TESIS ALGORITMA CASCADE NEURAL NETWORK UNTUK MEMPREDIKSI TINGGI MUKA AIR SUNGAI BARITO AGUSTIANNOOR P

TESIS ALGORITMA CASCADE NEURAL NETWORK UNTUK MEMPREDIKSI TINGGI MUKA AIR SUNGAI BARITO Oleh :

AGUSTIANNOOR P31.2013.01432 Tesis diajukan sebagai salah satu syarat untuk memperoleh gelar Magister Komputer

PROGRAM MAGISTER TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER UNIVERSITAS DIAN NUSWANTORO SEMARANG 2015

UNIVERSITAS DIAN NUSWANTORO

PENGESAHAN STATUS TESIS JUDUL

: ALGORITMA

CASCADE NEURAL NETWORK UNTUK MEMPREDIKSI TINGGI MUKA AIR SUNGAI BARITO

NAMA NPM

: AGUSTIANNOOR : P31.2013.01432

mengijinkan Proposal Tesis Magister Komputer ini disimpan di Perpustakaan Universitas Dian Nuswantoro dengan syarat-syarat kegunaan sebagai berikut: 1. Tesis adalah hak milik Universitas Dian Nuswantoro 2. Perpustakaan Universitas Dian Nuswantoro dibenarkan membuat salinan untuk tujuan referensi saja. 3. Perpustakaan juga dibenarkan membuat salinan Tesis ini sebagai bahan pertukaran antar institusi pendidikan tinggi. 4. Berikan tanda  sesuai dengan kategori Tesis Sangat Rahasia Rahasia Biasa Disahkan oleh:

Agustiannoor Alamat tetap: Jl. Kelayan A Gang Cendrawasih RT.01 RW. 01 No. 55 Banjarmasin

Dr. Abdul Syukur

Tanggal

Tanggal

ii


PERNYATAAN PENULIS JUDUL

: ALGORITMA

CASCADE NEURAL NETWORK UNTUK MEMPREDIKSI TINGGI MUKA AIR SUNGAI BARITO

NAMA NPM

: AGUSTIANNOOR : P31.2013.01432

“Saya menyatakan dan bertanggung jawab dengan sebenarnya bahwa Tesis ini adalah hasil karya saya sendiri kecuali cuplikan dan ringkasan yang masingmasing telah saya jelaskan sumbernya. Jika pada waktu selanjutnya ada pihak lain yang mengklaim bahwa Tesis ini sebagai karyanya, yang disertai dengan buktibukti yang cukup, maka saya bersedia untuk dibatalkan gelar Magister Komputer saya beserta segala hak dan kewajiban yang melekat pada gelar tersebut”

Semarang,

2015

Agustiannoor Penulis

iii


iv

ABSTRACT

High face of river water on a watershed greatly affect the lives of local people in the river basin where communities depend their lives on different sectors such as; transport streams, fish finders, fishing suitable planting marshland and river fish breeders. In addition to high data advance water is also very necessary for the construction of the dam and the bridge contractor. Because of the high water the excess advance will result in flooding which caused the destruction of the infrastructure of a wide range of areas such as houses, school, Department, Office, company and bridges while instead if water shortages will cause the River to erode that affects people's lives, in which experiencing water shortage that communities for various purposes suitable for planting, transfortasi sea, fisherman fish Finder fish breeders and the river.

Therefore, it was considered necessary to do research to predict the height of the water surface so that it can be used to predict the occurrence of high face of water. Where the previous Algorithm using Backpopagation, and in this study using Neural Network's Cascade Algorithm. Cascade Neural Network algorithm for Computing model that is growing very rapidly, which can work as biological nervous system that can recognize patterns that have been taught. Measures include data collection, research and testing algorithms backprogation and cascade. In this study, the dataset that is used is the height of the water surface during 5 years back.

Keywords: backpropagation, cascade neural networks, prediction time series.

v

ABSTRAK

Tinggi muka air sungai pada suatu daerah aliran sungai sangat mempengaruhi sisi kehidupan masyarakat setempat yang berada pada daerah aliran sungai dimana masyarakat menggantungkan kehidupannya pada berbagai sektor seperti ; transportasi sungai, nelayan pencari ikan, cocok tanam tanah rawa dan peternak ikan sungai. Selain itu data tinggi muka air juga sangat diperlukan bagi para kontraktor pembangunan bendungan dan jembatan. Karena tinggi muka air yang berlebih akan mengakibatkan banjir yang menyebabkan rusaknya berbagai infrastruktur suatu daerah seperti rumah penduduk, sekolah, dinas, kantor, perusahaan dan jembatan sedangkan sebaliknya jika kekurangan air akan menyebabkan sungai menjadi surut yang berdampak bagi kehidupan masyarakat, dimana masyarakat yang mengalami kekurangan air untuk berbagai keperluan cocok tanam, transfortasi laut, nelayan pencari ikan dan peternak ikan sungai.

Oleh sebab itu maka dianggap perlu melakukan penelitian untuk memprediksi tinggi permukaan air sehingga dapat digunakan untuk meramalkan terjadinya tinggi muka air. Dimana

Algoritma sebelumnya menggunakan

Backpopagation, dan dalam penelitian ini menggunakan Algoritma Cascade Neural Network. Cascade Neural Network adalah model Algoritma Komputasi yang berkembang sangat pesat yang dapat bekerja seperti sistem syaraf biologis yaitu dapat mengenali pola-pola yang telah diajarkan.

Langkah langkah penelitian meliputi pengumpulan data dan pengujian algoritma backpropagation dan cascade.

Pada penelitian ini, dataset yang

digunakan adalah tinggi permukaan air selama 5 tahun kebelakang.

