57
BAB 4 IMPLEMENTASI DAN EVALUASI
Dalam bab ini, selain menjelaskan mengenai kebutuhan minimum untuk perangkat keras dan perangkat lunak yang digunakan untuk pemakaian aplikasi yang dihasilkan, juga akan dijelaskan mengenai langkah-langkah dalam menjalankan aplikasi dan hasil evaluasi yang didapat.
4.1
Spesifikasi Kebutuhan Program
4.1.1
Spesifikasi Perangkat Keras Untuk dapat menjalankan aplikasi program ini, minimal perangkat keras yang dibutuhkan yaitu : a.
Prosesor Pentium IV 1,7 GHz
b. Memory DDR2 512 MB c.
Hardisk Maxtor 80 GB
d. Monitor 17` e.
4.1.2
Keyboard dan Mouse
Spesifikasi Perangkat Lunak Spesifikasi yang disarankan untuk menjalankan aplikasi ini yaitu : a.
OS Windows XP Service Pack 3
b.
Microsoft Visual Studio 2008
c.
.NET Framework 3.0
58
4.2
Pengoperasian Program Aplikasi
4.2.1 Cara Pengoperasian Load Data Ketika pengguna akan menjalankan program pada awalnya, maka tampilan yang akan dihasilkan adalah menu prediksi curah hujan seperti gambar dibawah ini.
Gambar 4.1 Tampilan Layar Peramalan Program
Pada menu layar utama terdapat 10 tombol yang dapat digunakan untuk melakukan proses prediksi curah hujan. Kegunaan yang akan didapatkan ketika tombol – tombol itu ditekan adalah :
59
a. Tombol “Load Data” untuk menampilkan layar Load Data yang berguna untuk memilih data yang akan ditraining. b. Tombol “Create Network” untuk membuat Network yang akan digunakan dalam proses training. c. Tombol “Start Training With Current Data” untuk memulai proses training. d. Tombol “Load Network” untuk memanggil Network yang pernah disimpan. e. Tombol “Save Network” untuk menyimpan Network yang telah dibuat. f.
Tombol “Load Test Data” untuk menampilkan Layar Load Test Data dan memilih data yang akan diuji.
g. Tombol “Run Test With Current Network And Data” untuk melakukan proses prediksi. h. Tombol “Clear” untuk membersihkan layar tampilan baik didalam bagian Data Training maupun Data Test. i.
Tombol “Hasil” untuk menampilkan layar Hasil Prediksi
Ketika pertama kali program berjalan, tombol yang bisa user tekan hanya tombol “Load Data” karena belum terdapat data curah hujan yang akan di training. Selain tombol “Load Data” tombol lainnya dalam keadaan tidak aktif. Bila pengguna ingin membuka file data yang akan ditraining, maka dapat menggunakan tombol “Load Data”, yang kemudian akan masuk kedalam jendela
60
untuk memilih file notepad yang akan digunakan untuk data training. Untuk lebih jelasnya dapat dilihat pada Gambar 4.2.
Gambar 4.2 Tampilan Layar Load Data Gambar 4.3 menggambarkan contoh format file “inputoutput.txt" yang dapat dipanggil untuk dijalankan dalam program. Format yang dapat dibaca dalam program ini adalah : a. Pada baris pertama. Angka pertama menunjukkan berapa data yang akan di training, angka berikutnya menandakan berapa jumlah nilai input yang akan digunakan, dan terakhir berapa jumlah nilai output yang akan didapatkan. b. Pada baris kedua dan seterusnya, terdapat 7 kolom nilai yang dimasukkan. Kolom 1 – 6 merupakan nilai input dari data yang akan ditraining yang ditunjukkan oleh nilai norm no bulan, bulan ke-1,
61
bulan ke-2, bulan ke-3, Anomali SST dan SOI pada layar utama dan kolom 7 nilai output yang didapatkan yang ditunjukkan oleh nilai Y pada layar utama. c. Baik nilai input dan output telah melakukan proses normalisasi agar dapat digunakan didalam metode Back Propagation dan sudah dijelaskan pada Bab sebelumnya dari mana nilai normalisasi ini berasal.
Gambar 4.3 Tampilan Contoh Format File Load Data Jika user menekan tombol “Open” setelah memilih data yang akan digunakan dalam proses training maka file akan dimasukkan kedalam program dan ditampilkan kedalam kotak data training seperti pada Gambar 4.4. Kemudian tombol “Clear” pada bagian data training, tombol “Create Network”
62
dan Tombol “Load Network” pada layar utama akan diaktifkan. Dengan menekan tombol “Cancel” pada layar ini akan menutup layar “Load Data.”
