BAB 4 IMPLEMENTASI DAN EVALUASI
Bab ini selain menjelaskan mengenai kebutuhan minimum untuk perangkat keras dan perangkat lunak yang digunakan untuk pemakaian aplikasi yang dihasilkan, juga dijelaskan langkah-langkah dalam menjalankan aplikasi dan hasil evaluasi yang didapat.
4.1.
Spesifikasi Kebutuhan Program
4.1.1. Spesifikasi Perangkat Keras Spesifikasi perangkat keras yang dianjurkan adalah : a. Processor Intel Pentium 4 Celeron 2.40 GHz. b. Harddisk Seagate 80 GB. c. Memory DDRRAM 512 MB.
4.1.2. Spesifikasi Perangkat Lunak Spesifikasi perangkat lunak yang dianjurkan adalah sistem operasi Microsoft Windows XP Professional Version 2002 Service Pack 2.
4.2.
Menjalankan Program Aplikasi Gambar 4.1 adalah tampilan layar pertama kali ketika program “Aplikasi
Peramalan Curah Hujan Dengan Metode Wavelet” dijalankan. Tekan tombol “Start” untuk menampilkan layar Main Menu seperti pada Gambar 4.2 agar dapat menggunakan fungsi-fungsi yang tersedia.
75
Gambar 4.1 Tampilan Layar Welcome
Gambar 4.2 Tampilan Layar Main Menu
76 Pada layar Main Menu, terdapat 8 pilihan tombol. Fungsi-fungsi yang akan dijalankan ketika tombol-tombol tersebut ditekan adalah : a.
Menekan tombol “Load Signal” untuk menampilkan layar Load Signal.
b.
Menekan tombol “Wavelet Settings” untuk menampilkan layar Wavelet Settings.
c.
Menekan tombol “Transform” untuk menampilkan layar Transform.
d.
Menekan tombol “View Component” untuk menampilkan layar View Component.
e.
Menekan tombol “Wavelet Info” untuk menampilkan layar Wavelet Info.
f.
Menekan tombol “Save Result” untuk menampilkan layar Save Result.
g.
Menekan tombol “About” untuk menampilkan layar About.
h.
Menekan tombol “Exit” untuk keluar dari aplikasi.
Ketika pertama kali dijalankan, tombol yang dapat dipilih oleh user hanyalah tombol “Load Signal” karena belum ada data curah hujan yang dapat diproses oleh aplikasi. Tombol “Wavelet Settings”, “Transform”, “View Component”, “Wavelet Info” dan “Save Result” berada dalam keadaan tidak aktif. Pada layar Load Signal, terdapat tiga pilihan tombol seperti yang terdapat pada Gambar 4.3, dengan fungsi sebagai berikut : a. Menekan tombol “Open” untuk menampilkan layar Open. b. Menekan tombol “Example” untuk menampilkan layar Example. c. Menekan tombol “Close” untuk kembali ke layar Main Menu.
77
Gambar 4.3 Tampilan Layar Load Signal
Gambar 4.4 adalah tampilan layar Load Signal dimana user dapat memilih file excel yang akan dibaca dan ditampung datanya dalam aplikasi. Jika user menekan tombol “Open”, maka data pada file excel tersebut akan dibaca aplikasi dan ditampilkan pada layar Load Signal. Namun jika user menekan tombol “Cancel”, aplikasi tidak akan membaca dan tidak menampilkan data pada file excel yang dipilih oleh user.
78
Gambar 4.4 Tampilan Layar Open
Contoh format file excel untuk data curah hujan dasarian dapat dilihat pada layar Example seperti pada Gambar 4.5. Menekan tombol “Close” pada layar Example ini akan menutup layar Example.
79
Gambar 4.5 Tampilan Layar Example
Ketika user menekan tombol “Close” pada layar Load Signal, maka data file excel pada layar akan ditampung didalam aplikasi dan ditampilkan dalam bentuk grafik pada layar Main Menu. Kemudian tombol “Wavelet Settings” pada layar Main Menu diaktifkan. Gambar 4.6 adalah tampilan layar Wavelet Settings dimana user dapat menentukan rentang waktu data curah hujan yang akan digunakan dalam transformasi Wavelet, menentukan banyak data curah hujan (dalam satuan waktu bulanan) yang ingin diramalkan dan ordo dari model AR yang digunakan untuk peramalan tersebut. End
80 adalah batas akhir rentang waktu data curah hujan. Set adalah banyak data curah hujan. Begin adalah batas awal rentang waktu data curah hujan. Menekan tombol “Default” akan mengembalikan nilai-nilai pada layar Wavelet Settings tersebut kembali ke nilai awal ketika pertama kali ditampilkan. Ketika menekan tombol “OK”, maka layar Wavelet Settings akan ditutup dan tombol “Transform” pada layar Main Menu diaktifkan.
Gambar 4.6 Tampilan Layar Wavelet Settings
Layar Transform seperti pada Gambar 4.7 ditampilkan ketika user menekan tombol “Transform” pada layar Main Menu sehingga proses transformasi (analysis) dan invers transformasi (synthesis) dijalankan. Sejauh mana proses perhitungan sedang berlangsung ditunjukkan dengan progress bar.
