
Prediksi Pasang Surut Air Laut. Alat bantu yang digunakan adalah Data Flow
Diagram (DFD).
Pada DFD Level 0 diatas sistem digambarkan secara umum, dimana user dapat
melakukan login, meng-input data pasang surut sebagai data model yang akan
digunakan sebagai data pemodelan, meng-input data pasang surut sebagai data
prediksi, meng-input data user sebagai user. Kemudian keluaran dari sistem akan
memberikan hasil pemodelan yang dibentuk dan hasil prediksi serta besarnya
Pada DFD level 1 ini terdapat 6 proses diantaranya proses 1.0 Login, proses 2.0
Data Model, proses 3.0 Data Prediksi, proses 4.0 User 5.0 Pemodelan dan
Pada proses 1.0 Login merupakan proses utama saat user berinteraksi atau
menggunakan sistem. Pada proses ini user memasukkan username dan password
57
untuk menggunakan sistem. Kemudian keluaran dari proses ini adalah berupa
informasi apakah user terdaftar pada sistem atau tidak. Jika terdaftar maka user
bisa melanjutkan ke proses selanjutnya, jika tidak maka terdapat pesan kesalahan
Pada proses 2.0 Data Model dapat digunakan oleh user untuk mengolah
data model yang akan digunakan untuk membentuk sebuah model prediksi. Pada
proses ini user mengolah data waktu (jam) terjadinya pasang surut air laut, dan
tinggi pasang surut itu sendiri dalam satuan (m). dimana keluaran dari proses ini
Pada proses 3.0 Data Prediksi ini digunakan untuk mengolah data target
prediksi yang akan digunakan untuk prediksi pasang surut air laut. Pada proses ini
user mengolah data waktu (jam) terjadinya pasang surut air laut, dan tinggi pasang
surut itu sendiri dalam satuan (m) yang dijadikan sebagai target prediksi. Pada
saat dimasukkan pasang surut prediksi bernilai 0 (nol), selanjutnya nilai akan
dirubah apabila sudah dilakukan proses pemodelan dan prediksi. Keluaran dari
Pada proses 4.0 user ini dapat digunakan oleh user untuk mengolah data
user yang bisa login ke aplikasi simulasi dan prediksi pasang surut ini. Sedangkan
data yang dikirim sistem ke user yaitu berupa data user yang telah diolah..
Pada proses 5.0 pemodelan dapat dibentuk oleh user dengan cara
(learning rate), neuron hidden, target error. dimana keluaran dari proses ini
berupa hasil pemodelan yang terbentuk yag nantinya akan divalidasi dengan data
prediksi.
dibentuk. Adapun keluaran dari prediksi ini berupa informasi pola prediksi dan
Pada DFD level 2 proses 2 ini terdapat 4 proses diantaranya proses 2.2.1 input,
Pada proses 2.2.1 input dapat dilakukan oleh user untuk menambahkan
data model dengan menginputkan data tanggal, data jam dan data tinggi pasang
surut. Keluaran dari proses ini berupa informasi mengenai data yang di input
Pada proses 2.2.2 update dapat dilakukan oleh user untuk merubah data
model yang sebelumnya sudah di-input oleh user. Dimana keluaran dari proses ini
berupa informasi mengenai data yang diubah, apakah data berhasil di-update atau
tidak.
Pada proses 2.2.3 delete dapat dilakukan oleh user untuk menghapus data
model yang telah di-input user sebelumnya dengan cara memilih data yang ingin
di hapus, lalu keluaran dari proses ini berupa informasi mengenai data yang di-
Pada proses 2.2.4 cari dapat dilakukan oleh user untuk mencari data model
yang telah di-input berdasarkan tanggal masukan atau berdasarkan tinggi pasang
surut sebagai data model. Dimana keluaran dari proses ini berupa informasi
mengenai data yang dicari, apakah terdapat pada tabel atau tidak.