Gambar 4.4 Tampilan Layar Hasil Load Data Tombol “Clear” akan membersihkan layar pada data training dan user dapat mengulang kembali dalam memanggil data. Tombol “Load Network” diaktifkan agar user dapat memanggil Network yang pernah disimpan sehingga tidak perlu lagi membuat network yang baru.
63
4.2.2
Cara Pengoperasian Setting Network dan Training Gambar 4.5 adalah tampilan layar “Setting Network” dimana user dapat menentukan sendiri setting network yang akan digunakan untuk proses training, menentukan nilai dari Learning Rate, Momentum, dan Sigmoid Alpha yang diinginkan dalam membuat Network. Nilai awal dari ke-3 parameter tersebut adalah 0,1 untuk Learning Rate, 0 untuk Momentum, dan 2 untuk Sigmoid Alpha. Ketika Tombol “Create Network” ditekan maka user telah membuat sebuah Network baru dan tombol “Start Training With Current Data” akan diakifkan.
Gambar 4.5 Tampilan Layar Setting Network Sesudah user membuat network baru atau memanggil network yang pernah dibuat, maka tombol “Start Training With Current Data” dapat digunakan. Gambar 4.6 adalah tampilan layar Training dimana user dapat melakukan proses training terhadap data yang telah dipilih dan network yang telah dibuat. User dapat menentukan sendiri berapa Iterations yang harus dilakukan oleh program. Nilai awal yang diberikan untuk Interations adalah 1000.
64
Ketika tombol “Start Training With Current Data” ditekan maka proses training akan berjalan, dan hasilnya pada kotak Learning error akan terlihat berapa nilai error yang didapat dari proses training, dan bersamaan dengan itu tombol “Save Network” dan “Load Test Data” akan diaktifkan. Jika tombol “Start Training With Current Data” ditekan berulang – ulang, maka program akan melakukan proses training yang berulang dengan data training, network, dan iterations yang sama dan hal ini akan menghasilkan nilai learning error yang semakin kecil. Untuk lebih jelas melihat hasil yang didapat perhatikan Gambar 4.6 b dan Gambar 4.6 c
(a)
(b)
(c) Gambar 4.6 Tampilan Layar Training, (a) Sebelum Proses Training (b) Setelah Proses Training (c) Setelah Proses training dilakukan 5 kali
65
4.2.3
Cara Pengoperasian Save dan Load Network Gambar 4.7 adalah tampilan layar “Save Network” dimana user dapat menyimpan network yang telah dibuat dengan menekan tombol “Save Network” dan memanggilnya kembali dengan tombol Load Network. Hal ini untuk memudahkan user yang ingin melakukan proses training tetapi dengan network yang telah dibuat. Tekan “Save” untuk menyimpan network dan kembali ke layar utama. Gambar 4.8 adalah tampilan layar Load Network dimana user dapat memanggil kembali network yang pernah dibuat dan digunakan. ketika user sudah memilih file yang akan dipanggil, tekan tombol Open dan kembali ke layar utama dengan membawa nilai learning rate, momentum, dan sigmoid alpha yang dikehendaki.
Gambar 4.7 Tampilan Layar Save Network
66
Gambar 4.8 Tampilan Layar Load Network
4.2.4
Cara Pengoperasian Hitung Prediksi Gambar 4.9 adalah tampilan layar ketika pengguna selesai menjalankan tombol training dan mendapatkan nilai learning error dari proses training. Dalam kondisi ini user bisa menekan tombol “Load Test Data” yang telah diaktifkan, namun tombol “Run Test With Current Network And Data”, ”Clear”, dan “Hasil” belum aktif karena belum terdapat data yang akan diuji.