Kata kunci : backpropagation, cascade, jaringan syaraf tiruan, prediksi rentet waktu.

vi

ACKNOWLEDGMENT

Segala puji bagi Allah SWT, bersyukur atas selesainya Tesis dengan judul “ALGORITMA

CASCADE

NEURAL

NETWORK

UNTUK

MEMPREDIKSI TINGGI MUKA AIR SUNGAI BARITO” dapat penulis selesaikan sesuai rencana. Bantuan dan dukungan dari berbagai pihak tidak ternilai besarnya. Penulis berterimakasih kepada: 1. Dr. Ir. Edi Noersasongko, M.Kom selaku Rektor Universitas Dian Nuswantoro 2. Dr. Abdul Syukur, MM selaku Direktur MTI Universitas Dian Nuswantoro. 3. Dr. M. Arief Soeleman, M.Kom dan Catur Supriyanto, MCS yang banyak membantu dalam pembuatan tesis ini. 4. H. Ir. Muflih, M.Kom, sebagai orang yang sangat membantu kelancaran perkuliahan hingga selesai tesis ini dan telah memberikan motivasi kepada penulis selama ini, semoga Allah SWT membalas segala kebaikan pian dengan kebaikan yang berlipat ganda. 5. Seluruh staff Dinas Pengelolaan Air Sungai Provinsi Kalimantan Selatan dan PT. Pelindo III Wilayah Banjarmasin, atas dukungan dan akses terhadap data tinggi muka air sungai Barito. 6. Yang memberikan bimbingan dan bantuan yang tidak terhingga kedua orang tua saya Nurhamid dan Mastihani. 7. Bude saya, Kunasri, yang merawat saya dari sejak kecil, yang selalu memberikan dorongan baik secara lahir maupun bathin. 8. Sahabat sekaligus guru saya Muhammad Amin S. Kom, M. Kom (Delphi dan web) dan Haldi Budiman ST, S.Kom, M, Kom (Java dan Matlab) Sahabat terbaik yang selalu memotivasi dan selalu meyakinkan kalau kita bisa bersamasama menyelesaikan tesis ini. 9. Semua kawan seperjuangan Asmuni S.Pd.I, S.Kom, MM, Rusdi S.Kom, H. Sirajudin S.Kom, Ihsan S.Kom, Hasan S.Kom, Amin S.Kom, Drs. Said Ahmad S.Pd.I, Endah Sumarini S.Pd, Yusfita S.Pd, yang telah memberikan dukungan, do’a, banyak bersabar dan berkorban sementara studi ini diselesaikan.

vii

10. Semua pihak yang telah membantu penulis yang tidak bisa disebutkan satu persatu. Penulis menyadari penelitian ini masih terdapat banyak kekurangan. Oleh sebab itu, sangat diharapkan kritik, saran serta masukan membangun, yang akan sangat membantu penulis dalam penelitian selanjutnya. Semoga penelitian ini bermanfaat dalam pengembangan ilmu pengetahuan.

Banjarmasin, Agustus 2015 Penulis

viii

DAFTAR ISI

PENGESAHAN STATUS TESIS .......................................................................... ii PERNYATAAN PENULIS ................................................................................... iii ABSTRACT .............................................................................................................v ABSTRAK ............................................................................................................. vi ACKNOWLEDGMENT ....................................................................................... vii DAFTAR ISI .......................................................................................................... ix DAFTAR TABEL ................................................................................................. xii DAFTAR GAMBAR ........................................................................................... xiii DAFTAR GRAFIK ............................................................................................. xvii 1. BAB I PENDAHULUAN ..................................................................................1 1.1 Latar Belakang .............................................................................................1 1.2 Rumusan Masalah ........................................................................................3 1.3 Tujuan Penelitian..........................................................................................4 1.4 Manfaat penelitian ........................................................................................4 2. BAB II LANDASAN TEORI ...........................................................................5 2.1 Penelitian Terkait .........................................................................................5 2.1.1 Predikisi tinggi muka air dengan menggunakan algoritma Perceptron ......................................................................................5 2.1.2 Prediksi tinggi muka air dengan BPNN .........................................5 2.1.3 Prediksi tinggi muka air dengan Algoritma Filter Partikel ............6 2.1.4 Prediksi Tinggi Muka Air dengan Algoritma Firefly ....................7 2.1.5 Prediksi tinggi muka air dengan Artificial Neural Network Modelling .......................................................................................8 2.1.6 Model prediksi penurunan Fe dalam air menggunakan metode cascade ...........................................................................................9

ix

2.1.7 Prediksi Panjang Musim Hujan Menggunakan Cascade Neural Network ........................................................................................10 kisi tinggi muka air dengan menggunakan algoritma Perceptron ............12 Prediksi tinggi muka air dengan BPNN ...................................................12 Prediksi tinggi muka air dengan Algoritma Filter Partikel ......................12 Algoritma Filter Partikel ..........................................................................12 Prediksi Tinggi Muka Air dengan Algoritma Firefly ..............................12 Prediksi tinggi muka air dengan Artificial Neural Network Modelling ..13 Prediksi

Panjang Musim

Hujan

Menggunakan

Cascade Neural

Network ........................................................................................13 2.2 Tinggi Muka Air.........................................................................................13 2.2.1 Beberapa Istilah Elevasi Muka Air ..............................................15 2.2.2

Pengertian Air..................................................................................15

2.2.3

Macam-macam Sumber Air di Alam...................................................16