81 Tombol “OK” dapat ditekan setelah proses analysis dan synthesis tersebut selesai. Penekanan tombol tersebut akan menutup layar Transform dan mengaktifkan tombol “View Component”, “Wavelet Info” dan “Save Result” pada layar Main Menu.
Gambar 4.7 Tampilan Layar Transform
Gambar 4.8 adalah tampilan layar View Component dimana user dapat menampilkan koefisien-koefisien approksimasi dan detil untuk tiap level skala hasil analysis Wavelet. User memilih level skala yang diinginkan dan menekan tombol “View”. Koefisien-koefisien approksimasi dan detil pada level skala tersebut akan ditampilkan dalam bentuk grafik. Menekan tombol “Close” akan menutup layar View Component.
82
Gambar 4.8 Tampilan Layar View Component
Gambar 4.9 adalah tampilan layar Wavelet Info dimana user dapat mengetahui informasi mengenai banyak level hasil dekomposisi Wavelet, rentang data curah hujan, jumlah data untuk prediksi, nilai r dan RMSE untuk data training dan peramalan. Tekan tombol “Close” untuk menutup layar Wavelet Info.
83
Gambar 4.9 Tampilan Layar Wavelet Info
Gambar 4.10 adalah tampilan layar Save Result dimana user dapat menyimpan informasi-informasi yang ditampilkan pada layar Wavelet Info kedalam sebuah file. Untuk menyimpan informasi-informasi tersebut, ketikkan nama file yang dikehendaki dan tekan tombol “Save”. Jika proses penyimpanan berhasil, maka ditampilkan dialog box yang berisi pesan bahwa proses save telah berhasil. Menekan tombol “Cancel” menyebabkan tidak ada informasi yang disimpan.
84
Gambar 4.10 Tampilan Layar Save Result
Gambar 4.11 adalah tampilan layar About yang menampilkan informasi tentang pembuat aplikasi ini. Menekan tombol “Close” akan menutup layar About ini.
Gambar 4.11 Tampilan Layar About
85 4.3.
Analisis Aplikasi wavelet dijalankan dan data curah hujan yang digunakan diambil dari
data curah hujan daerah Jakarta, Padang dan Ambon. Pemilihan daerah tersebut dikarenakan hujan di masing-masing daaerah mewakili tiga tipe hujan yang ada di Indonesia, yaitu tipe monsun, tipe ekuatorial dan tipe lokal. Hujan di Jakarta mewakili tipe hujan monsun, hujan di daerah Padang mewakili tipe hujan ekuatorial dan hujan di daerah Ambon mewakili tipe hujan lokal. Data curah hujan diperoleh dari BMG dalam bentuk curah hujan dasarian untuk daerah Jakarta dan dalam bentuk curah hujan bulanan untuk daerah Padang dan Ambon. Data-data tersebut kemudian ditranspose dan disesuaikan format penulisannya ke dalam file excel agar dapat dibaca dengan benar sebagai sumber data curah hujan oleh aplikasi. Data curah hujan Jakarta yang dipergunakan dimulai dari data curah hujan dasarian pertama bulan Januari tahun 1976 sampai dengan dasarian ketiga bulan Desember tahun 2006. Sedangkan data curah hujan Padang dimulai dari data curah hujan bulan Januari tahun 1971 sampai dengan bulan Desember tahun 2002 dan untuk data curah hujan Ambon dimulai dari bulan Januari tahun 1976 sampai dengan bulan Desember tahun 1998. Analisis dilakukan terhadap tiga daerah tersebut secara bergantian dengan mengganti parameter jumlah data yang digunakan, jumlah waktu peramalan dan kemudian dikombinasikan dengan ordo peramalan autoregressive yang berbeda-beda. Pengamatan dilakukan terhadap nilai autokorelasi r dan RMSE (Root Mean Square Error) yang dihasilkan oleh masing-masing kombinasi tersebut.
86 Kombinasi yang diharapkan untuk diperoleh lewat implementasi ini adalah jumlah waktu peramalan dan ordo peramalan autoregresive yang dapat menghasilkan nilai r dan RMSE data peramalan minimum. Tiap data curah hujan akan melalui proses analysis menjadi dua bagian yaitu scaling function coefficients dan wavelet function coefficients dalam bentuk sinyal approksimasi dan detil. Proses analysis ini akan berulang jika setengah dari jumlah data pada sinyal approksimasi atau detil masih lebih besar dari atau sama dengan ordo peramalan. Kemudian dengan model autoregressive, diramalkan scaling function coefficients dan wavelet function coefficients pada tiap level skala untuk periode kedepan sesuai dengan banyaknya hasil peramalan yang diinginkan. Perhitungan dua nilai scaling function coefficients dan wavelet function coefficients yang berada pada posisi akhir dari proses analysis dan perhitungan untuk dua nilai koefisien tersebut yang berada pada posisi awal dari proses synthesis, dimana tidak terdapat data untuk dioperasikan dengan seluruh empat koefisien lowpass-filter dan highpass-filter, dilakukan dengan metode refleksi data (mirroring). Setelah selesai melakukan prediksi, kedua sinyal tersebut digabungkan (synthesis) sehingga dihasilkan sinyal approksimasi dengan level detil yang lebih tinggi. Hasil akhir dari proses synthesis adalah sebuah sinyal hasil transformasi wavelet dengan jumlah data yang sama seperti jumlah data curah hujan awal yang digunakan ditambah dengan data hasil peramalan. Tampilan grafik pada layar Main Menu dapat membantu user dalam pengamatan lewat pemetaan data-data curah hujan yang diramalkan (jika tersedia pada data yang digunakan) dan data-data curah hujan hasil prediksi ke dalam bentuk grafik garis.
