simulasi dan prediksi pasang surut air laut...
Post on 23-Apr-2018
242 Views
Preview:
TRANSCRIPT
SIMULASI DAN PREDIKSI PASANG SURUT AIR LAUT
MENGGUNAKAN WAVELET-NEURAL NETWORK
(Studi Kasus : Perairan Tarempa)
SKRIPSI
Diajukan Sebagai Salah Satu Syarat Untuk Memperoleh Gelar Sarjana Stara-1
Oleh :
Diana
NIM 110155201022
JURUSAN TEKNIK INFORMATIKA
FAKULTAS TEKNIK
UNIVERSITAS MARITIM RAJA ALI HAJI
2015
i
FORM PENGESAHAN
Judul : SIMULASI DAN PREDIKSI PASANG SURUT AIR LAUT
MENGGUNAKAN WAVELET-NEURAL NETWORK
(Studi kasus : Perairan Tarempa)
Nama : Diana
Nim : 110155201022
Program Studi : Teknik Informatika
Telah dipertahankan didepan dewan penguji dan dinyatakan lulus
Pada tanggal 31 Agustus 2015
Susunan Tim Pembimbing
Pembimbing I : Martaleli Bettiza, S.Si, M.Sc ……………………
Pembimbing II : Nerfita Nikentari, S.T, M.Cs ……………………
Susunan Tim Penguji
Penguji I : Eka Suswaini, S.T., M.T. ……………………
Penguji II : Hendra Kurniawan, S.Kom., M.Sc.Eng ……………………
Penguji III : Said Thaha Ghafara, S.Kom, M.Si ……………………
Tanjungpinang, 4 September 2015
Ka. Jurusan Teknik Informatika
Fakultas Teknik
Universitas Maritim Raja Ali Haji
Nerfita Nikentari, S.T, M.Cs
NIP.198302032012122004
ii
LEMBAR PERNYATAAN ORISINALITAS
Saya yang bertanda tangan dibawah ini :
Nama : Diana
NIM : 110155201022
Jurusan / Program Studi : Teknik Informatika
Fakultas / Program : Teknik
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
Maritim Raja Ali Haji.
Tanjungpinang, 21 Juli 2014
Yang menyatakan
(Diana)
iii
FORM PERSEMBAHAN
Karya tulis ini kupersembahkan kepada :
1. Ayahanda dan Ibunda tercinta,“di setiap harinya bercucuran keringat
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.
3. Kaspul Annuar dan Karina Amanda Abangku dan adikku tersayang
yang selalu memberikan warna warni kehidupan dirumah dengan
canda, tangis tawa setiap kali bersama.
4. Muhammad Faisal Alhafis yang senantiasa selalu membantu,
menasehati, menghibur, menjaga dan mendampingiku dalam
menyelesaikan pendidikan yang aku tempuh.
iv
MOTTO
Kesuksesan dan Kejayaan Hanya terdapat di dalam amal agama yang
sempurna.
Bila kau telah berada diujung tali dan tak ada lagi untuk kau meniti,
maka lompatlah ke tali yang lain.
Karna kembali ke pangkal tali adalah kegagalan.
v
KATA PENGANTAR
Segala Puji hanyalah milik Allah Subhanahuwata’ala, Dzat yang
menciptakan segala sesuatu. Allah Subhanahuwata’ala, yang telah
mengkaruniakan berbagai macam nikmat kepada tiap-tiap hamba-nya, yang
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
Muhammad Shallallahu’alaihiwasalam.disebabkan susah payah, mujahadah, fikir
risau, dan tanggung jawab, serta pengorbanan beliaulah saat ini manusia dapat
hidup di zaman yang penuh dengan peradaban dan ilmu pengetahuan.
Allah Subhanahuwata’ala, telah melimpahkan rahmat dan karunia-nya
kepada penulis, sehingga dengan limpah rahmat dan karunia-nya tersebut penulis
telah mampu menyusun dan menyelesaikan tugas akhir yang berjudul
“SIMULASI DAN PREDIKSI PASANG SURUT AIR LAUT
MENGGUNAKAN WAVELET-NEURAL NETWORK”. Penulisan tugas akhir ini
ini dilakukan guna menyelesaikan studi yang telah penulis jalani di Universitas
Maritim Raja Ali Haji demi mencapai derajat Sarjana Strata-1 pada fakultas
Teknik.
Ucapan Terima Kasih Peneliti sampaikan kepada :
1. Orang Tua dan Keluarga yang selalu memberikan dukungan semangat
serta doa demi kelancaran penyelesaian tugas akhir ini.
vi
2. Ibu Nerfita Nikentari, S.T, M.Cs selaku Ketua Jurusan Teknik Informatika
dan selaku Penasehat Akademik bagi diri penulis sebagai mahasiswa,
beliau yang telah banyak memberikan sarannya kepada penulis, yang
tentunya sangat membantu penulis dalam menyelesaikan tugas akhir ini.
3. Ibu Martaleli Bettiza, S.Si, M.Sc sellaku pembimbing I yang turut serta
telah membimbing dan memberikan pengarahan yang baik bagi penulis
dalam menyelesaikan tugas akhir ini.
4. Mamah dan Ayah yang tidak pernah bosan-bosannya mengingatkan
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.
5. Muhammad Faisal Alhafis yang senantiasa menjaga serta menemani
penulis dalam menyelesaikan tugas akhir ini.
6. Muhammad Sadmi Alqoyum yang selalu ikut serta membantu, mendoakan
dan menyukseskan penyelesaian tugas akhir ini.
7. Seluruh dosen UMRAH, terutama jurusan teknik informatika yang dengan
ikhlas memberikan ilmu dan pengalamannya serta staff yang selalu dengan
senang hati melayani administrasi perkuliahan.
8. Pak Rudi yang telah membantu penulis dalam pencarian data yang penulis
butuhkan demi penyelesaian tugas akhir ini.
9. Teman-teman seperjuangan Sardi, Robby Kurniawan, Yuliandi, Reza
Kurniawan, Hendi Yusdi, Kiki Setiawan, Dwi dan seluruh teknik
vii
informatika angkatan 2011 yang selalu memberikan informasi, dan
memberikan semangat serta arahan dalam menyelasikan tugas akhir ini.
10. Sahabat dan setiap insan yang turut membantu dalam penyelesaian tugas
akhir ini . penulis pun mengucapkan terima kasih kepada semua yang
penulis tak mampu sebutkan satu persatu.
Penulis menyadari bahwa skripsi penelitian ini masih jauh dari
kesempurnaan. Untuk itulah keritik dan saran yang membangun dari semua pihak
sangat diharapkan adanya. Akhirnya penulis berharap agar penulisan karya tulis
ini dapat bermanfaat bagi kita semua.
Tanjungpinang, 4 Agustus 2015
Penulis
viii
DAFTAR ISI
FORM PENGESAHAN ...................................................................................... i
LEMBAR PERNYATAAN ................................................................................ ii
FORM PERSEMBAHAN ................................................................................... iii
MOTTO .............................................................................................................. iv
KATA PENGANTAR ........................................................................................ v
DAFTAR ISI ...................................................................................................... viii
DAFTAR TABEL .............................................................................................. xi
DAFTAR GAMBAR ......................................................................................... xii
DAFTAR PERSAMAAN .................................................................................. xiv
ABSTRAK .......................................................................................................... xv
ABSTRACT ........................................................................................................ xvi
BAB I PENDAHULUAN ................................................................................... 1
1.1. Latar Belakang ...................................................................................... 1
1.2. Rumus Masalah ..................................................................................... 2
1.3. Batasan Masalah ................................................................................... 2
1.4. Tujuan Penelitian .................................................................................. 3
1.5. Manfaat Penelitian ................................................................................ 3
1.6. Sistematikan Penulisan ......................................................................... 4
BAB II KAJIAN LITERATUR .......................................................................... 6
2.1. Kajian Terdahulu .................................................................................. 6
2.2. Landasan Teori...................................................................................... 8
2.2.1. Wavelet-Neural Network ............................................................. 8
2.2.2. Transformasi Wavelet ................................................................. 8
2.2.3. Neural Network (Jaringan Syaraf Tiruan) ................................... 11
2.2.4. Pasang Surut Air Laut ................................................................. 23
BAB III METODELOGI PENELITIAN ............................................................ 25
3.1. Jenis dan Sumber .................................................................................. 25
ix
3.2. Metode Pengumpulan Data .................................................................. 25
3.3. Metode Pengembangan Sistem ............................................................ 26
3.4. Alat Bantu Penelitian ........................................................................... 28
3.4.1. Perangkat Keras (Hardware) ...................................................... 28
3.4.2. Perangkat Lunak (Software) ........................................................ 28
3.5. Keranka Pikir Penelitian ....................................................................... 29
BAB IV PERANCANGAN DAN IMPLEMENTASI ........................................ 30
4.1. Perancangan Sistem ............................................................................. 30
4.2. Analisa Perancangan Wavelet-Neural Network ................................... 30
4.2.1. Flowchart Proses Wavelet-Neural Network ................................ 31
4.3. Perancangan Basis Data ....................................................................... 52
4.3.1. Deskripsi Tabel user .................................................................... 52
4.3.2. Deskripsi Tabel model ................................................................. 52
4.3.3. Deskripsi Tabel Prediksi.............................................................. 53
4.4. Perancangan Alur Sistem dengan ERD (Entity
Relationship Diagram .......................................................................... 54
4.5. Perancangan Alur Sistem dengan DFD (Data Flow Diagram) ........... 55
4.5.1. Data Flow Diagram (DFD) Level 0 ........................................... 55
4.5.2. Data Flow Diagram (DFD) Level 1 ........................................... 56
4.5.3. Data Flow Diagram (DFD) Level 2 proses 2 (Data Model) ....... 58
4.5.4. Data Flow Diagram (DFD) Level 2 proses 3 (Data Prediksi) .... .60
4.5.5. Data Flow Diagaram (DFD) Level 2 proses 4 (User) ................ 62
4.6. Perancangan Antar Muka (User Interface) .......................................... 63
4.6.1. Perancangan Form Login ............................................................ 63
4.6.2. Perancangan Form Utama ........................................................... 64
4.6.3. Perancangan Form Data Model ................................................... 64
4.6.4. Perancangan Form Data Prediksi ............................................... 65
4.6.5. Perancangan Form User .............................................................. 65
4.6.6. Perancangan Form Pemodelan .................................................... 66
4.6.7. Perancangan Form Prediksi ......................................................... 67
x
4.7. Implementasi ........................................................................................ 67
4.7.1. Form Login .................................................................................. 67
4.7.2. Form Menu Utama ...................................................................... 68
4.7.3. Form Data Model ........................................................................ 68
4.7.4. Form Data Prediksi...................................................................... 69
4.7.5. Form User ................................................................................... 69
4.7.6. Form Pemodelan ......................................................................... 70
4.7.7. Form Prediksi .............................................................................. 70
4.8. Pengujian Sistem .................................................................................. 71
4.8.1. Pengujian Black Box ................................................................... 71
BAB V ANALISA DAN PEMBAHASAN ........................................................ 76
5.1. Pemodelan Data ................................................................................... 78
5.2. Pengujian Data ..................................................................................... 79
BAB VI PENUTUP ............................................................................................ 81
6.1. Kesimpulan .......................................................................................... 81
6.2. Saran ..................................................................................................... 81