67
Gambar 4.9 Tampilan Layar Setelah Setting Network
Bila user ingin membuka file data yang akan diuji, maka dapat menggunakan tombol “Load Test Data”, yang kemudian akan masuk kedalam jendela untuk memilih file notepad yang akan digunakan untuk uji data. Untuk lebih jelasnya dapat dilihat pada Gambar 4.10
68
Gambar 4.10 Tampilan Layar Load Data Test
Sama dengan format file yang digunakan untuk data training, maka didalam file data test juga terdapat sedikit perbedaan dalam format filenya dibanding dengan data training Gambar 4.11 menggambarkan contoh format file “test.txt" yang dapat dipanggil untuk dijalankan dalam program. Format yang dapat dibaca dalam program ini adalah : a. Pada baris pertama. Angka pertama menunjukkan berapa data yang akan di uji, angka berikutnya menandakan berapa jumlah nilai input yang akan digunakan, dan disini tidak terdapat nilai output, karena nilai output akan didapatkan dari hasil prediksi setelah menekan tombol “Run Test With Current Network And Data”. b. Pada baris kedua, terdapat 6 kolom nilai yang dimasukkan. Kolom 1 – 6 merupakan nilai input dari data yang akan diuji dan ditunjukkan
69
oleh nilai nilai norm no bulan, bulan ke-1, bulan ke-2, bulan ke-3, Anomali SST dan SOI pada layar program. c. Nilai input disini juga telah melakukan proses normalisasi agar dapat digunakan didalam metode Back Propagation.
Gambar 4.11 Tampilan Contoh Format File Test Data
Jika user telah memilih file mana yang akan diuji, makan tekan tombol “Open” maka file akan dimasukkan kedalam program dan ditampilkan kedalam kotak data test seperti pada Gambar 4.12. Kemudian tombol “Clear” pada bagian data test dan tombol “Run Test With Current Network And Data” pada layar utama akan diaktifkan. Dengan menekan tombol “Cancel” pada layar ini akan menutup layar “Load Data Test.”
70
Gambar 4.12 Tampilan Layar Hasil Load Data Test Tombol “Clear” digunakan untuk membersihkan layar pada bagian data test dan user dapat kembali memanggil data yang akan ditest. Untuk melakukan proses prediksi dari data yang sudah dipilih untuk diuji, maka tekan tombol “Run Test With Current Network And Data” Gambar 4.13 adalah tampilan layar setelah melalui proses running program dan mendapatkan hasil prediksi berupa nilai output yang terlihat pada kolom “Y” yang merupakan nilai norm dari hasil prediksi dan kolom “Y Real” yang merupakan nilai prediksi curah hujannya. Nilai yang terdapat pada kolom
71
ini merupakan hasil prediksi dari data yang kita ingin uji dan ramalkan. Ketika selesai proses prediksi, maka tombol “Hasil” pada layar utama akan aktif.
Gambar 4.13 Tampilan Layar Hasil Running
4.2.5 Cara Pengoperasian Hasil Prediksi Jika user ingin mengetahui secara jelas perbandingan antara hasil prediksi curah hujan bulan tertentu dengan data curah hujan aktual bulan yang sama, pengguna dapat menekan tombol “Hasil”.
72
Gambar 4.13 adalah tampilan layar hasil dimana user dapat membandingkan nilai dari hasil prediksi dengan data aktualnya. Pada jendela menu Hasil terdapat 3 tombol yang dapat digunakan, yaitu : a.
Tombol “Load Data” untuk menampilkan data curah hujan aktual.
b.
Tombol “Banding” untuk memberikan nilai selisih dari data hasil prediksi dengan data aktual.
c.
Tombol “Close” untuk kembali ke layar utama.
Disisi kiri dari jendela hasil merupakan hasil dari prediksi yang didapatkan, dibagian tengah merupakan data aktual yang didapat ketika user menekan tombol Load Data, dan di bagian kiri merupakan hasil selisih dari nilai data prediksi dengan nilai data aktual yang didapatkan dengan menekan tombol Banding.
Gambar 4.14 Tampilan Layar Hasil Banding
73
4.2.6 Cara Pengoperasian About Pertama-tama tekan menu Help lalu pilih menu About, maka akan ditampilkan suatu jendela baru yang berisi tentang data pembuat program ini. Tekan tombol close untuk kembali ke layar utama.