60
Pada DFD level 2 proses 3 ini terdapat 4 proses diantaranya proses 2.3.1 input,
Pada proses 2.3.1 input dapat dilakukan oleh user untuk menambahkan
data prediksi dengan menginputkan data tanggal, data jam dan data tinggi_real
dengan 0 (nol). Keluaran dari proses ini berupa informasi mengenai data yang di
Pada proses 2.3.2 update dapat dilakukan oleh user untuk merubah data
prediksi yang sebelumnya sudah di-input oleh user. Dimana keluaran dari proses
ini berupa informasi mengenai data yang di-update, apakah data berhasil di-
Pada proses 2.3.3 delete dapat dilakukan oleh user untuk menghapus data
prediki yang telah di-input user sebelumnya dengan cara memilih data yang ingin
di hapus, lalu keluaran dari proses ini berupa informasi mengenai data yang di-
Pada proses 2.3.4 cari dapat dilakukan oleh user untuk mencari data
prediksi yang telah di-input berdasarkan tanggal masukan atau berdasarkan tinggi
pasang surut real sebagai data target prediksi. Dimana keluaran dari proses ini
berupa informasi mengenai data yang dicari, apakah terdapat pada tabel atau
tidak.
62
Pada DFD level 2 proses 4 ini terdapat 4 proses diantaranya proses 2.4.1 input,
Pada proses 2.4.1 input dapat dilakukan oleh user untuk menambahkan
data user dengan menginputkan data username, password serta nama lengkap.
Keluaran dari proses ini berupa informasi mengenai data user yang baru di-input
Pada proses 2.4.2 update dapat dilakukan oleh user untuk merubah data
user dengan memilih data user yang ingin di-update lalu update data user.
63
Keluaran dari proses ini berupa informasi mengenai data yang baru di-update
Pada proses 2.4.3 delete dapat dilakukan oleh user untuk menghapus data
user yang telah di-input sebelumnya oleh user. Keluaran dari proses ini berupa
Pada proses 2.4.4 cari dapat dilakukan oleh user untuk mencari data user
lengkap user. Keluaran dari proses ini berupa informasi data yang dicari.
Pada form rancangan login ini digunakan oleh user untuk mengakses
sistem.
Form utama ini akan ditampilkan apabila user berhasil melakukan proses
login. Pada form ini terdapat tombol yang digunakan untuk membuka form data
model, data prediksi, user, pemodelan dan prediksi serta tombol logout yang jika
Form data model ini digunakan untuk mengolah data model. Dimana form
Form data prediksi ini digunakan untuk mengolah data prediksi. Dimana
form ini terdiri dari tombol tambah , ubah, hapus dan cari.
Form user ini digunakan untuk mengolah data user. Dimana form ini
Form pemodelan ini digunakan untuk mengolah data pasang surut air laut.
Dimana pada form ini terdiri dari tombol analisa, load jaringan, dan simpan model
model dan melakukan prediksi. Tombol simpan model jaringan digunakan untuk
menyimpan bobot dan bias yang digunakan untuk memvalidasi data prediksi serta
proses prediksi.
4.7. Implementasi
pada saat pengerjaannya. Kesalahan dapat mulai terjadi pada permulaan proses
dimana sasaran ditetapkan secara tidak sempurna, dan dalam desain dan tahap
pengembangan selanjutnya.
Pengujian black box ini akan diterapkan pada pembuatan sistem simulasi
Hasil Hasil
No Data Hasil Uji
Harapan Keluaran
Hasil Hasil
No Data Hasil Uji
Harapan Keluaran
Hasil Hasil
No Data Hasil Uji
Harapan Keluaran
Hasil
No Data Hasil Harapan Hasil Uji
Keluaran
Hasil Hasil
No Data Hasil Uji
Harapan Keluaran
Hasil Hasil
No Data Hasil Uji
Harapan Keluaran
pada bab ini akan dijelaskan tentang analisa dan pembahasan bab-bab
Berikut data pasang surut air laut yang digunakan untuk membangun model.