DAFTAR PUSTAKA ......................................................................................... 82
xi
DAFTAR TABEL
Tabel 4.1 Contoh data model (data training) ...................................................... 34
Tabel 4.2 Contoh data prediksi (data testing) ..................................................... 34
Tabel 4.3 Contoh gabungan data model dan prediksi ........................................ 34
Tabel 4.4 Contoh data hasil dekomposisi ........................................................... 35
Tabel 4.5 Contoh data hasil normalisasi ............................................................ 37
Tabel 4.6 Contoh data model hasil normalisasi.................................................. 37
Tabel 4.7 Contoh data prediksi hasil normalisasi ............................................... 38
Tabel 4.8 Contoh bobot dan bias input layer ke hidden layer ............................ 39
Tabel 4.9 Bobot bias awal hidden layer ke output layer .................................... 39
Tabel 4.10 Contoh Hasil prediksi ....................................................................... 47
Tabel 4.11 Contoh error rata-rata prediksi ......................................................... 47
Tabel 4.12 Contoh hasil denormalisasi .............................................................. 48
Tabel 4.13 Contoh hasil rekonstruksi ................................................................. 51
Tabel 4.14 Struktur tabel user ............................................................................ 52
Tabel 4.15 Struktur tabel model ......................................................................... 52
Tabel 4.16 Struktur tabel prediksi ...................................................................... 53
Tabel 4.19 Pengujian Form Login ...................................................................... 71
Tabel 4.20 Pengujian Form Data Model ............................................................ 72
Tabel 4.21 Pengujian Form data prediksi ........................................................... 73
Tabel 4.22 Pengujian Form User ....................................................................... 74
Tabel 4.23 Pengujian Form Pemodelan ............................................................. 75
Tabel 4.24 Pengujian Form Prediksi .................................................................. 75
Tabel 5.1 Data model (12.234 data pasang surut 2013-2014) ........................... 76
Tabel 5.2 Data prediksi (4.150 data pasang surut 2015) .................................... 77
Tabel 5.3 Hasil pemodelan dengan perubahan (α) dan maksimum iterasi
10.000 .................................................................................................. 78
Tabel 5.4 Hasil Pengujian .................................................................................. 80
xii
DAFTAR GAMBAR
Gambar 2.1 Contoh Citra 1 Dimensi ................................................................. 9
Gambar 2.2 Hasil Proses Transformasi Perataan dan Pengurangan dari
Gambar Sebelumnya ..................................................................... 10
Gambar 2.3 Proses Perataan dan Pengurangan dengan Dekomposisi
Penuh (3 level) .............................................................................. 10
Gambar 2.4 Hasil Proses Dekomposisi Penuh .................................................. 10
Gambar 2.5 Sel Syaraf Secara Biologi ............................................................. 12
Gambar 2.6 Struktur Neuron Jaringan Syaraf .................................................. 13
Gambar 2.7 Fungsi Aktifasi Sigmoid Biner ..................................................... 15
Gambar 2.8 Arsitektur Jaringan Backpropagation Neural Network ................. 16
Gambar 3.1 Metode Pengembangan system Waterfall ...................................... 26
Gambar 3.2 Kerangka Pikir ............................................................................... 29
Gambar 4.1 Flowchart proses Wavelet-Neural Network .................................. 31
Gambar 4.2 Flowchart Dekomposisi data menggunakan Wavelet Haar ........... 33
Gambar 4.3 Flowchart Pemodelan data menggunakan Backpropagation
Neural Network .............................................................................36
Gambar 4.4 Flowchart Prediksi data menggunakan Backpropagation
Neural Network .............................................................................. 45
Gambar 4.5 Flowchart Rekonstruksi Data menggunakan Wavelet Haar ......... 49
Gambar 4.6 Perancangan ERD (Entity Relation Diagram) ............................... 54
Gambar 4.7 Alur Sistem menggunakan Data Flow Diagram (DFD)
level 0 ........................................................................................... 55
Gambar 4.8 Alur Sistem menggunakan Data Flow Diagram (DFD)
level 1 .......................................................................................... 56
Gambar 4.9 Alur Sistem menggunakan Data Flow Diagram (DFD)
level 2 proses 3 (Data Model) ...................................................... 58
Gambar 4.10 Alur Sistem menggunakan Data Flow Diagram (DFD)
level 2 proses 3 (Data prediksi) .................................................. 60
Gambar 4.11 Alur Sistem menggunakan Data Flow Diagram (DFD)
xiii
level 2 proses 4 (user) ................................................................ 62
Gambar 4.12 Perancangan form login ............................................................... 63
Gambar 4.13 Perancangan Form Utama .......................................................... 64
Gambar 4.14 Perancangan Form Data Model .................................................. 64
Gambar 4.15 Perancangan Form Data Prediksi ............................................... 65
Gambar 4.16 Perancangan Form User ............................................................. 65
Gambar 4.17 Perancangan Form Pemodelan ................................................... 66
Gambar 4.18 Perancangan Form Prediksi Pasang Surut .................................. 67
Gambar 4.19 Form Login ................................................................................. 67
Gambar 4.20 Form Menu Utama ..................................................................... 68
Gambar 4.21 Form Data Model ....................................................................... 68
Gambar 4.22 Form Data Prediksi ..................................................................... 69
Gambar 4.23 Form User ................................................................................... 69
Gambar 4.24 Form Pemodelan .......................................................................... 70
Gambar 4.25 Form Prediksi .............................................................................. 70
xiv
DAFTAR PERSAMAAN
…..Persamaan 2.1 ................................................................................................. 9
…..Persamaan 2.2 ................................................................................................. 9
…..Persamaan 2.3 ................................................................................................. 15
…..Persamaan 2.4 ................................................................................................. 17
…..Persamaan 2.5 ................................................................................................. 18
…..Persamaan 2.6 ................................................................................................. 18
…..Persamaan 2.7 ................................................................................................. 18
…..Persamaan 2.8 ................................................................................................. 18
…..Persamaan 2.9 ................................................................................................. 18
…..Persamaan 2.10 ............................................................................................... 18
…..Persamaan 2.11 ............................................................................................... 19
…..Persamaan 2.12 ............................................................................................... 19
…..Persamaan 2.13 ............................................................................................... 19
…..Persamaan 2.14 ............................................................................................... 19
…..Persamaan 2.15 ............................................................................................... 19
…..Persamaan 2.16 ............................................................................................... 19
…..Persamaan 2.17 ............................................................................................... 20
…..Persamaan 2.18 ............................................................................................... 20
…..Persamaan 2.19 ............................................................................................... 20
…..Persamaan 2.20 ............................................................................................... 20
…..Persamaan 2.21 ............................................................................................... 20
…..Persamaan 2.22 ............................................................................................... 20
…..Persamaan 2.23 ............................................................................................... 21
…..Persamaan 2.24 ............................................................................................... 21
…..Persamaan 2.25 ............................................................................................... 22
…..Persamaan 2.26 ............................................................................................... 23
…..Persamaan 2.27 ............................................................................................... 23
xv
ABSTRAK
Pasang surut air laut berpengaruh terhadap pengoptimalan pemanfaatan
potensi laut dan segala aktifitasnya, seperti halnya bongkar muat kapal
dipelabuhan dan kegiatan para nelayan. Pada penelitian ini akan digunakan 12.234
data pasang surut harian tunggal perairan Tarempa dengan posisi Lintang 03o 13’
05” U ( N ) dan Bujur 106o 13’ 09” T ( E ) tahun 2013 dan 2014 yang diperoleh
dari Hidro-Oseanografi TNI AL Tanjungpinang untuk membangun model
prediksi menggunakan wavelet-neural network. Pembentukan model tersebut
akan diuji dengan 4.150 data pasang surut tahun 2015. Hasil pengujian ini akan
diukur tingkat akurasinya dengan menghitung error rata-rata menggunakan MSE
(Means Square Error). Dimana dari hasil pengujian yang dilakukan didapat
pemodelan terbaik pada iterasi ke-1000 dengan learning rate 0,1 dengan akurasi
model sebesar 99,984%.
Kata Kunci : Pasang Surut, Tarempa, wavelet-neural network, MSE (Means
Square Error)
xvi
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
1.1. Latar Belakang
Tarempa merupakan nama ibu kota dari Kabupaten Kepulauan Anambas
yang memiliki luas daratan 590,14 km2 sedangkan luas lautannya 46.074,00 km
2.
(kepri.bps.go.id). penduduk Tarempa pada umumnya memiliki mata pencarian
sebagai nelayan, karena wilayah Tarempa merupakan surga bagi ikan (Diego,
2014). Banyaknya perikanan yang ada pada perairan Tarempa menjadikan laut
sebagai sektor unggulan dalam pembangunan daerah dan kesejahteraan kehidupan
masyarakat setempat. . Untuk itu dibutuhkan pengoptimalan pemanfaatan potensi
sumberdaya perairan yang dimiliki.
Pengoptimalan potensi sumberdaya perairan dipengaruhi oleh fenomena
pasang surut air laut, seperti halnya bongkar muat kapal di pelabuhan laut,
kegiatan para nelayan, dan sebagainya. Pasang surut air laut setiap harinya tidak
selalu sama, sehingga di perlukan prediksi pasang surut demi tercapainya
pemanfaatan potensi sumberdaya perairan yang maksimal serta pembangunan
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
2015 dengan posisi Lintang 03o 13’ 05” U ( N ) dan Bujur 106
o 13’ 09” T ( E )
yang didapat dari Hidro-Oseanografi TNI-AL Tanjungpinang. Setelah data
2
terkumpul, selanjutnya akan dibangun model prediksi pasang surut air laut
menggunakan wavelet-neural network. hasil pemodelan tersebut akan dijadikan
sebagai alternatif dalam memilih pola atau memprediksi pasang surut air laut.