2.3 Peramalan Tinggi Muka Air .......................................................................19 2.4 Data Mining................................................................................................19 2.4.1 Cross industry Standard Process for Data Mining (CRISP– DM) ..............................................................................................19 2.4.2 Fungsi Data Mining .....................................................................24 2.5 Rentet Waktu (Time Series) .......................................................................27 2.6 Neural Network (NN) ................................................................................28 2.6.1 Arsitektur Neural Network ...........................................................30 2.6.2 Algoritma Backpropagation-Multi-Layer Perceptron (BP-MLP) 30 2.7 Parameter Evaluasi .....................................................................................35 2.7.1 Mean Square Error .......................................................................35 2.7.2 Root Mean Square Error ..............................................................36 2.8 Cascade Neural Network untuk Prediksi ...................................................36 2.9 Training Cascade Neural Network .............................................................38 2.10Pengembangan Cascade Neural Network ..................................................39 2.11Analisis dan Evaluasi Cascade Neural Network ........................................40 2.12Kerangka Pemikiran ...................................................................................42

x

BAB III METODE PENELITIAN.........................................................................43 3.1 Perancangan Penelitian .............................................................................43 3.2 Lokasi Pengambilan Data...........................................................................44 3.3 Penelitian Skunder......................................................................................44 3.4 Pengolahan Data Awal (Pre Processing) ....................................................44 3.5 Metode Yang Diusulkan.............................................................................52 3.6 Eksperimen dan Pengujian Metode (Method Test and Experiment) .........61 3.7 Evaluasi dan Validasi Hasil........................................................................66 BAB IV HASIL DAN PEMBAHASAN ..............................................................60 4.1 Eksperimen dan Pengujian Model/Metode ................................................60 4.1.1 Experimen dan Pengujian Model/Metode menggunakan Cascade Neural Network ...........................................................................60 4.1.2 Experimen

dan

Pengujian

Model/Metode

menggunakan

Backpropagation Neural Network............................................113 4.2 Implikasi Penelitian ..................................................................................164 BAB V PENUTUP ...............................................................................................168 5.1 Kesimpulan...............................................................................................168 5.2 Saran .........................................................................................................169 DAFTAR REFERENSI .......................................................................................170

xi

DAFTAR TABEL

Tabel 2.1 Hasil prediksi sungai surma .................................................................... 5 Tabel 2.2 Hasil prediksi sungai surma .................................................................... 6 Tabel 2.3 Penelitian Terkait .................................................................................. 12 Tabel 3.1 Tinggi muka air tahun 2010 Data Hasil Prepocessing .......................... 46 Tabel 3.2 Tinggi muka air tahun 2011 Data Hasil Prepocessing .......................... 47 Tabel 3.3 Tinggi muka air tahun 2012 Data Hasil Prepocessing .......................... 48 Tabel 3.4 Tinggi muka air tahun 2013 Data Hasil Prepocessing .......................... 49 Tabel 3.5 Tinggi muka air tahun 2014 Data Hasil Prepocessing .......................... 50 Tabel 3.6 Data input pada Matlab ......................................................................... 51 Tabel 3.7 Tabel data input pada Matlab ................................................................ 52 Tabel 3.8 Tabel data paelatihan 3 input 1 target ................................................... 52 Tabel 3.9 Hasil Transformasi ................................................................................ 55 Tabel 3.10 Nilai bobot dari layer ke layer............................................................. 55 Tabel 3.11 Nilai bobot dari layer ke layer tersembunyi ke layer output ............... 55 Tabel 3.12 Data pelatihan ..................................................................................... 56 Tabel 4.1 Nilai MSE Learning Lm dan Gda Cascade Neural Network .............. 113 Tabel 4.2 Nilai MSE Learning Lm dan Gda Backpropagation Neural Network 164

xii

DAFTAR GAMBAR

Gambar 2.1 Greedy (heuristic) methods for attribute subset selection. ............... 21 Gambar 2.2 CRISP-DM process .......................................................................... 24 Gambar 2.3 Classification - Decision Tree .......................................................... 24 Gambar 2.4 Clustering ......................................................................................... 25 Gambar 2.5 Product Association.......................................................................... 25 Gambar 2.6 Time Series ....................................................................................... 26 Gambar 2.7 Web Navigation Sequence ............................................................... 27 Gambar 2.8 Ilustrasi Sistem Neural network........................................................ 30 Gambar 2.9 Model Algoritma Satu Layer ............................................................ 32 Gambar 2.10 Model Algoritma Dua Layer .......................................................... 33 Gambar 2.11 Uji coba 3-Fold Cross Validation................................................... 37 Gambar 2.12 Uji coba 3-Fold Cross Validation................................................... 38 Gambar 2.13 Contoh dari ujicoba jaringan cascade dengan r = 3 Layers............ 40 Gambar 2.14 Kerangka Pemikiran ........................................................................ 42 Gambar 3.1 Steap a head ....................................................................................... 51 Gambar 3.2 Arsitektur jaringan 3 input 3 hiden layer dan 1output ...................... 53 Gambar 3.2 Data input Training ........................................................................... 61 Gambar 3.3 Data Testing ...................................................................................... 62 Gambar 3.4 Desain Eksperimen............................................................................ 63 Gambar 4.1 Neural Network Training (nintrainingtool) CNN input 4 ................. 63 Gambar 4.2 Figure CNN train lm input 4 ............................................................. 64 Gambar 4.3 Workspace CNN train input 4 ........................................................... 64 Gambar 4.4 Neural Network Training (nintrainingtool) CNN input 4 train gda .. 67 Gambar 4.5 Figure CNN train gda input 4............................................................ 68 Gambar 4.6 Workspace CNN train input 4 gda .................................................... 68 Gambar 4.7 Neural Network Training (nintrainingtool) CNN input 6 ................. 71 Gambar 4.8 Figure CNN train lm input 6 ............................................................. 72 Gambar 4.3 Workspace CNN train input 6 ........................................................... 72 Gambar 4.10 Neural Network Training (nintrainingtool) CNN input 6 train gda 75

