ANALISA PERAMALAN GELOMBANG MENGGUNAKAN JARINGAN SYARAF

TIRUAN PADA PERENCANAAN DERMAGA TUKS PT.PETROKIMIA GRESIK

(PERSERO)

Ummul Muhlisa1, Very Dermawan

2, Prima Hadi Wicaksono

2

1Mahasiswa Program Sarjana Teknik Jurusan Pengairan Universitas Brawijaya

2Dosen Jurusan Pengairan Fakultas Teknik Universitas Brawijaya

1ummulmuhlisa@gmail.com

ABSTRAK

Salah satu faktor penting yang harus diperhatikan dalam perencanaan bangunan pantai seperti pada

proyek pembangunan dermaga TUKS (Terminal untuk Kepentingan Sendiri) baru milik PT. Petrokimia

Gresik (Persero) adalah gelombang. Dalam menentukan karakteristik gelombang, studi ini menggunakan cara

analitis yaitu dengan metode Joint North Sea Wave Program (Jonswap) dan Wilson. Karakteristik gelombang

juga dapat diketahui dengan menggunakan program bersistem Jaringan Syaraf Tiruan (JST). Tujuan dari

penelitian ini adalah untuk mengetahui hasil dari pemodelan JST terhadap hasil dari cara analitis.

Pemodelan JST menggunakan algoritma backpropagation dengan memanfaatkan fungsi-fungsi pada

software MATLAB R2010a. Ada 3 set pelatihan dan pengujian yang dilakukan, antara lain: pelatihan data

tahun 2002-2006 untuk memprediksi data tahun 2007-2009, pelatihan data tahun 2002 -2009 untuk

memprediksi tahun 2010 – 2011, serta pelatihan tahun 2002-2011 untuk memprediksi data tahun 2015. Pada

tahap pelatihan jaringan, data input dan prediksi berisi data harian yang meliputi fetch rerata dan maksimum,

arah angin rerata dan maksimum, tegangan angin rerata dan maksimum untuk JST-Jonswap serta koreksi

angin terhadap elevasi rerata dan maksimum untuk JST-Wilson. Sedang target dan keluaran (output) data

meliputi tinggi dan periode gelombang hasil dari metode Jonswap dan Wilson. Setelah jaringan tersebut

dianalisa, dengan cara yang sama membuat kembali jaringan baru dengan mengganti data tegangan angin

(UA) dengan data kecepatan angin (U) pada input. Kemudian bandingkan mana yang terbaik.

Dari kesemua model tersebut pemodelan dengan jaringan syaraf tiruan dapat dikatakan berhasil,

ditandai dengan nilai Kesalahan Relatif (KR) tahap pelatihan dan tahap prediksi dibawah 5% dan nilai Mean

Squared Error (MSE) nya yang hampir mendekati 10-10

. Jika dibandingkan, pada tahap pelatihan pemodelan

JST-Wilson memiliki nilai KR dan MSE rerata tinggi dan periode gelombang lebih kecil daripada pemodelan

JST-Jonswap. Jika kedua pemodelan tersebut dibandingkan kembali dengan hasil pemodelan yang

menginputkan data kecepatan angin (U), nilai KR dan MSE rerata tinggi dan periode gelombang model

dengan input kecepatan angin (U) itulah yang lebih kecil. Sehingga dalam kasus ini menunjukkan pemodelan

JST dengan kecepatan angin yang diambil dari bandara terdekat memberikan hasil dengan akurasi yang baik.

Kata kunci : Jaringan Syaraf Tiruan, Matlab R2010a, Jonswap, Wilson

ABSTRACT

Wave is one important factor that must be considered in the planning of coastal buildings, such as

design of PT. Petrokimia Gresik (Persero) private port. In determining of wave characteristics, analytical

method that be used in this study are Joint North Sea Wave Program (Jonswap) method and Wilson method.

Characteristics of wave can be determined by using Artificial Neural Network (ANN) program too. The

purpose of this study is to know the result of ANN modeling and analytical method on wave forecasting,

such as the height and the period of wave.

ANN modeling use backpropagation algorithm with ANN tools of MATLAB R2010a software. There

are 3 sets of training and testing conducted, consist of: training data in 2002-2006 to predicting the data in

2007-2009, training data in 2002 -2009 to predicting the data in 2010-2011, and training data in 2002-2011 to

predicting the data in 2015. In the network training phase, input and prediction data contain daily data which

include avarage and maximum fetch, avarage and maximum wind direction, average and maximum wind

stress for ANN-Jonswap, and average and maximum wind elevation correction for ANN-Wilson. Target and

output data contain height and period of wave which produced from the Jonswap and Wilson method. After

the network have analyzed, it was done with the same methodology by replacing windstress data with the

wind velocity data and the result data will be compared.