Dimana hasil prediksi akan digunakan untuk menghitung tingkat akurasi prediksi
menggunakan MSE (Means Square Error).
1.2. Rumusan Masalah
Berdasarkan latar belakang masalah diatas, maka rumusan masalah dalam
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
Bujur 106o 13’ 09” T ( E ) mengacu pada data pasang surut sebelumnya yang
didapat di Hidro-Oseanography TNI AL Tanjungpinang.
1.3. Batasan Masalah
Mengingat masalah yang digunakan sangat luas sehingga perlu diberikan
batasan agar penelitian menjadi fokus :
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
4.150 data pasang surut tahun 2015.
Penelitian dilakukan untuk memodelkan pasang surut air laut.
Sistem dibangun berbasis desktop dengan menggunakan bahasa
pemrograman java.
3
1.4. Tujuan Penelitian
Tujuan yang ingin dicapai dalam penelitian ini adalah mendapatkan model
prediksi pasang surut air laut harian tunggal (diurnal tide) perairan Tarempa pada
posisi Lintang 03o 13’ 05” U ( N ) dan Bujur 106
o 13’ 09” T ( E ) dengan wavelet-
neural network.
1.5. Manfaat Penelitian
Adapun manfaat dari penelitian ini adalah :
Model yang dibangun ini dapat dijadikan sebagai alternatif pemodelan
dalam memilih pola atau memprediksi pasang surut air laut harian tunggal
(diurnal tide) diwaktu yang akan datang.
Bagi sisi ilmu pengetahuan, menambah khasanah pengetahuan dengan
menjadikan konfirmasi penggunaan metode wavelet-neural network dalam
memprediksi pasang surut air laut.
4
1.6. Sistematika Penulisan
Sistematika penulisan laporan ini adalah sebagai berikut :
BAB I PENDAHULUAN
Pada bab ini membahas mengenai latar belakang,
rumusan masalah, tujuan penelitian, batasan
masalah dan manfaat penelitian.
BAB II KAJIAN LITERATUR
Pada bab ini membahas mengenai kajian terdahulu,
landasan teori yang mencangkup isi pokok
penelitian ini seperti : wavelet-neural network
transformasi wavelet, tahapan-tahapan dari
dekomposisi dan rekonstruksi dengan Wavelet
Haar, Jaringan Syaraf Tiruan (Artificial Neural
Network), tahapan-tahapan dari Algoritma
Backpropagation Neural Network dan inisialisasi
bobot awal menggunaka Nguyen Widrow,
normalisasi dan denormalisasi data serta akurasi
dengan MSE (Mean Square Error).
BAB III METODOLOGI PENELITIAN
Pada bab ini membahas mengenai jenis dan sumber
data penelitian, metode pengumpulan data, metode
5
pengembangan sistem, jenis data yang diperlukan,
alat bantu penelitian, kerangka pikir penelitian itu
sendiri.
BAB IV PERANCANGAN DAN IMPLEMENTASI
Pada bab ini membahas mengenai analisa sistem,
perancangan Flowchart Diagram, perancangan
Entity Relatioship Diagram (ERD), Data Flow
Diagram (DFD), perancangan user interface.
BAB V ANALISA DAN PEMBAHASAN
Pada bab ini membahas mengenai analisa dan
pembahasan dari perancangan dan implementasi
sistem yang dibahas pada bab IV.
BAB VI PENUTUP
Pada bab ini merupakan akhir dari penelitian yang
berisikan kesimpulan dan saran.
DAFTAR PUSTAKA
Pada daftar pustaka ini berisikan tentang sumber-
sumber-sumber yang digunakan sebagai pendukung
pada kajian literature.
BAB II
KAJIAN LITERATUR
2.1. Kajian Terdahulu
Yusuf dkk (2015) melakukan penelitian tentang Model Hidrologi Runtun
Waktu untuk Peramalan Debit Sungai menggunakan Metode Gabungan
Transformasi wavelet Artificial Neural Network. Pada penelitian ini membahas
tentang membangun model dengan gabungan Hybrid model dari Transformasi
Wavelet dan Artificial Neural Network. Dimana model peramalan yang digunakan
yaitu model peramalan dari satu hari sampai empat hari kedepan dan untuk pra-
proses pembangunan model dengan menggunakan transformasi wavelet
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
2007 untuk proses dekomposisi dan rekonstruksi.
Gupta dkk (2014), melakukan penelitian tentang A Hybrid Model of
Wavelet and Neural Network For Short Term Load Forecasting dalam penelitian
ini penulis membahas mengenai peramalan beban listrik jangka pendek
menggunakan daubechies (db4) sebagai mother wavelet dengan satu level
koefisien detail dan satu koefisien approksimasi dimana pendekatan yang
dilakukan menggunakan data histori beban listrik tahun 2006 hingga 2009 untuk
mendeteksi beban listrik tahun 2010 dimana hasil peramalan model WNN ini
7
mampu memberikan akurasi peramalan yang cukup baik dibandingkan dengan
menggunakan ANN dalam meramalkan beban.
Indrabayu dkk (2011) melakukan penelitian yang berjudul “Prediksi Curah
Hujan di Wilayah Makassar Menggunakan Metode Wavelet-Neural Network”.
Pada penelitian ini membahas mengenai prediksi curah hujan menggunakan
metode Hybrid Wavelet-Neural Network dengan data harian mentah sebelumnya
yang didapat dari BMKG (Badan Meteorologi Klimatologi dan Geofisika) dengan
parameter temperature, kelembaban, kecepatan angina, tekanan udara, dan curah
hujan. Sebelum memprediksi, terlebih dahulu menggunakan sistem pelatihan yang
berguna agar hasil keluaran mempelajari pola dari masukan-masukan sebelumnya.
Dalam sistem pelatihan kelima variabel tersebut kemudian dikompres
menggunakan wavelet method setelah itu diprediksi dengan metode neural
network backpropagation dan hasil dari sistem pelatihan tersebut barulah
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
dari BMKG setempat.
Purwitasari dkk (2009) melakukan penelitian tentang teknik peramalan
data time series berbasis Dekomposisi Wavelet dan Multilayer Perceptron. Pada
penelitian ini membahas mengenai penerapan dekomposisi wavelet sebagai fungsi
kombinasi untuk memdeteksi noise pada data dengan cara memisahkan data
berfrekuensi rendah dan data berfrekuensi tinggi dapat menurunkan tingkat error
rata-rata lebih rendah dari pada tanpa menggunakan dekomposisi wavelet.
8
Dimana peramalan diawali dengan analisa korelasi untuk mengetahui karakteristik
data guna membuktikan bahwa data bukan merupakan noise.
2.2. Landasan Teori
2.2.1. Wavelet-Neural Network
Menurut Yusuf dkk (2015) Wavelet-Neural Network merupakan sebuah
model gabungan (hybrid model) dari Transformasi Wavelet dan Neural Network.
Dalam pembangunan model wavelet-neural network, Model transformasi wavelet
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.
2.2.2. Transformasi Wavelet
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.
Kata onde yang berarti gelombang kemudian diterjemahkan ke bahasa inggris
menjadi wave, lalu digabung dengan kata aslinya sehingga terbentuk kata baru
wavelet (E.Bire dan Cahyono, 2012).
Transformasi wavelet merupakan suatu proses pengubahan data dalam
bentuk lain agar mudah dianalisa. Proses transformasi wavelet dapat dilakukan
9
dengan proses pererataan dan pengurangan secara berulang. Proses ini banyak
digunakan pada proses dekomposisi (Sutarno, 2010).
a. Dekomposisi Averaging dan Differencing
Rahman (2012) Dekomposisi perataan (averages) dan pengurangan
(differencing) memegang peranan penting untuk memahami transformasi wavelet.
Gambar berikut adalah contoh dekompoisi perataan dan pengurangan pada citra 1
dimensi dengan dimensi 8.
37 35 28 28 58 18 21 15
Gambar 2.1 Contoh Citra 1 dimensi (Rahman, 2012).
Perataan dilakukan dengan menghitung nilai rata-rata 2 pasang data dengan
rumus:
…………………………………..…................................................ (2.1)
Sedangkan pengurangan dilakukan dengan rumus :
………………………………………............................................. (2.2)
Hasil proses perataan untuk citra diatas adalah :
Sedangkan hasil proses pengurangannya adalah :
10
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
Gambar 2.2 Hasil proses transformasi perataan dan pengurangan dari
gambar sebelumnya (Rahman, 2012).
Gambar 2.3 Proses perataan dan pengurangan dengan dekomposisi
penuh (3 level) Rahman 2012.
Gambar 2.4 Hasil proses dekomposisi penuh (Rahman, 2012).
11
Pada citra berukuran maka dibutuhkan sebanyak n level untuk
melakukan dekomposisi penuh sehingga dapat dikatakan kompleksitas (Rahman,
2012).
Proses rekonstruksi sepenuhnya merupakan kebalikan dari proses
dekomposisi sesuai dengan tingkatan pada proses dekomposisi (Rahman, 2012).
Salah satu keluarga wavelet adalah Wavelet Haar.
Wavelet haar merupakan wavelet paling tua dan paling sederhana,
diperkenalkan oleh Alfred Haar pada tahun 1909. Koefisien transformasi
( ( ) ( )) (
) (tapis low pass) dan ( ( ) ( )) (
)
(tapis high pass) yang dibahas diatas sebenarnya merupakan fungsi basis wavelet
haar. Dekomposisi perataan dan pengurangan yang telah dilakukan sebelumnya
sebenarnya sama dengan melakukan dekomposisi (transformasi) citra dengan
wavelet haar (Putra 2010).
2.2.3. Neural Network (Jaringan Syaraf Tiruan)
2.2.3.1. Jaringan Syaraf secara biologis
Secara biologis jaringan syaraf merupakan salah satu representasi buatan
dari otak manusia yang selalu mencoba untuk mensimulasikan proses
pembelajaran pada otak manusia tersebut (Kusumadewi dan Hartati, 2010).
12
Menurut Budiharto dan suhartono (2014) Dari gambar diatas, dapat dilihat ada
beberapa bagian dari otak manusia, yaitu :
Dendrit (Dendrites)
Berfungsi untuk mengirimkan impuls yang diterima ke badan sel syaraf
Akson (Axon)
Berfungsi untuk mengirimkan impuls dari badan sel ke jaringan lain.