xiii

Gambar 4.11 Figure CNN train gda input 6.......................................................... 76 Gambar 4.12 Workspace CNN train input 6 gda .................................................. 76 Gambar 4.13 Neural Network Training (nintrainingtool) CNN input 9 ............... 79 Gambar 4.14 Figure CNN train lm input 9 ........................................................... 80 Gambar 4.15 Workspace CNN train input 9 ......................................................... 81 Gambar 4.16 Neural Network Training (nintrainingtool) CNN input 9 train gda 84 Gambar 4.17 Figure CNN train gda input 9.......................................................... 84 Gambar 4.18 Workspace CNN train input 9 gda .................................................. 85 Gambar 4.19 Neural Network Training (nintrainingtool) CNN input 12 ............. 88 Gambar 4.20 Figure CNN train lm input 12 ......................................................... 89 Gambar 4.21 Workspace CNN train input 12 ....................................................... 89 Gambar 4.22 Neural Network Training (nintrainingtool) CNN input 12 train gda ............................................................................................................................... 92 Gambar 4.23 Figure CNN train gda input 12 ........................................................ 93 Gambar 4.18 Workspace CNN train input 12 gda ................................................ 93 Gambar 4.19 Neural Network Training (nintrainingtool) CNN input 15 ............. 96 Gambar 4.20 Figure CNN train lm input 15 ......................................................... 97 Gambar 4.21 Workspace CNN train input 15 ....................................................... 97 Gambar 4.22 Neural Network Training (nintrainingtool) CNN input 15 train gda ............................................................................................................................. 100 Gambar 4.23 Figure CNN train gda input 15...................................................... 101 Gambar 4.18 Workspace CNN train input 15 gda .............................................. 101 Gambar 4.19 Neural Network Training (nintrainingtool) CNN input 18 ........... 105 Gambar 4.20 Figure CNN train lm input 18 ....................................................... 106 Gambar 4.21 Workspace CNN train input 18 ..................................................... 106 Gambar 4.22 Neural Network Training (nintrainingtool) CNN input 18 train gda ............................................................................................................................. 109 Gambar 4.23 Figure CNN train gda input 18 ...................................................... 110 Gambar 4.18 Workspace CNN train input 18 gda .............................................. 110 Gambar 4.37 Neural Network Training (nintrainingtool) CNN input 4 ............. 116 Gambar 4.38 Figure BPNN train lm input 4 ....................................................... 117

xiv

Gambar 4.39 Workspace BPNN train input 4..................................................... 117 Gambar 4.40 Neural Network Training (nintrainingtool) BPNN input 4 train gda ............................................................................................................................. 120 Gambar 4.41 Figure BPNN train gda input 4 ..................................................... 121 Gambar 4.42 Workspace BPNN train input 4 gda .............................................. 121 Gambar 4.43 Neural Network Training (nintrainingtool) BPNN input 6 ........... 124 Gambar 4.44 Figure BPNN train lm input 6 ....................................................... 125 Gambar 4.45 Workspace BPNN train input 6..................................................... 125 Gambar 4.46 Neural Network Training (nintrainingtool) BPNN input 6 train gda ............................................................................................................................. 128 Gambar 4.47 Figure BPNN train gda input 6 ..................................................... 129 Gambar 4.48 Workspace BPNN train input 6 gda .............................................. 129 Gambar 4.49 Neural Network Training (nintrainingtool) BPNN input 9 ........... 132 Gambar 4.50 Figure BPNN train lm input 9 ....................................................... 133 Gambar 4.51 Workspace BPNN train lm input 9 ............................................... 133 Gambar 4.16 Neural Network Training (nintrainingtool) BPNN input 9 train gda ............................................................................................................................. 136 Gambar 4.53 Figure BPNN train gda input 9 ..................................................... 137 Gambar 4.54 Workspace BPNN train gda input 9 .............................................. 137 Gambar 4.55 Neural Network Training (nintrainingtool) BPNN input 12 ......... 140 Gambar 4.56 Figure BPNN train lm input 12 ..................................................... 141 Gambar 4.57 Workspace BPNN train input 12................................................... 141 Gambar 4.58 Neural Network Training (nintrainingtool) BPNN input 12 train gda ............................................................................................................................. 144 Gambar 4.59 Figure BPNN train gda input 12 ................................................... 145 Gambar 4.60 Workspace BPNN train gda input 12 ............................................ 145 Gambar 4.61 Neural Network Training (nintrainingtool) BPNN input 15 ......... 148 Gambar 4.62 Figure BPNN train lm input 15 ..................................................... 149 Gambar 4.63 Workspace BPNN train lm input 15 ............................................. 149 Gambar 4.64 Neural Network Training (nintrainingtool) BPNN input 15 train gda ............................................................................................................................. 152

xv

Gambar 4.65 Figure BPNN train gda input 15 ................................................... 153 Gambar 4.66 Workspace BPNN train input 15 gda ............................................ 153 Gambar 4.67 Neural Network Training (nintrainingtool) BPNN input 18 ......... 156 Gambar 4.68 Figure BPNN train lm input 18 ..................................................... 157 Gambar 4.69 Workspace BPNN train input 18................................................... 157 Gambar 4.70 Neural Network Training (nintrainingtool) BPNN input 18 train gda ............................................................................................................................. 160 Gambar 4.71 Figure CNN train gda input 18...................................................... 161 Gambar 4.72 Workspace CNN train gda input 18 .............................................. 161