The results of ANN models are close enough with Relative Error (RE) values are smaller than 5% and

the Mean Squared Error (MSE) values of them approach 10-10

. In comparison at the training phase, JST-

Wilson model has RE and MSE values of wave height and period is smaller than the JST-Jonswap model. If

these models results are compared with models that use wind velocity (U) as input data, RE and MSE values

of the models with wind velocity (U) as input is smaller. In this case, it is shown than ANN model with

windspeed data from nearby airport give good acuracy.

Keywords: Artificial Neural Network, Matlab R2010a, Jonswap, Wilson

1 PENDAHULUAN

Salah satu faktor yang harus dipertim-

bangkan dalam merencanakan suatu

bangunan pantai adalah gelombang laut-

nya. Dalam merencanakan bangunan-

bangunan pantai, faktor gelombang me-

mang menjadi faktor penting yang harus

diperhatikan mengingat perubahan garis

pantai juga dipengaruhi olehnya. Tak

terkecuali pada proyek perencanaan pem-

bangunan dermaga TUKS (Terminal

untuk Kepentingan Sendiri) baru milik

PT. Petrokimia Gresik (Persero) yang

teletak di Kabupaten Gresik.

Minimnya data gelombang laut men-

jadikan para perencana bangunan pantai

memanfaatkan data angin untuk mem-

bangkitkan tinggi dan periode gelom-

bang. Faktor-faktor yang menentukan

karak-teristik gelombang laut adalah

durasi angin (lamanya angin bertiup),

kecepatan angin bertiup, dan panjang

fetch. Cara analitis dalam pembangkitan

data gelombang laut yang sering di-

gunakan diantaranya metode Wilson dan

metode Joint North Sea Wave Program

(Jonswap).

Tuntutan dari berbagai pihak yang

membutuhkan informasi kondisi gelom-

bang laut yang lebih cepat, lengkap, dan

akurat menyebabkan adanya berbagai

pene-litian untuk menentukan metode

mana yang tepat dalam peramalan ge-

lombang. Kebutuhan ini mendorong ber-

kembangnya metode-metode prediksi ge-

lombang laut yang berbasis pemogram-

an. Salah satu metode pemograman yang

digunakan untuk memprediksi tinggi dan

periode signifikan gelombang laut adalah

menggunakan system Jaringan Syaraf

Tiruan (JST). Hal ini dikarenakan

jaringan syaraf tiruan memiliki

kemampuan untuk belajar dari pola-pola

data yang telah ada, seperti halnya

kemampuan yang dimiliki oleh otak

manusia. Penggunaan jaringan syaraf

tiruan telah dilakukan di berbagai bidang

dan wilayah prakiraan, baik pada bidang

prakiraan cuaca, prakiraan suhu udara,

serta prakiraan debit aliran sungai. Untuk

itu peramalan tinggi gelombang pada

perancanaan dermaga TUKS Baru PT.

Petrokimia di Gresik ini juga akan

menggunakan sistem JST. Jaringan syaraf

tiruan yang digunakan dalam kajian ini

menggunakan metode backpropagation

yang program-nya menggunakan

MATLAB R2010a. Menurut Anderson

(1989 dalam Fitria, 2010:11) metode

Backpropagation paling banyak dipakai

untuk melakukan prediksi nilai berdasar-

kan data time series. Data time series

pada studi ini diperoleh dari data kecepat-

an dan arah angin serta panjang fetch.

Dari data-data tersebut, maka sistem

jaringan syaraf tiruan akan mencoba

memprediksi tinggi gelombang yang

nantinya akan sangat membantu dalam

proses perencanaan dermaga TUKS baru

milik PT. Petrokimia Gresik (Persero).

Tujuan dari studi ini adalah untuk

mengetahui hasil pembangkitan

gelombang laut dengan cara analitis

menggunakan metode Jonswap, dan

metode Wilson serta hasil dari proses

pelatihan dan pengujian pada pemodelan

JST.

2 METODOLOGI STUDI

Studi ini akan meramalkan tinggi dan

periode gelombang pada perencanaan

dermaga TUKS Baru yang berada pada

pelabuhan milik PT. Petrokimia Gresik

(Persero). Pelabuhan ini terletak di Kabu-

paten Gresik, Provinsi Jawa Timur.

Lokasi Kabupaten Gresik terletak di

sebelah barat laut Kota Surabaya yang

merupakan Ibukota Provinsi Jawa Timur.

Peramalan gelombang akan dilakukan

dengan cara analitis menggunakan meto-

de Jonswap dan metode Wilson serta

dengan bantuan program komputer yang

bersistem Jaringan Syaraf Tiruan (JST).