Sinapsis
Berfungsi sebagai unit Fungsional di antara dua sel Syaraf.
Gambar 2.5 Sel Syaraf secara Biologis (Kusumadewi dan
Hartati, 2010).
13
2.2.3.2. Komponen-Komponen Jaringan Syaraf
Menurut Kusumadewi dan Hartati (2010) ada beberapa tipe jaringan
syaraf, namun demikian, hamper semuanya memiliki komponen-komponen yang
sama. Seperti halnya otak manusia, jaringan syaraf juga terdiri dari beberapa
neuron, da nada hubungan antara neuron-neuron tersebut. Neuron-neuron akan
mentransformasikan informasi yang diterima melalui sambungan keluarnya
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
dengan neuron-neuron biologis. Informasi (disebut dengan : input) akan dikirim
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
Gambar 2.6 Struktur Neuron Jaringan Syaraf (Kusumadewi dan
Hartati, 2010).
14
akan mengirimkan output melalui bobot-bobot output-nya ke semua neuron yang
berhubungan dengannya. Demikian seterusnya (Kusumadewi dan Hartati, 2010).
Pada jaringan syaraf, neuron-neuron akan dikumpulkan dalam lapisan-
lapisan (layer) yang disebut dengan lapisan neuron (neuron layer). Biasanya
neuron-neuron pada satu lapisan akan dihubungkan dengan lapisan-lapisan
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
Dalam jaringan syaraf tiruan, fungsi aktifasi ini digunakan untuk
menentukan keluaran suatu neuron berdasarkan proses yang dilakukan terhadap
input yang dimasukkan ( Budiharto dan Suhartono, 2014 : 177).
Salah satu fungsi aktifasi pada neural network adalah fungsi sigmoid
biner. Fungsi ini digunakan untuk jaringan syaraf yang dilatih dengan
menggunakan metode bacpropagation. Fungsi sigmoid biner memiliki nilai pada
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
outputnya 0 atau 1 (Kusumadewi dan Hartati, 2010 :81).
Fungsi sigmoid biner dapat didefinisikan sebagai berikut :
15
( )
………………………………………............................... (2.3)
b. Backpropagation Neural Network
Backpropagation merupakan algoritma pembelajaran yang terawasi dan
biasanya digunakan oleh perceptron 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 menggunakan fungsi aktifasi (Kusumadewi dan Hartati, 2010).
Gambar 2.7 Fungsi Aktifasi Sigmoid Biner (Budiharto dan
Suhartono, 2014)
16
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
menghubungkan X1, X2, X3 dengan neuron pertama dan lapisan tersembunyi
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
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. ( Yusuf
dkk 2015).
Gambar 2.8 Arsitektur Jaringan Backpropagation Neural Network
(Kusumadewi dan Hartati, 2010).
17
c. Algoritma Pembelajaran Backpropagation
Menurut Kusumadewi dan Hartati (2010 algoritma backpropagation
adalah sebagai berikut :
Inisialisasi bobot
Tetapkan : Maksimum epoch, target error, dan learning rate (α), neuron
hidden;
Inisialisasi : Epoch = 0.
Kerjakan langkah-langkah berikut selama (Epoch < maksimum Epoch) dan
(MSE (error) < target error) :
1. Epoch = epoch +1
2. Untuk tiap-tiap pasangan elemen yang akan dilakukan pembelajaran,
kerjakan;
Feedforward :
a. Tiap-tiap unit masukan ( ) menerima sinyal dan
meneruskan sinyal tersebut ke semua unit pada lapisan yang ada
diatasnya (lapisan tersembunyi).
b. Tiap-tiap unit pada suatu lapisan tersembunyi ( )
menjumlahkan sinyal-sinyal input terbobot ;
∑ ………………………………...…........ (2.4)
gunakan fungsi aktifasi untuk menghitung sinyal outputnya.
18
( ) …………………………………………………….. (2.5)
Dan kirimkan sinyal tersebut ke semua unit dilapisan atasnya (unit-unit
output).
c. Tiap-tiap unit output ( ) menjumlahkan sinyal-
sinyal input terbobot.
∑ ………………………………..…...... (2.6)
gunakan fungsi aktifasi untuk menghitung sinyal keluaran yaitu :
( ) ……………………………………........................ (2.7)
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 ( ) menerima target pola yang
berhubungan dengan pola masukan pembelajaran, dan menghitung
informasi error-nya :
( ) ( ) …………………………………....…. (2.8)
……………………………………......................... (2.9)
…………………………………………..…............. (2.10)
19
Kemudian dihitung koreksi bobot (yang nantiya akan digunakan untuk
memperbaiki nilai ) :
………………………......................................... (2.11)
hitung juga koreksi bias (yang nantinya akan digunakan untuk
memperbaiki nilai ) :
………………………………………...…............ (2.12)
Langkah (d) ini dilakukan sebanyak jumlah lapisan tersembunyi, yaitu
menghitung informasi error dari suatu lapisan tersembunyi ke lapisan
tersembunyi sebelumnya.
b. Tiap-tiap unit tersembunyi ( ) menjumlahkan delta
masukannya (dari-unit-unit yang berbeda yang berada pada lapisan
diatasnya ) yaitu :
∑ ……………………………………..….... (2.13)
Kalikan nilai ini dengan turunan dari fungsi aktifasinya untuk
menghitung informasi error :
( ) …………………………………............... (2.14)
……………………………………….................... (2.15)
………………………………………..…….............. (2.16)
20
Kemudian hitung koreksi bobot (yang nantinya digunakan untuk
memperbaiki nilai yaitu :
……………………………………………............ (2.17)
hitung juga koreksi bias (yang nantinya digunakan untuk memperbaiki
) :
…………………………………………….......... (2.18)
c. Tiap-tiap unit output ( ) memperbaiki bias dan
bobotnya ( ) :
( ) ( ) ……………………............. (2.19)
( ) ( ) …………………..…........... (2.20)
Tiap-tiap unit tersembunyi ( ) memperbaiki bias dan
bobotnya ( ) yaitu :
( ) ( ) …………………..…................ (2.21)
( ) ( ) ……………..…..................... (2.22)
3. Hitung MSE
21
d. Inisialisasi Bobot Awal dengan Metode Nguyen-Widrow
Menurut Kusumadewi dan Hartati (2010), metode Nguyen-widrow akan
menginisialisasi bobot-bobot lapisan dengan nilai antara -0,5 sampi 0,5.
Sedangkan bobot-bobot dari lapisan input ke lapisan tersembunyi dirancang
sedemikian rupa sehingga dapat meningkatkan kemampuan lapisan tersembunyi
dalam melakukan proses pembelajaran. Metode Nguyen-widrow secara sederhana
dapat diimplementasikan dengan prosedur sebagai berikut.
Tetapkan : n = jumlah neuron (unit) pada lapisan input
P = jumlah neuron (unit) pada lapisan tersembunyi.
β = faktor penskalaan (= 0,7 (p) 1/n
kerjakan untuk setiap unit pada lapisan tersembunyi (j=1,2,…p) :
a. Inisialisasi bobot-bobot dari lapisan input ke lapisan tersembunyi :
Vij bilangan random antara -0,5 sampai 0,5 (atau antara –γ sampai γ).
b. Hitung ||Vj ||
Dimana || || √( ) ( ) ( ) ……………............. (2.23)
c. Inisialisasi ulang bobot-bobot :
| | ……………..…................................................................. (2.24)
d. Set bias :
b1j = bilangan random antara . Analisa Nguyen-Widrow
didasarkan atas fungsi aktifasi tangen hiperbolik.
22
e. Transformasi Normal (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 :
1. Untuk menghilangkan kerangkapan data.
2. Untuk mengurangi kompleksitas
3. Untuk mempermudah pemodifikasian data.
Jika fungsi aktifasi dengan menggunakan sigmoid biner (range 0 sampai
range 1), maka data harus ditransformasi [0, 1] (Indra, 2014).
Menurut Hidayat dkk (2012) Adapun rumus untuk Normalisasi dalam range [0, 1]
adalah :
……………..….............................................................. (2.25)
Dengan : = Nilai data normal
= Nilai data aktual
= Nilai minimum data aktual keseluruhan
= Nilai maksimum data aktual keseluruhan.
Kemudian untuk mendapatkan nilai sebenarnya dari output perlu dilakukan proses
denormalisasi.
f. Denormalisasi
Menurut Hidayat dkk (2012) denormalisasai dapat memberikan atau
mengembalikan data, sehingga didapatkan predicted sales dari data training.
23
Menurut Indra (2014) adapun rumus denormalisasi dalam range [0,1] adalah :
( ) ……………..…...................................... ….(2.26)
Dimana : = Nilai data normal
= hasil output jaringan
= data dengan nilai minimum
= data dengan nilai maximum
g. MSE (Mean Square Error)
Menurut Hansun (2013) kriteria MSE menyatakan besarnya kesalahan
rata-rata kuadrat dari suatu metode peramalan dengan rumus perhitungan :
∑
……………..…................................................................... (2.27)
Dimana :
menyatakan jumlah data.
adalah nilai kesalahan hasil ramalan yang diperoleh dari ̂ ,
dalam hal ini adalah nilai data aktual dan ̂ adalah nilai ramalan.
2.2.4. Pasang Surut Air Laut
Pasang surut air laut sebagian besar merupakan hasil gabungan dari gaya
tarik grafitasi antara bumi dan bulan serta gaya tarik grafitasi antara bumi dan
matahari. Pasang surut yang diakibatkan planet-planet lain pada umumnya
diabaikan (puput, 2011).
Gaya tarik grafitasi bervariasi terhadap massa benda dan berbanding
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
angkasa lainnya dapat diabaikan. Berdasarkan hokum kesetimbangan Newton,
adanya gaya tarik menarik antara benda langit inilah yang menyebabkan benda-
benda langit tersebut tetap bergerak pada lintasannya.
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
lokasi memiliki ciri pasang surut yang berlainan (Wyrtki, 1961)
BAB III
METODOLOGI PENELITIAN
Pada metodologi penelitian ini terdiri dari beberapa sub bab yaitu jenis dan
sumber data, metode pengumpulan data, metode pengembangan sistem, dan
kerangka pikir penelitian yang digunakan dalam menyelesaikan masalah
penelitian.
3.1. Jenis dan Sumber data
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
dari tahun 2013 sampai dengan 2015.