20 20 1,3 1,3
21 21 1,5 1,5
22 22 1,6 1,6
23 23 1,7 1,7
24 24 1,7 1,7
25 1 1,6 1,6
26 2 1,5 1,5
27 3 1,3 1,3
28 4 1,2 1,2
29 5 1,1 1,1
30 6 1,1 1,1
---
12234 18 1,3 1,3
Dari data model dan prediksi diatas, maka dapat dibentuk model prediksi
Pemodelan Data
Pada penelitian ini akan dibangun model yang terdiri dari 2 lapisan
keluaran (output layer). Proses wavelet neural network untuk membangun model
pasang surut ini dilakukan berkali-kali untuk mencari konfigurasi model terbaik
dengan cara mengubah konstanta belajar (learning rate) secara coba-coba (trial
Adapun parameter yang digunakan untuk mecari konfigurasi model terbaik adalah
sebagai berikut :
2. Hidden layer :3
pemodelan dengan learning rate yang berbeda. Adapun hasil dari pemodelan
Pengujian Data
mendapatkan hasil keluaran yang sesuai dengan target atau output yang telah
yang diharapkan.
Adapun hasil akurasi pemodelan dapat dilihat pada tabel 5.4 sebagai berikut :
Berdasarkan tabel hasil pengujian di atas, dapat dilihat ketepatan data yang dilatih
dengan output yang diharapkan terdapat pada iterasi ke 1000 dengan learning rate
PENUTUP
6.1. Kesimpulan
Adapun kesimpulan yang dapat diambil dari penelitian ini adalah sebagai
berikut :
6.2. Saran
Ada beberapa saran yang perlu disampaikan dalam penelitian ini, dengan
DAFTAR PUSTAKA
Gupta, Sangeeta., Singh, Vijander., Mittal, Alok P., Rai, Asha., 2014 A Hybrid
Model of Wavelet and Neural Network for Short Term Load
Forecasting., International Journal of Electronic and Electrical
Engineering, Volume 7, Number 4. 2014.
Hansun, S., 2013., Penerapan WEMA dalam peramalan data IHSG., Ultimatics,
Vol. No.2 Desember 2013.
Indrabayu., Harun, N., Pallu, M S., Achmad, A., 2011., Prediksi Curah Hujan
Di Wilayah Makasar Menggunakan Metode Wavelet-Neural Network.,
Jurnal Ilmiah Elektrikal Enjiniring Volume 09/ No.02/Mei -Agustus/ 2011.
Indriani., Kurniawati, N., Hendri, M., 2010., Simulasi Pemodelan Arus Pasang
Surut di Luar Kolam Pelabuhan Tanjung Periok Mengguunakan
Perangkat Lunak SMS 8.1., Maspari Journal 01.(2010)
Kusumadewi, S., Hartati, S., 2010., Neuro-Fuzzy integrasi sistem fuzzy dan
jaringan syaraf., Yogyakarta, Graha Ilmu.
83
Puput. S.P., 2011., Simulasi Pasang Surut Menggunakan Jaringan Syaraf Tiruan
dengan Pendekatan Gaya Pembangkit Pasang Surut (Studi Kasus Taman
Nasional Bunaken)., Tesis Institut Teknologi Bandung.
Purwitasari, D., Sulaiman, R., Menak, S, A., 2009., Teknik peramalan Data Time
Series Berbasis Dekomposisi Wavelet dan Multy Layer Perceptron.,
Proceedings of CITEE, Agustus 4, 2009.
Yusuf, E.A., Suprayogi, I., Lilis, Y.H., 2015., Model Hidrolgi Runtun Waktu
untuk Peramalan Debit Sungai Menggunakan Metode Gabungan
Transformasi Wavelet-Artificial Neural Network., Jom FTEKNIK Volume 2
No. 1 Februari 2015.
Wyrtki, K., 1961., Phyical Oceanography of South East Asian Waters., Naga
Report Vol. 2 Scripps., Institute Oceanography., California
84