2.1 Data yang Diperlukan

Dalam kajian ini data yang diperlu-

kan adalah sebagai berikut:

1. Peta lokasi studi. Peta ini digunakan

untuk penentuan panjang daerah

pembangkitan gelombang atau fetch.

Peta yang didapat adalah peta dengan

skala 1:2000.

2. Data kecepatan dan arah angin. Data

angin digunakan untuk memprediksi

besarnya tinggi gelombang dan

periode gelombang apabila tidak ada

data pengukuran gelombang di laut

dalam yang terjadi pada daerah studi.

Data yang digunakan merupakan

data harian mulai dari pengukuran

tahun 2002 – 2011 dan 2015 yang

diambil dari Lapangan Udara Juanda

Surabaya.

2.2 Langkah Studi

Menganalisis panjang fetch berdasar-

kan peta lokasi studi.

Mengolah data angin, dengan me-

ngoreksi data kecepatan angin ter-

hadap elevasi, lokasi serta stabi-

litasnya.

Membangkitkan data gelombang dari

data angin yang sudah terkoreksi

dengan menggunakan cara analitis

dengan dua metode pembangkitan

gelombang yaitu metode Wilson, dan

metode Jonswap.

Meramalkan gelombang mengguna-

kan pemodelan sistem jaringan

syaraf tiruan yang dalam pe-

ngerjaannya dapat menggunakan

fungsi pada MATLAB.

Membandingkan tinggi gelombang

yang didapat dengan menghitung ke-

salahan relatif yang dihasilkan dari

hasil pembangkitan gelombang seca-

ra analitis menggunakan metode

Wilson dan metode Jonswap dengan

hasil yang didapat dari pemodelan

Jaringan Syaraf

2.3 Peramalan Gelombang Mengguna-

kan Metode JONSWAP

Adapun langkah-langkah yang dila-

kukan untuk perhitungan pembangkitan

dengan metode JONSWAP adalah seba-

gai berikut (Anonim, 2010: 5-8):

1. Diketahui : UA (Wind Stress Factor),

F (Panjang Fetch efektif), dan

(durasi = waktu bertiupnya angin).

2. Kondisi :

a. Fetch Limited (FL) = Lama

hembus angin (t) > tc

b. Duration Limited (DL) = Lama

hembus angin (t) < tc

Untuk Kondisi Fetch Limited (FL):

Hitung H dari persamaan berikut:

2433,00016,0

2/1

22

AA

mo

U

gF

U

gH

Hitung T dari persamaan berikut:

134,82857,0

3/1

22

AA

p

U

gF

U

gT

3. Untuk Kondisi Duration Limited

(DL):

• Hitung Fmin dari persamaan berikut

Fmin = g

U

U

gt A

A

22/3

2.

.8,68

• Hitung H dengan menggunakan

rumus H pada Persamaan 1, dengan

nilai F=Fmin

• Hitung T dengan menggunakan

rumus T pada Persamaan 2, dengan

nilai F=Fmin

4. Nilai H dan T yang didapat dari

pembangkitan data angin tersebut

adalah:

• Nilai H → H = H1/3 = Hs = Tinggi

Gelombang Signifikan

• Nilai T → T = Tp = Periode puncak

spectrum, dimana Ts ~ 0.95 Tp (Ts =

Periode Gelombang Signifikan)

Keterangan:

td = durasi angin

Hmo = tinggi gelombang signifikan (m)

TP = periode puncak gelombang (dt)

TS = periode gelombang signifikan

(dt)

= 0,95TP

UA = 0,71 U101,23

(faktor tegangan

angin m/dt)

(1)

(2)

(3)

U10 = kecepatan angin pada ketinggian

10 m (m/dt)

F = panjang fetch (m)

2.4 Peramalan Gelombang Mengguna-

kan Metode Wilson.

Metode Wilson mengemukakan ben-

tuk persamaan pembangkitan geombang

oleh angin dengan menggunakan nilai

U10. Komponen gelombang dapat

diselesaikan dengan Persamaan 4 dan 5

berikut (Akpinar, 2014):

Hs : tinggi gelombang (m)

Ts : periode gelombang (dt)

U10 : Kecepatan angin pada elevasi +10

m (m/dt)

F : panjang fetch (m)

Nilai fetch (F) yang digunakan

tergantung pada kondisi gelombang.

Gelombang dikatakan kondisi fetch

limited ketika durasi angin (t) > tmin atau

Feff ≤ Fmin. Perhitungan tinggi dan

periode gelombang pada kondisi ini

menggunakan Persamaan 4 dan 5 dengan

nilai F merupakan nilai fetch efektif

(Feff). Sebaliknya jika kondisi termasuk

duration limited (nilai t ≤ tmin) maka

nilai fetch yang digunakan pada

Persamaan 4 dan 5 adalah nilai fetch

minimum yang dihitung menggunakan

Persamaan 6 berikut.