3.2. Metode Pengumpulan Data
Metode yang digunakan dalam pengumpulan data adalah :
- Studi Pustaka
Digunakan sumber pustaka yang relevan untuk mengumpulkan informasi yang
diperlukan dalam penelitian, yaitu dengan mengumpulkan sumber pustaka
berupa buku, jurnal dan prosiding seminar nasional, serta skripsi. Setelah
sumber pustaka terkumpul, dilanjutkan dengan penelaahan dari sumber
pustaka tersebut, yang pada akhirnya sumber pustaka itu dijadikan landasan
untuk menganalisis permasalahan.
26
3.3. Metode Pengembangan Sistem
Pada tahap pengembangan sistem terdiri dari proses - proses yang
terstruktur yaitu : analisa kebutuhan, desain sistem, penulisan kode program,
pengujian program, penerapan program dan pemeliharaan. Metode pengembangan
ini dikenal dengan model Waterfall menurut Sommerville
Berikut merupakan gambar model pengembangan Waterfall :
Adapun tahapan-tahapan pengembangan sistem dalam penelitian ini
dengan menggunakan metode waterfall adalah sebagai berikut :
1. Requirements definition
Tahap ini menguraikan kebutuhan aplikasi yang utuh menjadi komponen-
komponen aplikasi untuk mengetahui bagaimana aplikasi dibangun. Pada
Gambar 3.1 Metode Pengembangan sistem Waterfall Menurut Sommerville
27
tahap ini hal yang dilakukan adalah mencari dan mempelajari referensi
tentang sistem simulasi dan prediksi pasang surut air laut menggunakan
wavelet-neural network.
2. System and software design
Tahap ini merupakan tahap perancangan sistem. Pada tahap ini perancangan
difokus pada perancangan struktur data, arsitektur perangkat lunak,
representasi interface dan algoritma proses simulasi dan prediksi
menggunakan wavelet-neural network.
3. Implementation and unit testing
pada tahap ini dilakukan penerjemahan hasil rancangan kedalam bahasa
pemrograman Java. Dimana setelah design selesai diterjemahkan dilakukan
pengujian terhadap sistem yang telah dibuat tadi dengan tujuan untuk
menemukan kesalahan yang terjadi dan kemudian diperbaiki.
4. Integration and system testing
Pada tahap Integration and system testing ini merupakan tahapan akhir dari
pembuatan sistem simulasi dan prediksi pasang surut air laut dimana pada
tahap ini sistem sudah bisa digunakan oleh user.
5. Operation and Maintenance
Tahap operation and maintenance ini digunakan ketika terjadinya perubahan
pada sistem simulasi dan prediksi pasang surut air laut atau tidak
ditemukannya kesalahan pada tahap sebelumnya sehingga dibutuhkan
perbaikan dalam peng-implementasiannya.
28
3.4. Alat Bantu Penelitian
3.4.1. Perangkat Keras (Hardware)
Perangkat keras (Hardware) yaitu berupa laptop dengan spesifikasi
1. Processor : Intel(R) Core(TM) i5-3337U CPU @1.80GHz 1.80 GHZ
2. Memory : 4096 MB RAM
3. Harrdisk : 500 GB dan SSD (Solid State Drive) 32 GB
3.4.2. Perangkat Lunak (software)
1. Sistem Operasi Windows 7 Ultimate
2. Xampp-win32-1.6.6a-installer
3. NetBeans IDE 7.4 Installer
4. Microsoft Office dan Excel 2010
5. Browser Google Chrome.
6. Dia-setup-0.97.2-2
7. Paint
29
3.5. Kerangka Pikir Penelitian
Gambar 3.2 Kerangka Pikir
BAB IV
PERANCANGAN DAN IMPLEMENTASI
Pada bab ini akan dijelaskan kebutuhan data serta proses perancangan sistem dari
perangkat lunak yang dibangun. Dimulai dari analisa kebutuhan, desain
(perancangan), implementasi serta pengujian sistem.
4.1. Perancangan Sistem
Dalam pembuatan sebuah sistem diperlukan tahap perancangan sistem.
Perancangan sistem sangat diperlukan untuk mendeskripsikan alur kerja pada
sistem simulasi dan prediksi pasang surut air laut dengan menggunakan wavelet
neral network. Tahap perancangan sistem ini akan lebih dirincikan pada tahap
analisa perancangan sistem.
4.2. Analisis Perancangan Wavelet-Neural Network
Analisis perancangan Wavelet-neural network ini akan dibahas tentang
pengolahan data pada sistem. Akan dipaparkan atau digambarkan dengan
rancangan sistem yang dipresentasikan dalam flowchart. Flowchart yang akan
dibahas mengenai jalannya sistem simulasi prediksi pasang surut air laut secara
umum. Flowchart ini merupakan gambaran awal proses perancangan aplikasi
dengan menggunakan wavelet-neural network.
Adapun proses pengolahan data pada sistem simulasi dan prediksi pasang surut air
laut dengan wavelet-neural network adalah sebagai berikut.
31
4.2.1. Flowchart Proses Wavelet-Neural Network
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
laut tahun 2015 pada posisi Lintang 03o 13’ 05” U ( N ) dan Bujur 106
o 13’ 09” T
(E) yang diperoleh dari Hidro-Oseanografi TNI AL Tanjung pinang. Data
hendaknya dikelompokkan terlebih dahulu terhadap masing-masing variabel.
Misalnya variabel waktu (jam) dikelompokkan dengan waktu (jam) terjadinya
pasang surut training (data model) dan data waktu terjadinya pasang surut testing
(data prediksi). Begitu juga untuk variabel tinggi pasang surut.
Selanjutnya data yang telah dikelompokkan didekomposisi menggunakan
wavelet haar. Dekomposisi wavelet haar merupakan proses pengubahan data
dengan mencari nilai koefisisen perataan dan pengurangan secara berulang.
Adapun alur proses dekomposisi menggunakan wavelet haar dapat digambarkan
sebagai berikut :
33
4.2.1.1. Flowchart Dekomposisi Data menggunakan Wavelet Haar
Gambar 4.2 Flowchart Dekomposisi data menggunakan Wavelet Haar
34
Keterangan :
a. Data input (data model dan data prediksi) pasang surut.
Tabel 4.1 Contoh data Model (data training)
No Waktu (jam)
( )
Tinggi Pasut (m)
( )
Target (m)
(T)
1 1 1,4 1,4
2 2 1,3 1,3
3 3 1,3 1,3
4 4 1,2 1,2
Tabel 4.2 Contoh Data Prediksi (data testing)
No Waktu (jam)
( )
Tinggi Pasut (m)
( )
Target (m)
(T)
1 5 1,1 1,1
2 6 1,0 1,0
3 7 0,8 0,8
4 8 0,7 0,7
Gabungkan data model dan data prediksi sesuai dengan variabelnya masing-
masing.
Tabel 4.3 Contoh Gabungan Data Model dan Prediksi
No Waktu (Jam)
( )
Tinggi Pasut (m)
( )
Target (m)
(T)
1 1 1,4 1,4
2 2 1,3 1,3
3 3 1,3 1,3
4 4 1,2 1,2
5 5 1,1 1,1
6 6 1,0 1,0
7 7 0,8 0,8
8 8 0,7 0,7
35
b. Tentukan banyak level
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
adalah sebanyak 3 level. Proses dekomposisi dilakukan dengan menghitung
nilai perataan dan pengurangan secara berulang dengan persamaan (2.1) dan
(2.2). hasil dekomposisi disusun kembali berdasarkan hasil perataan dan
pengurangan untuk menggantikan sekumpulan data asli. adapun hasil dari
proses dekomposisi 3 level adalah sebagai berikut :
Tabel 4.4 Contoh Data Hasil Dekomposisi
No Waktu (Jam)
( )
Tinggi Pasut (m)
( )
Target (m)
(T)
1 4,5 1,1 1,1
2 -2 0,2 0,2
3 -1 0,05 0,05
4 -1 0,15 0,15
5 -0,5 0,05 0,05
6 -0,5 0,05 0,05
7 -0,5 0,05 0,05
8 -0,5 0,05 0,05
Hasil dari proses dekomposisi ini selanjutnya akan digunakan untuk
melakukan proses normalisasi data.
36
4.2.1.2. Flowchart Pemodelan Data Menggunakan Backpropagation Neural
Network
Gambar 4.3 Flowchart Pemodelan data Menggunakan
Backpropagation Neural Network
37
Keterangan :
a. Ambil data hasil dekomposisi
b. Normalisasi data dalam range [0, 1]
Pada penelitian ini normalisasi data yang digunakan adalah normalisasi dalam
range [0, 1] dengan persamaan (2.25).
Tabel 4.5 Contoh Data Hasil Normalisasi
No Waktu (Jam)
( )
Tinggi Pasut (m)
( )
Target (m)
(T)
1 1,000 1,000 1,000
2 0,000 0,142 0,142
3 0,153 0,000 0,000
4 0,153 0,095 0,095
5 0,230 0,000 0,000
6 0,230 0,000 0,000
7 0,230 0,000 0,000
8 0,230 0,000 0,000
Selanjutnya data hasil normalisasi akan dipisahkan kembali antara data
model dan data prediksi.
Tabel 4.6 Contoh Data Model Hasil Normalisasi
No Waktu (Jam)
( )
Tinggi Pasut (m)
( )
Target (m)
(T)
1 1,000 1,000 1,000
2 0,000 0,142 0,142
3 0,153 0,000 0,000
4 0,153 0,095 0,095
38
Tabel 4.7 Contoh Data Prediksi Hasil Normalisasi
No Waktu (Jam)
( )
Tinggi Pasut (m)
( )
Target (m)
(T)
1 0,230 0,000 0,000
2 0,230 0,000 0,000
3 0,230 0,000 0,000
4 0,230 0,000 0,000
Data model hasil normalisasi akan digunakan untuk membangun model
prediksi yang akan divalidasi dengan data prediksi hasil normalisasi. Adapun
tahapan yang harus dilalui dalam pemodelan menggunakan backpropagation
neural network adalah sebagai berikut :
c. Inisialisasi bobot dengan Nguyen-Widrow
Inisialisasi bobot dengan Nguyen-Widrow ini tergantung pada model jaringan
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
input sebagai berikut :
Lalu hitung nilai ||Vj || dengan persamaan (2.23)
√( ) ( )
√( ) ( )
√( ) ( )
Selanjutnya inisialisasi ulang bobot-bobot input layer ke hidden layer ( )
dengan persamaan (2.24)
39
Tabel 4.8 Contoh Bobot dan bias input layer ke hidden layer
b1 0,22 0,53 0,44
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
Misalkan : Maximum Epoch : 1
hidden layer : 3
target error : 0,1
learning rate ( ) : 0,1
e. Perhitungan feedforward
menjumlahkan sinyal-sinyal masukan berbobot hidden layer dengan
persamaan (2.4)
( ) ( )
( ) ( )
( ) ( )
Hitung sinyal Keluarannya menggunakan persamaan (2.5)
40
Jumlahkan sinyal-sinyal berbobot output layer dengan persamaan (2.6)
( )( ) ( )( )
( )( )
Hitung sinyal keluarannya menggunakan persamaan (2.7)
f. Perhitungan Backpropagation
Hitung informasi error (δ) di output layer dengan persamaan (2.8)
( )( )( )
Kemudian Hitung koreksi bobot dan koreksi bias yang nanti akan
digunakan untuk memperbaiki nilai dengan persamaan (2.11) dan (2.12).