xvi

DAFTAR GRAFIK

Grafik 1 Grafik Tinggi Muka Air tahun 2010-2014 ............................................. 44 Grafik 2 Hasil pengujian CNN train lm input 4 .................................................... 66 Grafik 3 Hasil pengujian CNN train gda input 4 .................................................. 70 Grafik 4 Hasil pengujian CNN train lm input 6 .................................................... 74 Grafik 5 Hasil pengujian CNN train gda input 6 .................................................. 78 Grafik 6 Hasil pengujian CNN train lm input 9 .................................................... 83 Grafik 7 Hasil pengujian CNN train gda input 9 .................................................. 87 Grafik 8 Hasil pengujian CNN train lm input 12 .................................................. 91 Grafik 9 Hasil pengujian CNN train gda input 9 .................................................. 95 Grafik 10 Hasil pengujian CNN train lm input 15 ................................................ 99 Grafik 11 Hasil pengujian CNN train gda input 15 ............................................ 103 Grafik 12 Hasil pengujian CNN train lm input 18 .............................................. 108 Grafik 13 Hasil pengujian CNN train gda input 18 ............................................ 112 Grafik 14 Hasil pengujian BPNN train lm input 4.............................................. 119 Grafik 15 Hasil pengujian BPNN train gda input 4 ............................................ 123 Grafik 16 Hasil pengujian BPNN train lm input 6.............................................. 127 Grafik 17 Hasil pengujian BPNN train gda input 6 ............................................ 131 Grafik 18 Hasil pengujian BPNN train lm input 9.............................................. 135 Grafik 19 Hasil pengujian BPNN train gda input 9 ............................................ 139 Grafik 20 Hasil pengujian BPNN train lm input 12............................................ 143 Grafik 21 Hasil pengujian BPNN train gda input 12 .......................................... 147 Grafik 22 Hasil pengujian BPNN train lm input 15............................................ 151 Grafik 23 Hasil pengujian BPNN train gda input 15 .......................................... 155 Grafik 24 Hasil pengujian BPNN train lm input 18............................................ 159 Grafik 25 Hasil pengujian BPNN train gda input 18 .......................................... 163

xvii

xviii

1. BAB I PENDAHULUAN

1.1

Latar Belakang Sungai Barito merupakan sungai

yang terletak pada wilayah Provinsi

Kalimantan Selatan Kotamadya Banjarmasin, Sungai Barito terletak di perbatasan antara kota bannjarmasin dan laut jawa dan merupakan muara dari Laut Jawa. Sungai yang terbesar dan terpanjang di Kalimantan Selatan adalah Sungai Barito. Hulu sungai Barito berada di pegunungan Schwaner, membujur dari wilayah Kalimantan Tengah di bagian utara Pulau Kalimantan hingga bermuara di Laut Jawa, sepanjang kurang lebih 1.000 kilometer. Lebar Sungai Barito rata-rata antara 650 hingga 800 meter dengan kedalaman rata-rata 8 meter. Lebar sungai pada bagian muara yang berbentuk corong mencapai 1.000 meter, sehingga sungai Barito merupakan sungai terlebar di Indonesia. Bagian terpanjang dari Sungai Barito mulai dari hulu sungai terletak di wilayah Kalimantan Tengah, sedangkan sisanya sampai ke muara sungai berada di wilayah Kalimantan Selatan.. Berbagai kegiatan terdapat di sepanjang aliran sungai Barito antara lain : alur lewat kapal besar dan kecil, perumahan, industri kecil, pertanian dan perikanan[1]. Pasang surut air sungai adalah suatu gejala fisik yang selalu berulang dengan periode tertentu dan pengaruhnya dapat dirasakan sampai jauh masuk kearah hulu dari muara sungai dan anak-anak sunga . Pasang surut terjadi karena adanya gerakan dari benda benda angkasa yaitu rotasi bumi pada sumbunya, peredaran bulan mengelilingi bumi dan peredaran bulan mengelilingi matahari. Sejak terjadinya laut di permukaan bumi ini, laut menjadi tempat penampung dari batuan yang diangkut dari sungai dari darat, dari letusan gunung api dan juga dari meteoroid yang jatuh/datang dari angkasa luar. Dampak dari naiknya permukaan air sungai menyebabkan naiknya permukaan sungai-sungai kecil atau anak sungai dari sungai besar tersebut hal ini berakibat terjadinya luapan air disekitar rumahrumah.

1

2

penduduk dan menimbulkan banjir, jalan raya tergenang dan lahan pertanian pun ikut tergenang, hal ini sangat merugikan para petani dan pengguna air sungai di daerah banjarmasin. Pengetahuan tentang ketinggian permukaan air sangat diperlukan dalam transportasi perairan, kegiatan di pelabuhan, pembangunan di daerah pesisir pantai, khusunya di daerah sungai barito yaitu sungai yang terletak di kota banjarmasin di wilayah Provinsi kalimantan selatan atau yang bernama sungai Barito dan berbatasan langsung dengan laut jawa. Adapun metode yang digunakan untuk melakukan pengambilan data dalam penelitian ini adalah dengan melakukan pengukuran tinggi muka air pada daerah aliran sungai. Pada penelitian ini Algoritma yang digunakan adalah Cascade Neural Network dan Backpropagation Neural Network untuk melakukan prediksi terhadap tinggi muka air Sungai Barito[2]. Dengan melakukan prediksi terhadap tinggi muka air, diharapkan pemerintah dapat melakukan penanggulangan untuk mengurangi bahaya banjir yang akan terjadi pada daerah sekitar aliran sungai Barito dan mempermudah mengatur gerak tranportasi air. Dimana bahaya banjir tersebut dapat mengganggu kegiatan perekonomian daerah dan masyarakat setempat, serta mengancam keutuhan berbagai infrastruktur, seperti rumah warga penduduk, jembatan dan jalan cepat rusak. Penelitian sebelumnya mengenai data tinggi muka air sungai Jurnal dari Biswas R.K. dan JayawardenaA.W Dengan Judul “Water level prediction by artificial neural networkIn a flashy transboundary river of Bangladesh ”.[3] Dari penelitian Rosmina, Nabil Bessaih Charles Bong, Suhaila Suhaili [4] tentang “Prediksi hujan dan tinggi muka air pada sungai Bedup di Sarawak Malaysia dengan menggunakan algoritma BPNN” parameter Hidden Layer 20, Learning Algoritma Trainscg (Scale Conjugate) dan Learning Rate 0,8 di beroleh hasil akurasi 96,4 %. Menggunakan Hidden Layer 60 , Learning Algoritma Trainrp (Resilient Backpropagation) dan Learning Rate 0,2 menghasilkan akurasi sebesar 85,3% Ramli Adnan et.al[5] melakukan penelitian di Sungai Kelang dengan