𝑡𝑚𝑖𝑛 = 1,0

Dengan:

F : panjang fetch (km)

𝑡𝑚𝑖𝑛 : durasi minimum (jam)

U10 : Kecepatan angin pada elevasi

+10 m (m/dt)

2.5 Langkah Pemodelan JST dengan

Matlab R2010a

Adapun langkah pemodelan dengan

JST adalah sebagai berikut:

1. Membuka MATLAB R2010a

2. Membuat variable data pada

workspace yaitu input data, target

data serta prediksi data.

3. Memasukkan data-data tersebut

dengan format numeric dan tampilan

dibuat horizontal.

4. Memanggil sistem JST dengan me-

ngetik ‘nntool’ pada command

window.

5. Mengimpor variabel data yang telah

dibuat tadi, dan sesuaikan dengan

jenis data pada data manager.

6. Membuat jaringan dengan mengklik

create pada data manager lalu

aturlah fitur-fitur sesuai yang

diinginkan.

7. Klik jaringan yang baru dibuat, lalu

masuk menu train.

8. Aturlah pelatihan yang diinginkan.

Pada kajian ini pelatihan dilakukan

dengan menggunakan 10.000 epoch

dan target MSE sebesar 10-10

.

9. Pelatihan terhenti apabila perulang-

annya mencapai 10.000 atau MSE

nya telah lebih kecil dari targetnya.

10. Setelah pelatihan berhenti grafik bisa

kita lihat pada pilihan plots.

11. Setelah grafik-grafik pada plot

tersebut cukup bagus, maka masuk

ke menu simulate. Menu ini

berfungsi untuk mengeluarkan hasil

prediksi dari proses pelatihan tadi.

12. Setelah itu masuk ke menu adapt.

Lalu adaptasikan pelatihan tersebut

kedalam output pelatihan.

13. Kemudian eksport semua output

pelatihan dan pengujian pada data

manager. Sehingga data output

pelatihan dan pengujain tersebut

akan muncul di workspace.

14. Hitung kesalahan relatif dan MSE

dari hasil pemodelan tersebut.

15. Jika telah memenuhi syarat KR <5%

maka pemodelan dilanjutkan untuk

set selanjutnya.

3 ANALISA DAN PEMBAHASAN

3.1 Distribusi Arah Angin

Penentuan persentase angin tiap arah

digunakan untuk mengetahui arah angin

(4)

(6)

yang paling dominan dan mengetahui

jumlah persentase kejadian angin selama

10 tahun dari tahun 2002-2011. Data

kecepatan angin rerata selama 10 tahun

tersebut diklasifikasikan dalam enam ke-

las dengan interval 3 m/detik berdasarkan

arah angin. Sedang data kecepatan angin

maksimum diklasifikasikan menjadi 5 ke-

las dengan interval 5 m/detik.

Pengklasifikasiannya pun dapat dili-

hat pada Tabel 1 dan Gambar 1 untuk ke-

cepatan dan arah angin rerata serta Tabel

2 dan Gambar 2 untuk kecepatan dan a-

rah angin maksimum berikut:

Tabel 1. Frekuensi Kejadian Angin Rerata

Sumber: Hasil Perhitungan

Gambar 1. Mawar Angin Perairan Gresik

untuk Data Angin Rerata 10 Tahun

Tabel 2. Frekuensi Kejadian Angin

Maksimum

Sumber: Hasil Perhitungan

Gambar 2. Mawar Angin Perairan Gresik

untuk Data Angin Maksimum 10 tahun

Dari tabel distribusi diatas dapat

dilihat bahwa angin rerata paling banyak

terdistribusi dari arah timur dengan per-

sentase kejadian sebanyak 64,50%. Begi-

tu pula pada distribusi kejadian angin

maksimum, arah timur juga paling ba-

nyak mengalami kejadian angin yaitu

sebesar 56,45%. Sedang persentase keja-

dian angin paling minimum terjadi pada

arah selatan yaitu 0,74% untuk angin

rerata, serta untuk angin maksimum

paling minimum terjadi pada arah barat

daya yaitu sebesar 1,59%.

3.2 Panjang Fetch

Fetch adalah daerah pembentukan

gelombang yang diasumsikan memiliki

kecepatan dan arah angin yang relatif

konstan. Pertama yang harus dilakukan

untuk menentukan fetch rerata efektif

adalah menggambar garis fetch pada peta

lokasi studi. Garis fetch digambar dari

titik pengamatan dengan interval 5°.