( )( ) ( )
( )( )( )
( )( )( )
( )( )
Hitung penjumlahan delta inputan dari unit-unit yang berada pada lapisan
diatasnya (neuron hidden ) dengan persamaan (2.13).
( )( )
( )( )
41
( )( )
kemudian dikalikan dengan turunan dari fungsi aktifasinya untuk menghitung
informasi error dengan persamaan (2.14).
( )( )( )
( )( )( )
( )( )( )
Hitung Koreksi perubahan Bobot dan bias input layer ke hidden layer (Vij)
dan bias (b1j) yang akan digunakan untuk meng-update (Vij) dengan
persamaan (2.17) dan (2.18)
( )( )( )
( )( )( )
( )( )( )
( )( )( )
( )( )( )
( )( )( )
( )( )
( )( )
( )( )
g. Perbaikan Bobot
Perbaiki Bobot dan Bias dengan persamaan (2.19) dan (2.20)
( )
( )
( )
( )
42
Perbaiki Bobot dan Bias dengan persamaan (2.21) dan (2.22)
( ) ( ) ( ) 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
dan begitu seterusnya.
Data Training ke-2
Sinyal keluaran output layer ( ) adalah:
Perubahan bobot output layer :
( )
( )
( )
( )
Perubahan bobot hidden layer :
( ) 0,719639
( ) 0,652219
( ) 0,412138
43
( ) 0,575661
( ) -0,650818
( ) 0,824075
( ) 0,218668
( ) 0,523695
( ) 0,438301
Data Training ke-3
Sinyal keluaran output layer ( ) adalah:
Perubahan bobot output layer :
( )
( )
( )
( )
Perubahan bobot hidden layer :
( ) 0,719505
( ) 0,651979
( ) 0,41206
( ) 0,575661
( ) -0,650818
( ) 0,824075
( ) 0,216754
( ) 0,515497
( ) 0,436092
Data Training ke-4
Sinyal keluaran Output layer ( ) adalah:
44
Perubahan bobot output layer :
( )
( )
( )
( )
Perubahan bobot hidden layer :
( ) 0,719375
( ) 0,651737
( ) 0,411989
( ) 0,575661
( ) -0,650818
( ) 0,824075
( ) 0,21493
( ) 0,507392
( ) 0,43406
Setelah sampai pada data training ke-4, maka iterasi pertama selesai
dikerjakan, proses diulangi hingga mencapai error terkecil atau epoch yang
memenuhi toleransi yang ditentukan.
Hasil keluaran bobot dan bias pada iterasi yang telah ditentukan akan di
simpan untuk digunakan untuk memvalidasi data prediksi.
45
4.2.1.3. Flowchart Prediksi Data Menggunakan Backpropagation Neural
Network
Gambar 4.4 Flowchart Prediksi data Menggunakan
Backpropagation Neural Network
46
Keterangan :
a. Ambil data target prediksi hasil normalisasi
b. Ambil hasil perbaikan bobot pada proses pemodelan
c. Perhitungan feedforward
Tahapan feedforward ini digunakan untuk menghitung keluaran hasil prediksi,
d. Validasi terhadap data target
Untuk mendapatkan hasil prediksi, lakukan perhitungan keluaran hidden
layer terlebih dahulu menggunakan persamaan (2.4) dan (2.5)
( ( ) ( )
( ( ) ( )
( ( ) ( )
Hasil keluaran dari keluaran hidden layer ini digunakan untuk menghitung
hasil prediksi dengan persamaan (2.6) dan (2.7)
( ( )) (( )( ))
(( )( ))
47
Hasil prediksi data pertama dengan menggunakan parameter yang telah
ditentukan adalah 0,719869
Ulangi langkah-langkah tersebut untuk menghitung hasil prediksi ke-2,3 dan 4
Tabel 4.10 Contoh Hasil Prediksi
No Prediksi (Y)
1
2
3
4
e. Hitung error rata-rata prediksi
Perhitungan error rata-rata hasil prediksi dapat dilakukan dengan
menggunakan persamaan (2.27). dimana data yang digunakan adalah data
keluaran hasil pemodelan sebagai data target dan data keluaran hasil
prediksi.
Tabel 4.11 Contoh Error Rata-Rata Prediksi
Target
(T)
Prediksi
(Y)
MSE
pecahan %
0,000 0,719869 0,518211 51,8%
0,000 0,719869 0,518211 51,8%
0,000 0,719869 0,518211 51,8%
0,000 0,719869 0,518211 51,8%
∑ 51,8%
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
Denormalisasi data ini dilakukan untuk mengembalikan data hasil normalisasi.
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
normalisasi. proses denormalisasi hanya dilakukan terhadap data target prediksi
dan data hasil prediksi dengan persamaan (2.26).
Tabel 4.12 Contoh Hasil denormalisasi
Target (m)
(T)
Prediksi (m)
(Y)
1,1 0,759341
0,2 0,81519
0,05 0,813006
0,15 0,808123
0,05 0,805862
0,05 0,805862
0,05 0,805862
0,05 0,805862
Hasil denormalisasi ini akan digunakan untuk proses rekonstruksi. Dimana proses
rekonstruksi merupakan proses yang digunakan untuk mengembalikan data hasil
dekomposisi.
49
4.2.1.4. Flowchart Rekonstruksi data menggunakan Wavelet Haar
Gambar 4.5 Flowchart Rekonstruksi Data menggunakan
Wavelet Haar
50
Keterangan :
a. Ambil Data Hasil Denormalisasi
b. Tentukan Banyak Level
Banyak level proses rekonstruksi ini sama hal nya dengan banyaknya level
pada proses dekomposisi. Dimana pada contoh ini level dekomposisi yang
dilakukan sebanyak 3 level, Maka banyaknya level proses rekonstruksi juga
akan dilakukan sebanyak 3 level. Proses rekonstruksi ini bisa dilakukan
dengan menggunakan invers.
Proses Rekonstruksi Data Target :
[ ] [ ] [ ] [
] [
]
[
] [
] [
] [
] [
]
[
]
[
]
[
]
[
]
[ ]
51
Proses rekonstruksi Hasil Prediksi :
[ ] [ ] [ ] [
] [
]
[
] [
] [
] [
] [
]
[
]
[
]
[
]
[
]
[ ]
Tabel 4.13 Contoh Hasil Rekonstruksi
Target (m) Prediksi (m)
1,4 3,193399
1,3 1,581674
1,3 1,567387
1,2 -0,04434
1,1 1,558136
1,0 -0,05359
0,8 0,05811
0,7 1,66983
Hasil rekonstruksi diatas merupakan hasil rekonstruksi data target prediksi
dari penggabungan data model dan data prediksi. Namun untuk mengetahui
hasil prediksi maka pisahkan data model.
52
4.3. Perancangan Basis Data
Basis data digunakan sebagai tempat penyimpan data program. Selain dari
tempat penyimpanan data, basis data juga berfungsi untuk mengatur dan memilih
data sesuai kategorinya atau jenisnya masing-masing.
4.3.1. Deskripsi Tabel user
Nama Database : pasut
Nama Tabel : user
Primary Key : id_user
Tabel 4.14 Struktur Tabel User
No Nama Kolom Type Data Panjang Data Keterangan
1 id_user Int 5 Autoincrement
2 username Varchar 20 Nama User
3 password Varchar 16 Password User
4 nama_lengkap Varchar 100 Nama Lengkap User
4.3.2. Deskripsi Tabel model
Nama Database : pasut
Nama Tabel : model
Primary Key : id_model
Tabel 4.15 Struktur Tabel Model
No Nama Kolom Type Data Panjang Data Keterangan
1 id_model Int 11 Autoincrement
2 tgl_model date - Tanggal data model
3 Jam Int 2 Jam data model
4 tinggi_pasut double - Data tinggi pasang surut
53
4.3.3. Deskripsi Tabel Prediksi
Nama Database : pasut
Nama Tabel : prediksi
Primary Key : id_prediksi
Tabel 4.16 Struktur Tabel Prediksi
No Nama Kolom Type Data Panjang Data Keterangan
1 id_prediksi Int 11 Autoincrement
2 tgl_prediksi date - Tanggal data prediksi
3 jam Int 2 Jam data target prediksi
4 tinggi_real double - Data tinggi pasang surut
aktual
5 tinggi_prediksi double - Data pasut hasil prediksi
54
4.4. Perancangan Alur Sistem dengan ERD (Entity Relationship Diagram)
Perancangan basis data pada penelitian ini dibuat dalam bentuk Entity
Relationship Diagram (ERD). Adapun Entity Relationship Diagram (ERD) yang
telah dibuat pada aplikasi ini menampilkan skema hubungan antara table dalam
database Simulasi dan Prediksi Pasang Surut Air Laut.
Gambar 4.6 Perancangan ERD (Entity Relation Diagram)
55
4.5. Perancangan Alur Sistem dengan DFD (Data Flow Diagram)
Setelah mengetahui bagaimana alur program dan data berjalan secara
umum pada sub bab sebelumnya. Pada sub bab ini akan dijelaskan bagaimana
perancangan sistem yang dibuat untuk membangun Aplikasi Simulasi dan
Prediksi Pasang Surut Air Laut. Alat bantu yang digunakan adalah Data Flow
Diagram (DFD).
4.5.1. Data Flow Diagram (DFD) level 0
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
error yang terjadi.