3

algoritma Backpropagaation Neural Network di peroleh RMSE 0,4199 dengan Hidden Layer 10 , learning rate 0,85. Penerapan Algoritma Cascade pada Penelitian tentang adanya pergerakan obyek dengan algoritma tracking telah banyak dilakukan, salah satu manfaatnya sebagai kontrol otomatis proses. Pergerakan obyek dengan tracking yang baru dipakai untuk keperluan interaksi user dengan menggerakkan jari untuk mengoperasikan keyboard Nana Ramadijanti, Setiawardhana, Raga Mukti Alhaqqi Jurusan Teknik Informatika Politeknik Elektronika Negeri Surabaya[6]. Penelitian juga dilakukan menggunakan Algoritma Cascade dengan judul “Model Prediksi penurunan

Fe

dalam

air

menggunakan

metode

Cascade”

oleh

Haris

Kadarusman[5]. Sebagai hasil akhir dari penelitian adalah: Penurunan Fe = - 695 + (- 0,166(debit 3,7 L/menit)) + (- 0,334(Debit 1,06 L/'menit)) + 0,329 (pH Air) + (0,108 (Oksigen Ter1an1t)) + (-0,664 (Fe Awal)) 4 0,I42 (Debit1*Fe Awal) + 0,5S8(Debit 2 * Fe Awal) + 0,134 (Oksigen Terlarut * Fe Awal). Oleh sebab itu dalam penelitian ini mencoba mengangkat Algoritma Cascade untuk memprediksi tinggi muka air sungai barito sehingga hasilnya bisa dibandingkan dengan Algoritma pada penelitian sebelumnya yaitu Algoritma Backpropagation Neural Network. 1.2

Rumusan Masalah

Data yang didapat dari hasil pengukuran tinggi muka air yang tidak liner atau tidak tetap setiap harinya dan kondisi tinggi muka air yang tidak homogen, Algoritma apakah yang memiliki kinerja lebih akurat dalam memprediksi tinggi muka air sungai. Sedangkan pertanyaan penelitian (research questions) pada penelitian ini adalah:

“Bagaimana

akurasi

Algoritma

Cascade

Neural

Network

dan

Backpropagation Neural Network, untuk memprediksi tinggi muka air pada permukaan Air Sungai Barito” diambil dua algoritma agar lebih bisa diyakinkan dan lebih berbobot hasil dari prdediksi tinggi muka air tersebut.

4

1.3

Tujuan Penelitian

Berdasarkan latar belakang dan rumusan masalah diatas, maka penelitian ini bertujuan untuk memprediksi tinggi muka air sungai Barito secara lebih akurat. 1.4

Manfaat penelitian

1. Manfaat praktis Manfaat hasil penelitian ini adalah agar petugas mengelola alur sungai barito dapat menggunakan metode algoritma yang kinerjanya akurat sebagai alat untuk memprediksi tinggi permukaan air. 2. Manfaat teoritis Hasil penelitian ini diharapkan memberikan pemahaman tentang penerapan algoritma prediksi rentet waktu pada studi kasus prediksi bahaya banjir. 3. Manfaat kebijakan Hasil penelitian ini diharapkan mampu menjadi alat prediksi bahaya banjir dan prediksi arus lalu lintas air sungai.

2. BAB II LANDASAN TEORI

2.1

Penelitian Terkait Beberapa penelitian terkait adalah sebagai berikut ;

2.1.1

Predikisi tinggi muka air dengan menggunakan algoritma Perceptron Jurnal dari Biswas R.K. dan Jayawardena A.W Dengan Judul “Water level

prediction by artificial neural networkIn a flashy transboundary river of Bangladesh ”[3] dari hasil penelitian ini menggunakan algorima Perceptron adlah sebagai berikut: Tabel 2.1 Hasil prediksi sungai surma

2.1.2

Hidden layer

RMSE

2

0,047

4

0,051

5

0.053

6

0.053

Prediksi tinggi muka air dengan BPNN Rosmina, Nabil Bessaih Charles Bong, Suhaila Suhaili tentang prediksi

hujan dan tinggi muka air pada sungai Bedup di Sarawak Malaysia dengan menggunakan algoritma BPNN parameter Hidden Layer 20, Learning AlgoritmaTrainscg (Scale Conjugate) dan Learning Rate0,8 di beroleh hasil akurasi 96,4 %. Menggunakan Hidden Layer 60 , Learning Algoritma Trainrp (Resilient Backpropagation) dan Learning Rate 0,2 menghasilkan akurasi sebesar 85,3%[4] Dari penelitian Rosmina, Nabil Bessaih Charles Bong, Suhaila Suhaili tentang prediksi hujan dan tinggi muka air pada sungai Bedup di Sarawak Malaysia dengan menggunakan algoritma BPNN parameter

5

6

Hidden Layer 20, Learning AlgoritmaTrainscg (Scale Conjugate) dan Learning Rate0,8 di beroleh hasil akurasi 96,4 %. Menggunakan Hidden Layer 60 , Learning Algoritma Trainrp (Resilient Backpropagation) dan Learning Rate 0,2 menghasilkan akurasi sebesar 85,3%. Ramli Adnan

et.al melakukan penelitian di Sungai Kelang dengan

algoritma Backpropagaation Neural Network di peroleh RMSE 0,4199 dengan Hidden Layer 10 , learning rate 0,85. Algoritma BPNN dalam penelitian sebelumnya juga digunakan pada penelitian Tesis dengan menggunakan data tinggi muka air tahun 2009-2012 di sungai Marabahan kabupaten Barito Kuala Provinsi Kalimantan Selatan. Data Tahun 2009- 2011 dipergunakan sebagai training data 2012 digunakan sebagai data testing dengan Maltab.