Adapun tabel perhitungan dan reka-

pitulasi panjang fetch dapat dilihat pada

Tabel 3 berikut. Tabel 3. Rekapitulasi Panjang Fetch

Sumber: Hasil Perhitungan

3.3 Rekapitulasi Tinggi dan Periode

Gelombang Metode Jonswap dan

Wilson

Setelah tinggi dan periode gelombang

dihitung, kedua hasilnya pun diban-

dingkan. Terdapat perbedaan dari hasil

tinggi dan periode gelombang yang di-

analisa menggunakan metode Jonswap

dan Wilson tersebut. Adapun rekapitulasi

tinggi dan periode gelombang setiap

tahun dari tahun 2002 hingga 2011 dan

juga tahun 2015 dapat dilihat pada Tabel

4 dan Tabel 5 berikut.

Tabel 4. Rekapitulasi Tinggi dan Periode Ge-

lombang Rerata

Sumber: Data perhitungan

Tabel 5. Rekapitulasi Tinggi dan Periode

Gelombang Maksimum

Sumber: Data perhitungan

Gelombang yang dihasilkan oleh

analisa Jonswap memiliki tinggi dan pe-

riode gelombang yang lebih besar jika di-

bandingkan dengan hasil analisa metode

Wilson. Dari rerata tahunan tinggi gelom-

bang dapat dilihat bahwa tinggi gelom-

bang rerata jonswap lebih besar 0,03 m

atau sekitar 16,5 % dan periode gelom-

bang lebih lama 0,06 detik atau sekitar

4,9% jika dibanding Wilson.

Kemudian jika dilihat dari analisa

metode Jonswap, tinggi gelombang pa-

ling maksimum terjadi pada tanggal 27

November 2003 dan 3 Februari 2004

yaitu sebesar 2,319 m. Pada hari yang

sama dengan menggunakan metode Wil-

son, tinggi gelombang juga mempunyai

ketinggian paling maksimum yaitu sebe-

sar 1,699 m. Jika dibandingkan, tinggi

gelombang maksimum metode Wilson

lebih kecil 26,7% dari hasil metode

Jonswap.

Sedang periode gelombang paling

maksimum dari metode Jonswap terjadi

pada tanggal yang sama yaitu 27

November 2003 dan 3 Februari 2004,

yaitu selama 6,018 detik sedang apabila

menggunakan metode Wilson, periode

gelombang terjadi selama 5,007 detik.

Sehingga perbedaannya hampir mencapai

1,01 detik, atau sekitar 16,8%.

3.4 Pemodelan JST dengan Matlab

Pada kajian ini sistem JST dapat di-

kelola dengan memanfaatkan fungsi pada

MATLAB R2010a. Selain cukup mudah

digunakan oleh pengguna, software ini

juga memiliki berbagai pilihan dalam al-

goritma pembelajaran misalnya percep-

tron, back-propagation dan lain seba-

gainya. Algoritma terbaik yang sering di-

pakai adalah backpropagation. Langkah

awal dalam pemodelan ini adalah mema-

sukkan input data pelatiahan, target data

pelatihan serta prediksi data untuk pengu-

jian. Adapun variabel input data meliputi:

x1 = Tegangan angin rerata (UA rerata)

untuk JST-Jonswap dan koreksi

angin terhadap elevasi (U10 rerata)

untuk JST-Wilson.

x2 = Tegangan angin maksimum (UA

maks) untuk JST-Jonswap dan

koreksi angin terhadap elevasi (U10

maks) untuk JST-Wilson.

x3 = Arah angin rerata

x4 = Arah angin maksimum

x5 = Fetch rerata

x6 = Fetch maksimum

Dan variabel output data meliputi:

o1 = Tinggi gelombang (Hs)

o2 = Periode gelombang (Ts)

Pada tahap pelatihan dan pengujian

jaringan, data input dan data prediksi

terdiri dari komponen data yang sama

yaitu x1, x2 hingga x6, yang membeda-

kannya hanya dari tahun saja yang di-

sesuaikan dengan tahun yang akan dilatih

dan diuji. Ada 3 set pelatihan dan

pengujian yang dilakukan yaitu: Set 1: training 2002-2006 prediksi 2007-2009

Set 2: training 2002-2009 prediksi 2010-2011

Set 3: training 2002-2011 prediksi: 2015

Perlu diingat bahwa hasil dari

prediksi set sebelumnya akan dijadikan

inputan data pada tahap pelatihan set

selanjutnya. Adapun untuk data target

disetiap pelatihan adalah berisi kompo-

nen variabel output o1 dan o2, yang

merupakan hasil perhitungan dengan me-

tode analitis yang dipilih yaitu Hs dan Ts

hasil metode Jonswap ataupun Wilson.