Gambar 4.7 Alur Sistem menggunakan Data Flow
Diagram (DFD) level 0
56
4.5.2. Data Flow Diagram (DFD) Level 1
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
Prediksi, dan proses 6.0 Simulasi.
Pada proses 1.0 Login merupakan proses utama saat user berinteraksi atau
menggunakan sistem. Pada proses ini user memasukkan username dan password
Gambar 4.8 Alur Sistem menggunakan Data Flow Diagram
(DFD) level 1
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
masukan username atau password.
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
berupa data hasil pemodelan yang dibentuk.
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
proses ini adalah berupa data-data yang diolah sebelumnya.
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
menginisialisasikan parameter pendukung yaitu berupa data epoch maxs, α
58
(learning rate), neuron hidden, target error. dimana keluaran dari proses ini
berupa hasil pemodelan yang terbentuk yag nantinya akan divalidasi dengan data
prediksi.
Pada proses 6.0 prediksi dapat dilakukan setelah pemodelan selesai
dibentuk. Adapun keluaran dari prediksi ini berupa informasi pola prediksi dan
error prediksi yang terjadi.
4.5.3. Data Flow Diagram (DFD) Level 2 proses 2 (Data Model)
Gambar 4.9 Alur Sistem menggunakan Data Flow Diagram
(DFD) level 2 proses 2 (Data Model)
59
Pada DFD level 2 proses 2 ini terdapat 4 proses diantaranya proses 2.2.1 input,
proses 2.2.2 update, 2.2.3 delete, 2.2.4 cari.
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
apakah berhasil di input atau tidak.
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-
delete, apakah berhasil dihapus atau tidak . .
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
4.5.4. Data Flow Diagram (DFD) Level 2 proses 3 (Data Prediksi)
Pada DFD level 2 proses 3 ini terdapat 4 proses diantaranya proses 2.3.1 input,
proses 2.3.2 update, 2.3.3 delete, 2.3.4 cari.
Pada proses 2.3.1 input dapat dilakukan oleh user untuk menambahkan
data prediksi dengan menginputkan data tanggal, data jam dan data tinggi_real
(sebagai target prediksi), sedangkan untuk tinggi_prediksi bisa diinisialisasi
dengan 0 (nol). Keluaran dari proses ini berupa informasi mengenai data yang di
input apakah berhasil di input atau tidak.
Gambar 4.10 Alur Sistem menggunakan Data Flow Diagram
(DFD) level 2 proses 3 (data prediksi)
61
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-
update atau tidak.
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-
delete, apakah berhasil dihapus atau tidak .
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
4.5.5. Data Flow Diagram (DFD) Level 2 proses 4 (User)
Pada DFD level 2 proses 4 ini terdapat 4 proses diantaranya proses 2.4.1 input,
proses 2.4.2 update, 2.4.3 delete, 2.4.4 cari.
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
apakah berhasil diinput atau tidak
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.
Gambar 4.11 Alur Sistem menggunakan Data Flow Diagram (DFD)
level 2 proses 4 (user)
63
Keluaran dari proses ini berupa informasi mengenai data yang baru di-update
apakah berhasil di-update atau tidak.
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
informasi mengenai data yang di-delete apakah berhasil atau tidak.
Pada proses 2.4.4 cari dapat dilakukan oleh user untuk mencari data user
yang telah di-input sebelumnya berdasarkan username, password, dan nama
lengkap user. Keluaran dari proses ini berupa informasi data yang dicari.
4.6. Perancangan Antar Muka ( User Interface)
4.6.1. Perancangan Form Login
Pada form rancangan login ini digunakan oleh user untuk mengakses
sistem.
Gambar 4.12 Perancangan Form Login
64
4.6.2. Perancangan Form Utama
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
di klik maka user akan keluar dari sistem.
4.6.3. Perancangan Form Data Model
Form data model ini digunakan untuk mengolah data model. Dimana form
ini terdiri dari tombol tambah , ubah, hapus dan cari.
Gambar 4.13 Perancangan Form Utama
Gambar 4.14 Perancangan Form Data Model
65
4.6.4. Perancangan Form Data Prediksi
Form data prediksi ini digunakan untuk mengolah data prediksi. Dimana
form ini terdiri dari tombol tambah , ubah, hapus dan cari.
4.6.5. Perancangan Form User
Form user ini digunakan untuk mengolah data user. Dimana form ini
terdiri dari tombol tambah , ubah, hapus dan cari.
Gambar 4.15 Perancangan Form Data Prediksi
Gambar 4.16 Perancangan Form User
66
4.6.6. Perancangan Form Pemodelan
Form pemodelan ini digunakan untuk mengolah data pasang surut air laut.
Dimana pada form ini terdiri dari tombol analisa, load jaringan, dan simpan model
jaringan. Dimana tombol analisa digunakan untuk menganalisa atau membentuk
model dan melakukan prediksi. Tombol simpan model jaringan digunakan untuk
menyimpan bobot dan bias yang digunakan untuk memvalidasi data prediksi serta
menyimpan hasil prediksi. Sedangkan load jaringan di gunakan untuk
menampilkan bobot dan bias model jaringan.
Gambar 4.17 Perancangan Form Pemodelan
67
4.6.7. Perancangan Form Prediksi
Pada form ini akan ditampilkan hasil prediksi yang dibangun
menggunakan model prediksi yang telah dibangun sebelumnya untuk melakukan
proses prediksi.
4.7. Implementasi
4.7.1. Form Login
Form ini merupakan implementasi dari perancangan form login.
Gambar 4.18 Perancangan Form Prediksi Pasang Surut
Gambar 4.19 Form Login
68
4.7.2. Form Menu Utama
Form ini merupakan implementasi dari perancangan form menu utama
4.7.3. Form Data Model
Form ini merupakan implementasi dari perancangan form data Model
Gambar 4.20 Form Menu Utama
Gambar 4.21 Form Data Model
69
4.7.4. Form Data Prediksi
Form ini merupakan implementasi dari perancangan form data prediksi
4.7.5. Form User
Form ini merupakan implementasi dari perancangan form User
Gambar 4.23 Form User
Gambar 4.22 Form Data Prediksi
70
4.7.6. Form Pemodelan
Form ini merupakan implementasi dari perancangan form pemodelan.
4.7.7. Form Prediksi
Form ini merupakan implementasi dari perancangan form prediksi.
Gambar 4.24 Form Pemodelan
Gambar 4.25 Form Prediksi
71
4.8. Pengujian Sistem
Sistem yang dibangun tentu mengandung peluang terjadinya kesalahan
pada saat pengerjaannya. Kesalahan dapat mulai terjadi pada permulaan proses
dimana sasaran ditetapkan secara tidak sempurna, dan dalam desain dan tahap
pengembangan selanjutnya.
4.8.1. Pengujian Black Box
Pengujian ini bertujuan untuk menguji fungsi sistem tentang cara
beroperasinya dari segi antarmukanya, apakah dengan data masukan sekian
hasilnya sesuai dengan yang diharapkan ataupun tidak.
Pengujian black box ini akan diterapkan pada pembuatan sistem simulasi
dan prediksi pasang surut air laut sebagai berikut :
4.8.1.1. Pengujian Form Login
Tabel 4.19 Pengujian Form Login
No Data Hasil
Harapan
Hasil
Keluaran Hasil Uji
1 Input Data Login yang
telah terdaftar dan klik
tombol Masuk
Berhasil Login Berhasil
Login
Sesuai
2 Input Data Login yang
belum Terdaftar dan Klik
tombol Masuk
Gagal Login Gagal Login Sesuai
3 Input Data Login dan
Klik Tombol Batal
Program
Tertutup
Berhasil
Keluar
Sesuai
72
4.8.1.2. Pengujian Form Data Model
Tabel 4.20 Pengujian Form Data Model
No Data Hasil
Harapan
Hasil
Keluaran Hasil Uji
1 Input Data Model Pasut
dan klik tombol
Tambah
Berhasil
ditambahkan
Berhasil
Ditambahkan
Sesuai
2 Input Data Model pasut
tanpa mengisi data
tanggal dan klik
tombol tambah
Gagal
ditambahkan
Gagal
Ditambahkan
Sesuai
3 Input Data Model pasut
tanpa mengisi data
tinggi pasut dan klik
tombol tambah
Gagal
ditambahkan
Gagal
Ditambahkan
Sesuai
4 Klik data yang ingin di
hapus dan klik tombol
hapus
Berhasil
dihapus
Berhasil
dihapus
Sesuai
5 Double klik data yang
ingin diubah lalu ubah
data tersebut dan Klik
tombol Ubah
Berhasil
diubah
Berhasil
diubah
sesuai
6 Double klik data yang
ingin diubah lalu Klik
tombol cancel
Gagal di ubah Gagal diubah sesuai
7 Klik tombol selesai Form model
tertutup dan
kembali ke
Menu Utama
Berhasil
Keluar dan
kembali ke
menu Utama
sesuai
73
4.8.1.3. Pengujian Form Data Prediksi
Tabel 4.21 Pengujian Form Data Prediksi
No Data Hasil
Harapan
Hasil
Keluaran Hasil Uji
1 Input Data prediksi Pasut
dan klik tombol Tambah
Berhasil
ditambahkan
Berhasil
Ditambahkan
Sesuai
2 Input Data prediki pasut
tanpa mengisi data
tanggal dan klik tombol
tambah
Gagal
ditambahkan
Gagal
Ditambahkan
Sesuai
3 Input Data prediksi pasut
tanpa mengisi data tinggi
pasut dan klik tombol
tambah
Gagal
ditambahkan
Gagal
Ditambahkan
Sesuai
4 Klik data yang ingin di
hapus dan klik tombol
hapus
Berhasil
dihapus
Berhasil
dihapus
Sesuai
5 Double klik data yang
ingin diubah lalu ubah
data tersebut dan Klik
tombol Ubah
Berhasil
diubah
Berhasil
diubah
sesuai
6 Double klik data yang
ingin diubah lalu Klik
tombol cancel
Gagal di ubah Gagal diubah sesuai
7 Klik tombol selesai Form prediksi
tertutup dan
kembali ke
Menu Utama
Berhasil
Keluar dan
kembali ke
menu Utama
sesuai
74
4.8.1.4. Pengujian Form Data User
Tabel 4.22 Pengujian Form User
No Data Hasil Harapan Hasil
Keluaran Hasil Uji
1 Input Data User dan
klik tombol Tambah
Berhasil
ditambahkan
Berhasil
Ditambahkan
Sesuai
2 Input Data User tanpa
mengisi data Password
dan klik tombol
tambah
Gagal
ditambahkan
Gagal
Ditambahkan
Sesuai
3 Input Data User tanpa
mengisi data Nama
Lengkap dan klik
tombol tambah
Gagal
ditambahkan
Gagal
Ditambahkan
Sesuai
4 Klik data yang ingin di
hapus dan klik tombol
hapus
Berhasil
dihapus
Berhasil
dihapus
Sesuai
5 Double klik data yang
ingin diubah lalu ubah
data tersebut dan Klik
tombol Ubah
Berhasil diubah Berhasil
diubah
sesuai
6 Double klik data yang
ingin diubah lalu Klik
tombol cancel
Gagal di ubah Gagal diubah sesuai
7 Klik tombol selesai Form prediksi
tertutup dan
kembali ke
Menu Utama
Berhasil
Keluar dan
kembali ke
menu Utama
sesuai
75
4.8.1.5. Pengujian Form Pemodelan
Tabel 4.23 Pengujian Form Pemodelan
No Data Hasil
Harapan
Hasil
Keluaran Hasil Uji
1 Inisialisasi semua
parameter pemodelan
dengan minimal 2
hidden layer dan Klik
Tombol Analisa
Berhasil
dianalisa
Berhasil
Analisa Data
Sesuai
2 Klik tombol Simpan
Jaringan
Berhasil
menyimpan
model
Berhasil
menyimpan
model
Sesuai
3 Klik tombol Load
Jaringan
Berhasil reload
bobot dan bias
jaringan yang
tersimpan
Berhasil
reload bobot
dan bias
jaringan yang
tersimpan
Sesuai
4.8.1.6. Pengujian Form Prediksi
Tabel 4.24 Pengujian Form Prediksi
No Data Hasil
Harapan
Hasil
Keluaran Hasil Uji
1 Input data Tanggal
awal prediksi dan data
tanggal akhir prediksi
Berhasil
prediksi
Berhasil
prediksi
sesuai
BAB V
ANALISA DAN PEMBAHASAN
pada bab ini akan dijelaskan tentang analisa dan pembahasan bab-bab
sebelumnya. Analisa yang dilakukan disini adalah bagaimana membentuk sebuah
model wavelet-neural network. Setelah model terbentuk, selanjutnya akan
dilakukan prediksi pasang surut 1 hari, 2 hari, dan seterusnya.