Hasil dari percobaan di Matlab sebagai berikut : Tabel 2.2 Hasil prediksi sungai surma

Arsitektur FFN

2.1.3

BPNN (MSE)

Input

Hidden-1

Out

LM

GDA

3

4

1

31.919

93.185

4

4

1

20.001

52.648

6

4

1

26,418

67.825

9

4

1

34.440

33.174

12

4

1

26.882

31.008

15

4

1

24.321

47.600

18

4

1

66.447

26.998

Prediksi tinggi muka air dengan Algoritma Filter Partikel Prediksi ketinggian air banjir berfluktuasi sangat nonlinear, sangat

sulit untuk memprediksi tingkat air banjir. Algoritma filter partikel dikenal sebagai solusi yang sangat efektif untuk menangani masalah nonlinier.

7

Dengan demikian, dalam makalah ini, algoritma ini diterapkan untuk memprediksi tingkat air banjir. Ada banyak variasi dari filter partikel. Makalah ini mengusulkan Pentingnya Sequential penyaring Sampling (SIS) partikel untuk memecahkan partikel

masalah

yang

dasar.

disebutkan

Namun,

di

atas.

masalah

SIS

dengan

adalah

filter

SIS

filter

partikel adalah fenomena degenerasi partikel, ketika setelah beberapa iterasi hanya beberapa bobot

partikel nol.

Jadi,

Sampling

memiliki

Pentingnya

Resampling

(SIR)

filter

partikel juga diperkenalkan sebagai peningkatan filter partikel. Dari hasil simulasi menggunakan Matlab, SIR filter partikel melebihi SIS filter partikel dengan membandingkan Kesalahan Root Mean Square (RMSE) nilai. Penelitian ini telah menunjukkan bahwa SIR filter partikel dapat digunakan dan

dengan

masalah

pelacakan.

keunggulan efek filter

dari SIS

sukses

membanjiri The

SIR

metode

yang

masalah

degenerasi

partikel

resampling.

Untuk

ketinggian

filter

dari

partikel

prediksi

partikel akan

yang

air

memiliki mengurangi

terjadi

membandingkan

kinerja

dalam antara

kedua algoritma, parameter u σ, v σ, p N dan jumlah simulasi berjalan adalah tetap.

Oleh

karena

itu,

untuk

masa

depan bekerja parameter dapat bervariasi dan efek dari hasil kinerja dapat dianalisis. 2.1.4

Prediksi Tinggi Muka Air dengan Algoritma Firefly Pendekatan

Swarm

menggunakan

Optimization

mengoptimalkan

parameter

dan

Algoritma Algoritma

Takagi-Sugeno-Kang

Firefly, Genetika (TSK)

sistem

Particle untuk logika

fuzzy (baik tipe 1 dan tipe-2) untuk menemukan optimal sistem logika fuzzy untuk prediksi ketinggian air laut. Hasil yang diperoleh dari simulasi yang dilakukan dibandingkan antara algoritma optimasi ini untuk menemukan mana yang algoritma optimasi terbaik untuk prediksi ketinggian air laut.

8

Adapun hasil dari makalah ini yaitu menjelaskan FA, PSO dan GA pendekatan optimalisasi-tipe 1 dan tipe-2 TSK logika fuzzy sistem untuk meramalkan permukaan air laut 24h. Pengamatan permukaan air laut per jam dari Nha Trang Sea di Vietnam digunakan untuk melatih dan menguji masing-masing model. Hasil yang diperoleh menggambarkan bahwa FA pendekatan untuk It2 FLS melebihi PSO, GA dan ANFIS dalam hal RMSE dan SI, tapi PSO, GA dan ANFIS memberikan setara RMSE dan SI. Sedangkan It2 TSK FSLs memiliki akurasi yang lebih tinggi dibandingkan T1 TSK FLSs. Dengan menggunakan metode Particle Swarm Optimization dan Genetid Algorithm untuk meoptimasi parameter dari Takagi-Sugeno-Kang(TSK) Fuzzy Logic System.Metode ini untuk memprediksi Tinggi muka air laut yang diperoleh dari data Nha Trang Oceanography Vietnam. Hasil akurasi yang di ukur RMSE sebesar 7.54 . 2.1.5

Prediksi tinggi muka air dengan Artificial Neural Network Modelling Aplikasi jaringan saraf untuk prediksi tingkat air di sumur artesis. Desain

dari jaringan saraf mengikuti metodologi sistematis, yang dapat digunakan untuk berbagai masalah prediksi. Sebuah bagian dari metodologi desain didasarkan pada salib validasi tion, yang membantu kami dalam finding dan mengoreksi data yang anoma- terletak menghasilkan memprediksi

karena metode

data. tingkat

air

yang berbeda digunakan

Jaringan dalam

yang

toleransi

quired

untuk mampu

ulang,

sehingga

mengakibatkan keputusan sistem dukungan yang efektif untuk membantu manajer dalam pemrograman eksploitasi sumur artesis dalam jangka pendek. Jaringan

ini

memberikan

akurasi

yang

dapat

diterima,

sesuai

dengan persyaratan yang diberikan oleh IPZS. Namun, ada ruang untuk perbaikan lebih lanjut, terutama pada tingkat signifikansi prediksi. Meskipun kesalahan ratarata

diterima,

kami

tidak

tentang ketidakpastian prediksi. Prediksi tidak bisa

memiliki

informasi

lebih signifikan harus

menyediakan beberapa informasi mengenai kepastian un terkait.