4.3
Gambar 4.15 Tampilan Layar About
Analisis dan Evaluasi Aplikasi Analisis dari aplikasi prediksi curah hujan ini adalah dengan membandingkan ketepatan hasil peramalan, kesesuaian antara model dengan data aktual dan tingkat keakurasian dalam waktu yang cukup panjang. Aplikasi ini dijalankan dengan mengambil data curah hujan dari stasiun iklim daerah Kabupaten Baros, Serang. Data yang diambil berupa data bulanan dari bulan Januari tahun 1990 – Desember tahun 2002. Data curah hujan didapat dari Balai Penelitian Agroklimat dan Hidrologi (Balitklimat), kemudian data yang ada disesuaikan kedalam bentuk file notepad agar dapat dibaca dengan benar sebagai sumber data curah hujan oleh aplikasi program. Analisis yang dilakukan adalah dengan menggunakan 6 parameter sebagai nilai input yang dimasukkan kedalam input layer. Prediksi yang
74
dilakukan dengan melakukan training terhadap data lampau, sebagai pembentuk model yang akan digunakan untuk dasar dari proses training. Data yang diambil untuk proses training adalah data curah hujan dari tahun 1990 – 2002. Untuk melakukan proses prediksi dapat dilakukan perbulan atau langsung 1 tahun, karena nilai prediksi yang dihasilkan pada bulan pertama dari awal prediksi merupakan parameter input untuk memprediksi bulan berikutnya, sehingga ada saling keterkaitan antara hasil prediksi di bulan pertama dengan di bulan ke dua. Setiap data curah hujan yang akan diprediksi membutuhkan minimal data curah hujan tiga bulan sebelumnya. Di daerah Baros, Serang, data curah hujan yang digunakan sebanyak 156 data bulanan. Aplikasi yang akan dijalankan akan memprediksi curah hujan di tahun 2003. Hasil implementasi untuk daerah Baros dengan jumlah data 156 dan waktu peramalan selama 1 tahun kedepan dengan menggunakan learning rate 0,1, sigmoid alpha 2, banyaknya iterasi 5000 dan jumlah hidden layernya 6 buah. Hasilnya dapat dilihat dari tabel 4.1 Tabel 4.1 Hasil Prediksi untuk wilayah Baros tahun 2003 CH Aktual
Norm CH Norm CH CH Prediksi Selisih Aktual Prediksi
Januari 03
24
0.048
0.056
28
4
Februari 03
143
0.287
0.062
31
112
Maret 03
104
0.209
0.160
80
24
April 03
36
0.072
0.082
41
5
Mei 03
53
0.106
0.084
42
11
Juni 03
97
0.195
0.140
70
27
75
Juli 03
22
0.044
0.092
46
24
Agustus 03
10
0.020
0.090
45
35
September 03 56
0.112
0.122
61
5
Oktober 03
0.350
0.092
46
128
November 03 88
0.177
0.090
45
43
Desember 03
204
0.410
0.104
52
152
Total
1011
587
570
Rata - Rata
84,25
48,9
47,5
%
8,3%
174
4,6%
Dari tabel diatas, Nilai Norm Curah Hujan Aktual adalah nilai yang didapat dari perhitungan dari nilai Curah Hujan Aktual, yaitu : CH Aktual – Min (CH Training) / (Max (CH Training) – Min (CH Training)) Curah hujan training adalah nilai dari data curah hujan yang akan ditraining, dalam hal ini adalah data curah hujan daerah baros dalam kurun waktu 1990 – 2002. Dari tabel 4.1 diatas dapat dilihat bahwa terdapat besarnya penyimpangan adalah :
Untuk membandingkan penggunaan learning rate, sigmoid alpa, iterasi dan jumlah hidden layer yang menghasilkan penyimpangan terbaik maka dilakukan 5 kali uji coba yang hasilnya ditampilkan dalam tabel 4.2 dibawah ini.
76
Tabel 4.2 Hasil percobaan prediksi dengan jumlah hidden layer berbeda Percobaan
Learning
Sigmoid
Rate
Alpha
1
0,1
2
2
0,1
3
Iterasi
Jumlah
Hidden %
Layer
Penyimpangan
5
5
57,8%
2
5
6
55,4%
0,1
2
5
7
55,4%
4
0,1
2
5
8
57,8%
5
0,1
2
5
9
57,8%
Jika dilihat dari nilai selisih antara Curah Hujan Aktual dengan Curah Hujan Prediksi dan hasil dari tabel 4.2, memiliki nilai selisih yang relatif cukup besar hingga 1 tahun kedepan yaitu diantara 55% - 58%. Hal ini disebabkan karena kurangnya data training sehingga membuat jarak yang cukup besar diantara curah hujan prediksi dengan curah hujan actual. Untuk lebih jelasnya dapat dilihat dari Gambar 4.16
Gambar 4.16 Hubungan antara Norm CH Aktual dengan Norm CH Prediksi
77
4.3.1 Data Training Dibawah ini merupakan data curah hujan dari daerah Baros, Banten dari tahun 1990 – 1994, 1995 – 1999, 2000 – 2002 yang disajikan dalam bentuk grafik
Gambar 4.17 Data Curah Hujan daerah Baros, Banten tahun 1990 – 1994
Gambar 4.18 Data Curah Hujan daerah Baros, Banten tahun 1995 - 1999
78
Gambar 4.19 Data Curah Hujan daerah Baros, Banten tahun 2000 - 2002