Berikut data pasang surut air laut yang digunakan untuk membangun model.
Tabel 5.1 Data model (12.234 data pasang surut 2013-2014)
No Waktu (jam)
( )
Tinggi pasut (m)
( )
Target (m)
(T)
1 1 1,7 1,7
2 2 1,5 1,5
3 3 1,4 1,4
4 4 1,3 1,3
5 5 1,2 1,2
6 6 1,1 1,1
7 7 1,0 1,0
8 8 1,0 1,0
9 9 0,9 0,9
10 10 0,8 0,8
11 11 0,8 0,8
12 12 0,7 0,7
13 13 0,6 0,6
14 14 0,6 0,6
15 15 0,6 0,6
16 16 0,6 0,6
17 17 0,7 0,7
18 18 0,9 0,9
19 19 1,1 1,1
77
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
Tabel 5.2 Data prediksi (4.150 data pasang surut 2015)
No Waktu (jam)
( )
Tinggi pasut (m)
( )
Target (m)
(T)
Prediksi
(Y)
1 1 1,3 1,3 ---
2 2 1,3 1,3 ---
3 3 1,2 1,2 ---
4 4 1,2 1,2 ---
5 5 1 1 ---
6 6 0,9 0,9 ---
7 7 0,7 0,7 ---
8 8 0,6 0,6 ---
9 9 0,5 0,5 ---
10 10 0,5 0,5 ---
11 11 0,5 0,5 ---
12 12 0,7 0,7 ---
13 13 0,9 0,9 ---
14 14 1,1 1,1 ---
15 15 1,3 1,3 ---
16 16 1,4 1,4 ---
17 17 1,5 1,5 ---
18 18 1,6 1,6 ---
19 19 1,6 1,6 ---
20 20 1,5 1,5 ---
21 21 1,4 1,4 ---
22 22 1,4 1,4 ---
78
Dari data model dan prediksi diatas, maka dapat dibentuk model prediksi
menggunakan wavelet neural network melalui tahapan-tahapan seperti yang telah
dijelaskan pada bab sebelumnya.
Pemodelan Data
Pada penelitian ini akan dibangun model yang terdiri dari 2 lapisan
masukan (input layer), 3 lapisan tersembunyi (hidden layer) dan 1 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
dan error). Sedangkan hidden layer tetap berjumlah 3 hidden.
Adapun parameter yang digunakan untuk mecari konfigurasi model terbaik adalah
sebagai berikut :
1. Maximum Iterasi (epoch) : 10.000
2. Hidden layer : 3
3. Target error : 0,01
23 23 1,3 1,3 ---
24 24 1,3 1,3 ---
25 1 1,2 1,2 ---
26 2 1,2 1,2 ---
27 3 1,2 1,2 ---
28 4 1,1 1,1 ---
29 5 1 1 ---
30 6 0,9 0,9 ---
---
4150 22 0,9 0,874 ---
79
Dari ketiga parameter diatas, akan dilakukan pemodelan sebanyak 20 kali
pemodelan dengan learning rate yang berbeda. Adapun hasil dari pemodelan
tersebut dapat dilihat pada tabel 5.3 berikut :
Tabel 5.3 Hasil Pemodelan dengan perubahan learning rate ( ) dan
maksimum iterasi 10.000
Pemodelan Learning rate ( ) Iterasi (epoch)
1 0,01 4624
2 0,02 2000
3 0,03 1633
4 0,04 1107
5 0,05 846
6 0,06 830
7 0,07 378
8 0,08 604
9 0,09 429
10 0,10 1000
11 0,20 223
12 0,30 139
13 0,40 299
14 0,50 218
15 0,60 139
16 0,70 68
17 0,80 55
18 0,90 78
19 1,00 44
20 2,00 24
Berdasarkan tabel pemodelan diatas, didapat pelatihan pola tercepat pada
iterasi ke-24 dengan learning rate 2,00.
Pengujian Data
Pengujian data dilakukan terhadap data prediksi pasang surut untuk
mendapatkan hasil keluaran yang sesuai dengan target atau output yang telah
ditentukan. Berdasarkan pengujian yang dilakukan, ternyata kecepatan
80
pembentukan model tidak memastikan ketepatan hasil keluaran dengan output
yang diharapkan.
Pengujian dilakukan dengan menghitung error rata-rata menggunakan
MSE (Means Square Error) untuk mendapatkan akurasi pemodelan tersebut.
Adapun hasil akurasi pemodelan dapat dilihat pada tabel 5.4 sebagai berikut :
Tabel 5.4 Hasil Pengujian
Pemodelan
MSE Akurasi
Model Pecahan Persentase
1 0,00772 0,772% 99.228%
2 0,00412 0,412% 99.588%
3 0,01515 1,515% 98.485%
4 0,0086 0,860% 99.140%
5 0,00623 0,623% 99.377%
6 0,0041 0,410% 99.590%
7 0,00433 0,433% 99.567%
8 0,00610 0,610% 99.390%
9 0,0018 0,180% 99.820%
10 0,00016 0,016% 99.984%
11 0,00401 0,401% 99.599%
12 0,00852 0,852% 99.148%
13 0,01273 1,273% 98.727%
14 0,00496 0,496% 99.504%
15 0,00797 0,797% 99.203%
16 0,00066 0,066% 99.934%
17 0,00373 0,373% 99.627%
18 0,0081 0,810% 99.190%
19 0,00405 0,405% 99.595%
20 0,005 0,500% 99.500%
Berdasarkan tabel hasil pengujian di atas, dapat dilihat ketepatan data yang dilatih
dengan output yang diharapkan terdapat pada iterasi ke 1000 dengan learning rate
0,1 dengan akurasi model sebesar 99,984%.
BAB VI
PENUTUP
6.1. Kesimpulan
Adapun kesimpulan yang dapat diambil dari penelitian ini adalah sebagai
berikut :
Sistem Simulasi dan Prediksi Pasang Surut Air Laut menggunakan
gabungan (hybrid model) dari Transformasi Wavelet dan Neural Network
telah berhasil dibangun dengan bahasa pemrograman java.
Dari pengujian yang dilakukan terhadap model yang dibangun
menggunakan wavelet neural network terbukti dengan pelatihan dan
pengujiannya. Dimana tercapat tingkat akurasi sebesar 99,984%.
6.2. Saran
Ada beberapa saran yang perlu disampaikan dalam penelitian ini, dengan
harapan akan menjadi saran yang bermanfaat dikemudian hari, diantarannya
adalah sebagai berikut :
1. Membangun model prediksi backpropagation dengan menambahkan
momentum atau menggunakan Metode Resilient Backpropagation untuk
meningkatkan laju pembelajaran.
2. Diharapkan kedepannya untuk memprediksi pasang surut air laut
menggunakan komponen-komponen pembangkit pasang surut.
82
DAFTAR PUSTAKA
Budiharto, W., Suhartono, D., 2014., Artificial Intelligence konsep dan
penerapannya., Yogyakarta., Andi
E. Bire, C., Cahyono, B., 2012., Denoising pada Citra Menggunakan
Transformasi Wavelet., Seminar Nasional Teknologi Informasi dan
Komunikasi Terapan 2012.
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.
Hidayat, Rachmat., Suprapto., Meminimalisasi Nilai Error Peramalan dengan Algoritma
Extreme Learning Machine., 2012., Jurnal Optimasi Sistem Industri., Vol. 11
No.1, April 2012 : 187-192.
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.
Indra, F, C, S., 2014., Jaringan Syaraf Tiruan Memprediksi Ketersediaan Bahan
Bakar Solar dengan Menggunakan Metode Backpropagation., pelita
informatika budi darma Volume : VIII, Nomor 1 Desember 2014.
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.
Putra. D., 2010., Pengolahan Citra Digital., Yogyakarta., Andi.
Rahman. A. H, 2012., Analisa perbandingan watermarking Image menggunakan
Discrete Wavelet Transform., Skripsi Universitas Indonesia.
Sutarno., 2010., Analisisi Perbandingan Transformasi Wavelet pada Pengenalan
Citra Wajah., Jurnal Generic Vol.5 No.2 (Juli 2010).
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
top related