87 Untuk daerah Jakarta, data curah hujan yang dianalisis adalah sebanyak 1024, 512 dan 256 data dengan batas akhir data adalah dasarian ketiga bulan Desember tahun 2005. Aplikasi dijalankan untuk meramalkan data curah hujan dalam periode satu bulan (3 dasarian) kedepan, dua bulan (6 dasarian) kedepan dan tiga bulan (9 dasarian) kedepan. Ordo peramalan yang dipergunakan dimulai dari ordo 3 sampai dengan ordo 54. Hasil implementasi untuk daerah Jakarta dengan jumlah data sebanyak 1024 dan waktu peramalan sebanyak satu bulan kedepan dapat dilihat pada Tabel 3.1. Nilai r dan RMSE minimum diperoleh ketika nilai ordo autoregressive adalah tiga. Tabel 3.1 Nilai r dan RMSE Untuk Daerah Jakarta Ordo 3 4 6 10 12 15 18 21 24 27 30 36 45 54
r 0.24 0.019 -0.214 -0.513 -0.472 -0.469 -0.268 -0.396 -0.399 -0.437 -0.426 -0.044 -0.479 -0.444
RMSE 140.56 134.41 135.15 144.26 140.79 144.12 130.81 149.93 158.07 175.68 193.5 309.93 504.65 562.15
Untuk daerah Padang, data curah hujan yang dianalisis sebanyak 256 data dengan batas akhir data adalah bulan Mei tahun 2002. Hasil implementasi untuk daerah Padang dengan waktu peramalan sebanyak dua bulan kedepan dapat dilihat pada Tabel 3.2. Nilai r dan RMSE minimum diperoleh ketika nilai ordo autoregressive adalah empat.
88 Tabel 3.2 Nilai r dan RMSE Untuk Daerah Padang Ordo 3 4 6 10 12 15 18 21 24 27 30 36 45 54
r -0.110 0.744 0.977 0.82 0.827 0.782 0.634 0.666 0.619 0.626 0.695 0.695 0.703 0.719
RMSE 370.94 363.29 600.12 1231.7 1544.3 2038 3374.3 4031.1 4741.6 5565.8 10825 10825 13984 17482
Untuk daerah Ambon, data curah hujan yang dianalisis sebanyak 256 data dengan batas akhir data adalah bulan September tahun 1997. Hasil implementasi untuk daerah Ambon dengan waktu peramalan sebanyak dua bulan kedepan dapat dilihat pada Tabel 3.3. Nilai r dan RMSE minimum diperoleh ketika nilai ordo autoregressive adalah tiga. Tabel 3.3 Nilai r dan RMSE Untuk Daerah Ambon Ordo 3 4 6 10 12 15 18 21 24 27 30 36 45 54
r 0.3634 0.3322 0.6121 0.415 0.392 0.3094 0.4772 0.4843 0.4114 0.4511 0.4638 0.545 0.55696 0.5563
RMSE 356.47 361.55 277.12 506.6 639 784.65 1397.2 1717.8 1892.2 2103 2248.9 3874 5240.5 6037.6
89 Berdasarkan salah satu pola iklim yaitu siklus 5 tahun,maka dilakukan juga analisis dengan jumlah data dalam jangka waktu 5 tahun, namun masih belum dapat memberikan nilai r dan nilai RMSE yang memuaskan. Berdasarkan data pada data curah hujan ketiga daerah tersebut, nilai RMSE menjadi semakin besar ketika nilai ordo autoregressive dinaikkan. Nilai r yang tinggi jika tidak diikuti oleh nilai RMSE yang rendah, maka tidak dapat ditarik kesimpulan bahwa penggunaan nilai ordo yang bersangkutan dapat meramalkan data curah hujan dengan baik.
4.4.
Evaluasi Pada tahap evaluasi, didapat beberapa hasil pengamatan sewaktu aplikasi ini
diimplementasikan, antara lain : 1. Peramalan curah hujan dapat dilakukan dengan lebih mudah hanya dengan satu model yaitu metode wavelet. 2. Peramalan curah hujan menghasilkan nilai RMSE yang lebih kecil untuk kombinasi jumlah waktu peramalan yang lebih pendek, yaitu tiga sampai dengan enam dasarian (satu sampai dengan dua bulan) dengan nilai ordo autoregressive yang kecil.