Setelah kedua jaringan dengan ma-

sing-masing 3 set dibentuk, dengan cara

yang sama dibuat jaringan baru namun

dengan mengganti input x1 dan x2 yang

semula UA rerata dan UA maksimum

menjadi kecepatan angin (U) rerata dan

maksimum. Kemudian dari kesemua ja-

ringan yang terbentuk, bandingkan hasil

Kesalahan Relatif (KR) dan hasil Mean

Suared Error (MSE) nya sehingga dida-

patkan jaringan yang terbaik.

3.5 Hasil KR dan MSE Tahap Pelatih-

an

Hasil tahap pelatihan pada kedua me-

tode kemudian dibandingkan dengan

tinggi dan periode gelombang metode

Jonswap dan Wilson. Keberhasilan tahap

pelatihan dapat dilihat dari nilai Kesalah-

an Relatif (KR) dibawah 5% dan Mean

Suared Error (MSE) nya medekati 10-10

.

KR dihitung menggunakan Persamaan

(7) berikut (Hasibun,2007:40):

dengan:

Kr = kesalahan relatif (%)

Xa = nilai asli (Hs dan Ts cara anali-

tis)

Xb = aproksimasi (Hs dan Ts hasil

pemodelan)

MSE dihitung menggunakan

Persamaan 8 berikut (Winita, 2011:6):

Dengan:

Yt : nilai aktual pada periode waktu t.

Ŷ’t : nilai ramalan untuk periode waktu t.

n : Jumlah data

Rekapitulasi hasil perbandingan

antara pelatihan JST dan metode Jonswap

dapat dilihat pada Tabel 6 berikut:

(7)

(8)

Tabel 6. Perbandingan KR dan MSE pada pemodelan JST-Jonswap dengan U dan UA

Sumber: Hasil Perhitungan

Dengan melihat perhitungan diatas,

hasil pelatihan JST-Jonswap-U memiliki

nilai KR lebih kecil jika dibandingkan

dengan KR hasil pelatihan JST-Jonswap-

UA. Nilai KR rerata Hs dan Ts JST-

Jonswap-UA adalah sebesar 1,20% dan

0,26% sedang nilai KR rerata Hs dan Ts

JST-Jonswap-U hanya sebesar 0,33% dan

0,05%. Begitu pula dengan perbandingan

hasil MSE diatas, tabel tersebut me-

nunjukkan bahwa MSE Hs dan Ts dari

tahap pelatihan JST-Jonswap-U juga me-

miliki nilai yang lebih kecil. MSE Hs dan

Ts JST-Jonswap-U hanya sebesar 5,07x

10-6

dan 3,33 x 10-6

sedang untuk hasil

pelatihan Hs dan Ts JST- Jonswap-UA

adalah sebesar 3,42x10-5

dan 5,9 x10-5

.

Kedua model dapat dikatakan berhasil

karena telah mencapai target nilai KR <

5% dan MSE mendekati 10-10

.

Sedang untuk jaringan yang meng-

gunakan metode Wilson untuk targetnya,

maka KR dna MSE dapat dilihat pada

tahap pelatihan dapat dilihat pada Tabel 7

berikut.

Tabel 7. Perbandingan KR dan MSE pada pemodelan JST-Wilson dengan U dan U10

Sumber: Hasil Perhitungan

Melihat perhitungan diatas, hasil

pelatihan JST-Wilson-U juga memiliki

nilai KR lebih kecil jika dibandingkan

dengan KR hasil pelatihan JST-Wilson-

U10. Nilai KR rerata Hs dan Ts JST-

Wilson-U10 adalah sebesar 0,97% dan

0,15% sedang nilai KR rerata Hs dan Ts

JST-Wilson-U hanya sebesar 0,52% dan

0,07%. Begitu pula dengan perbandingan

hasil MSE diatas, tabel tersebut me-

nunjukkan bahwa MSE Hs dan Ts dari

tahap pelatihan JST-Wilson-U juga me-

miliki nilai yang lebih kecil. MSE Hs dan

Ts JST-Wilson-U hanya sebesar 4,13x

10-6

dan 1,24 x 10-5

sedang untuk hasil

pelatihan Hs dan Ts JST- Wilson-U10

adalah sebesar 1,06x10-5

dan 3,2 x 10-5

.

Dengan melihat nilai KR dan MSE

dari pelatihan tersebut dapat ditarik ke-

simpulan bahwa pemodelan mengguna-

kan Jaringan Syaraf Tiruan ini cukup

berhasil karena nilai rerata KRnya masih

dibawah 5% dan nilai MSEnya juga

sudah mendekati 10-10

. Dan jika

dibandingkan nilai KR dan MSE pemo-

delan dengan input kecepatan angin (U)

lebih kecil dari pada pemodelan dengan

menginputkan tegangan angin (U10).

3.6 Hasil Perhitungan KR dan MSE

Tahap Pengujian

Ketika tahap pelatihan dapat dikata-

kan berhasil dengan melihat nilai KR dan

MSE nya, maka jaringan bisa dilanjutkan

ketahap prediksi untuk tahun selanjutnya.

Adapun hasil prediksi pada pemodelan

yang menggunakan kecepatan angin (U)

dan tegangan angin (UA) dalam meng-

inputkan datanya dapat kita lihat pada

Tabel 8 berikut.

Tabel 8. Rekapitulasi KR dan MSE Hasil Pengujian Pemodelan JST dengan U dan UA/U10

Sumber: Hasil Perhitungan

Dari perhitugan rekapitulasi KR re-

rata diatas, hasil prediksi pemodelan JST-

Jonswap-U dan JST-Wilson-U memiliki

nilai KR lebih kecil dari hasil prediksi

pemodelan dengan menggunakan UA

ataupun U10. Nilai KR prediksi gelom-

bang hasil pemodelan JST-Jonswap-U

adalah sebesar 0,28% untuk Hs dan

0,05% untuk Ts dengan MSE sebesar 9,4

x 10-7

dan 1,5x10-6

. Sedang KR Hs dan

Ts JST-Jonswap-UA adalah sebesar1,15%

dan 0,26% dengan nilai MSEnya sebesar

5,8 x 10-5

dan 3,7 x 10-4

. Begitu pula de-

ngan JST-Wilson, pemodelan dengan

menginputkan langsung nilai kecepatan

angin (U) memiliki nilai KR dan MSE

lebih kecil dari pada jika menginputkan

nilai koreksi angin terhadap elevasi (U10)

nya. KR Hs dan Ts JST-Wilson-U hanya

sebesar 0,60% dan 0,07% dengan MSE

sebesar 2,8 x 10-6

dan 9,9 x 10-6

. Sedang

KR Hs dan Ts JST-Wilson-U10 adalah

sebesar 0,87% dan 0,15% dengan nilai

MSEnya sebesar 6,7 x 10-6

dan 2,7 x 10-5

.

Kecilnya nilai KR dan MSE prediksi

tersebut menunjukkan bahwa tinggi dan

periode gelombang yang dihasilkan oleh

pemodelan jaringan syaraf tiruan ini

sudah hampir menyamai analisa yang

dilakukan oleh kedua metode analitis

yaitu metode Jonswap dan Wilson.

4 KESIMPULAN DAN SARAN

Dari hasil perhitungan dan analisa

data pada bab sebelumnya, terdapat hal-

hal yang dapat disimpulkan sebagai

berikut:

1. Metode yang dipakai dalam pem-

bangkitkan gelombang pada kajian

ini adalah metode Wilson dan

metode Jonswap (Joint North Sea

Wave Program). Terdapat perbedaan

hasil tinggi dan periode gelombang

dari kedua metode tersebut. Tinggi

gelombang rerata metode Wilson

lebih kecil 16,5% dan periodenya

juga lebih kecil 4,9% dibanding ting-

gi dan periode gelombang rerata

Jonswap. Tinggi gelombang rerata

metode Jonswap adalah sebesar

0,176 m dengan periode selama 1,21

detik. Sedang tinggi gelombang rera-

ta metode Wilson adalah sebesar

0,15 m selama 1,15 detik. Jika dilihat

dari gelombang maksimum yang

dihasilkan, tinggi gelombang mak-

simum metode Jonswap terjadi pada

tanggal 27 November 2003 dan 3

Februari 2004 yaitu sebesar 2,32 m

dengan periode terjadinya selama

6,02 detik. Pada hari yang sama

gelombang maksimum metode Wil-

son juga terjadi yaitu sebesar 1,70 m

dengan periodenya 5,01 detik. Jika

dilihat dari perbandingan tinggi dan

periode gelombang maksimum ter-

sebut, metode Wilson juga memiliki

tinggi maksimum lebih kecil 26,7%

dan periode lebih kecil 16,8% dari

tinggi dan periode gelombang mak-

simum yang dihasilkan oleh metode

Jonswap.

2. Tinggi dan periode gelombang pada

tahap pelatihan Jaringan Syaraf

Tiruan (JST) cukup baik, ditandai

dengan nilai Kesalahan Relatif (KR)

pada model yang lebih kecil dari 5%

dan nilai Mean Squared Error

(MSE) nya yang mendekati 10-10

.

Pemodelan yang targetnya adalah

Jonswao dan inputnya menggunakan

kecepatan angin (U), mempunyai KR

dan MSE paling kecil jika

dibandingkan dengan dengan pe-

modelan yang menginputkan tegang-

an angin (UA) dan pemodelan yang

menggunakan Wilson sebagai tar-

getnya. Adapun nilai KR dan MSE

hasil pelatihan adalah sebagai

berikut:

KR rerata Hs dan Ts JST-Wilson-U10

= 0,97% dan 0,15%

MSE Hs dan Ts JST-Wilson-U10

= 1,06x10-5

dan 3,2 x 10-5

KR rerata Hs dan Ts JST-Wilson-U

= 0,52% dan 0,07%

MSE Hs dan Ts JST-Wilson-U =

4,13x10-6

dan 1,24x10-5

KRrerata Hsdan Ts JST-Jonswap-UA

= 1,20% dan 0,26%

MSE Hs dan Ts JST-Jonswap-UA

= 3,42x10-5

dan 5,9 x10-5

KR rerata Hs dan Ts JST-Jonswap-U

= 0,33% dan 0,05%

MSE Hs dan Ts JST-Jonswap-U

= 5,07x10-6

dan 3,33x10-6

.

3. Hasil prediksi JST pada kedua meto-

de sangat baik, ditandai dengan telah

tercapainya target KR yang kurang

dari 5% dan MSE yang mendekati

10-10

pada pemodelan tersebut. Jika

dibandingkan, prediksi model JST-

Jonswap-U memiliki nilai KR dan

MSE paling kecil dibanding hasil

prediksi pemodelan lainnya. Nilai

KR dan MSE hasil prediksi model

adalah sebagai berikut:

KR rerata Hs dan Ts JST-Wilson-U10

= 0,87% dan 0,15%

MSE Hs dan Ts JST-Wilson-U10

= 6,7 x 10-6

dan 2,7 x 10-5

KR rerata Hs dan Ts JST-Wilson-U

= 0,60% dan 0,07%

MSE Hs dan Ts JST-Wilson-U

= 2,8 x 10-6

dan 9,9 x 10-6

KRrerata Hsdan Ts JST-Jonswap-UA

= 1,15% dan 0,26%

MSE Hs dan Ts JST-Jonswap-UA

= 5,8 x 10-5

dan 3,7 x 10-4

KR rerata Hs dan Ts JST-Jonswap-U

= 0,28% dan 0,05%

MSE Hs dan Ts JST-Jonswap-U

= 9,4 x 10-7

dan 1,5x10-6

Dari hasil kajian studi yang dilaku-

kan ada beberapa saran yang diajukan

penyusun agar studi selanjutnya bisa

lebih baik, antara lain:

Keberadaan data asli yang diambil di

lapangan akan sangat membantu da-

lam penentuan metode pembangkitan

gelombang yang tepat pada daerah

studi. Selain itu kajian yang lebih

mendalam terhadap metode pem-

bangkitan gelombang bisa dilakukan

untuk memecahkan faktor penyebab

adanya perbedaan terhadap tinggi

dan periode gelombang yang dihasil-

kan.

Kajian ini juga perlu dilanjutkan

dengan menggunakan arsitektur dan

parameter yang berbeda dari yang

penyusun lakukan. Dengan lebih ba-

nyak variasi pemodelan JST, diha-

rapkan dapat menghasilkan model

jaringan yang lebih optimal.

Penelitian lebih lanjut diharapkan

mampu mengaplikasikan jaringan

syaraf tiruan kedalam metode-

metode lain dengan data yang

berbeda dan dengan program yang

berbeda pula, sehingga menambah

khasanah keilmuan.

DAFTAR PUSTAKA

Akpinar, Adem. 2014. Performance Eva-

luation of Parametric Models

in the Hindcasting of Wave Pa-

rameters Along The South

Coast of Black Sea. Indian

Journal of Marine Sciences.

899-914.

Anonim. 2010. Modul Peningkatan Ke-

mampuan Perencanaan Tek-nis

Pengaman Pantai. Jakarta Sela-

tan: Kementerian Pekerjaan

Umum Direktorat Jederal Sum-

ber Daya Air Direktorat Rawa

dan Pantai.

Hasibuan, Zainal A. PhD. 2007.

Metodologi Penelitian Pada

Bidang Ilmu Komputer Dan

Teknologi Informasi. Depok:

Fasilkom Universitas Indonesia

Winita. 2011. Pemilihan Teknik

Peramalan dan Penentuan Ke-

salahan Peramalan. http://wini-

ta.staff.mipa.uns.ac.id.[Online]

2011. [Dikutip: 16 11 2015.]

http://winita.staff.mipa.uns.ac.i

d/files/2011/09/pemilihan-

teknik-peramalan.pdf.

Yunanti, Fitria. 2010. Aplikasi Jaringan

Syaraf Tiruan untuk Mempre-

diksi Prestasi Siswa SMU

dengan Metode Backpropaga-

tion. Yogyakarta