9

2.1.6

Model prediksi penurunan Fe dalam air menggunakan metode cascade Dari penelitian terdahulu diketahui cascade yang terbaik dalarn menurunkan

Fe adalah berbentuk anak tangga dengan aliran air yang baik adalah menggunakan selang/pipa berdiameter 4 mm, namun penelitian- penelitian tersebut tidak sampai memperoleh model prediksi penurunan Fe daiam air menggunakan metode cascade. Seiain itu dalam penelitian terdahulu menggunakan bahan cascade yang mengandung unsur Iogam karena itu perlu adanya penelitian lanjutan yang dapat menghasilkan model prediksi penurunan Fe dalam air menggunakan cascade dengan bahan kayu berlapis plastik/karet dengan diameter aliran air menggunakan selanypipa 3/ 16 inchi, 5/ I6 inchi dan 7/ 16inchi. Penelitian yang dilakukan merupakan eksperiman dengan menggunakan 75 buah sampel air yang berasal dari sumiir gali atau sumur pompa tangan kemudian dialirkan melalui cascade yang memiliki kriteria tertentu dengan variabel penelitian meliputi Variabel Dependen yaitu Penurunan Fe dan Variabel Independen yaitu Debit air, Derajat Keasaman Air, Suhu Air, Oksigen Terlarut dan Kandungan Fe dalam Air sebelum aerasi kemudian dianalisa dengan menggunakan rnetode statistik Regresi Linier Ganda. Didalam penelitian ini tidak melakukan pengukuran! pengamatan terhadap kelembaban, suhu udara dan kandungan oksigen di udara. Seleksi variabel dilakukan dengan analisa bivaiiat dengan korelasi (pearson) dan regresi linier sederhana serta metode Forward untuk memperoleh kandidat model. Unluk variabel Debit Air dilakuklan Dummy Variabel yang terdiri dari Variabel Debit 1 dan Debit 2. Dari hasil penelitian diperoleh kandidat model yang berisi empat variabel dasar yaitu variabel Debit I dan debit 2, Derajat Keasaman, Oksigen Terlarut dan Fe Awal serta dua variabel intraksi yaitu interaksi anlara Debit Air dan Fe Dalam Air serta lnteraksi antara Oksi gen Terlarut dengan Fe Dalam Air. Hasil diagnostik pemenuhan asumsi menyatakan bahwa kandidat model dapat memenuhi asumsi-asumsi regresi linier ganda namun dari diagnostik kolinearitas diketahui terdapat gejala kolinearitas dalam model, tetapi karena model bertujuan untuk prediksi maka masalah kolineraitas bukan merupakan masalah serius. Uji reliabilitas Model memberikan hasil nilai Shrinkage = 0,21 atau = 21 %, dengan demikian kandidat model cukup reliabel untuk ditetapkan sebagai model prediksi

10

penurunan Fe Dalam Air menggunakan Metode cascade. Persamaan fungsi matematis Penurunan Fe yang diperoleh sebagai hasil akhir dari penelitian adalah: Penurunan Fe = - 695 + (- 0,166(debit 3,7 L/menit)) + (- 0,334(Debit 1,06 L/'menit)) + 0,329 (pH Air) + (-0,108 (Oksigen Ter1an1t)) + (-0,664 (Fe Awal)) 4 0,I42(Debit1*Fe Awal) + 0,5S8(Debit 2 * Fe Awal) + 0,134 (Oksigen Terlarut * Fe Awal). Persamaan fungsi matematis tersebut hendaknya digunakan dimasyarakat Iuas dalam upaya menurunkan kandungan Fe dalam air menggunakan metode cascade agar penggunaan cascade dapat efektif dan efisien[7]. 2.1.7

Prediksi Panjang Musim Hujan Menggunakan Cascade Neural Network Pada stasiun cuaca Arjosari, arsitektur terbaik

yang dihasilkan

menggunakan hidden neuron sebanyak 20 dan learning rate sebesar 0.1 pada wilayah NINO 3. Nilai akurasi yang dihasilkan adalah nilai R2 sebesar 0.54 dan nilai RMSE sebesar 2.57. Perubahan parameter-parameter tersebut memiliki pengaruh terhadap akurasi arsitektur jaringan Stasiun cuaca Arjosari dengan jumlah hidden neuron sebanyak 20 pada wilayah NINO 3. Diagram tersebut menunjukkan bahwa pada arsitektur jaringan ini semakin besar besar nilai learning rate tidak menjamin keakuratan pendugaan yang dihasilkan akan lebih baik. Pada saat learning rate sebesar 0.01 menghasilkan nilai R2 sebesar 0.32 dan nilai RMSE sebesar 3.2, learning rate sebesar 0.1 menghasilkan nilai R2 sebesar 0.54 dan nilai RMSE sebesar 2.57, dan learning rate sebesar 0.3 menghasilkan nilai R2 sebesar 0.36 dan nilai RMSE sebesar 3.12. Hal itu menunjukkan bahwa pada jumlah hidden neuron dan wilayah yang sama, perbedaan learning rate berpengaruh terhadap nilai R2 dan RMSE.

Pada stasiun cuaca Kebon Agung, arsitektur terbaik yang dihasilkan adalah menggunakan hidden neuron sebanyak 20 dan learning rate sebesar 0.3 pada wilayah NINO 1+2. Nilai akurasi yang dihasilkan adalah nilai R2 sebesar 0.7 dan nilai RMSE sebesar 2.76. Perubahan parameter-parameter tersebut memiliki pengaruh terhadap akurasi arsitektur jaringan. Pada saat learning rate sebesar 0.01

11

menghasilkan nilai R2 sebesar 0.65 dan nilai RMSE sebesar 3.02, learning rate sebesar 0.1 menghasilkan nilai R2 sebesar 0.69 dan nilai RMSE sebesar 2.83, dan learning rate sebesar 0.3 menghasilkan nilai R2 sebesar 0.7 dan nilai RMSE sebesar 2.76. Hal itu menunjukkan bahwa pada jumlah hidden neuron dan wilayah yang sama, penambahan nilai learning rate membuat nilai R2 menjadi semakin besar dan nilai RMSE menjadi semakin kecil. Diagram perbandingan untuk pengaruh perubahan jumlah hidden neuron pada arsitektur jaringan stasiun cuaca Kebon Agung. Dengan menggunakan learning rate sebesar 0.3 pada wilayah NINO 1+2, terlihat bahwa tidak menjamin keakuratan pendugaan yang dihasilkan akan lebih baik pada arsitektur stasiun cuaca Kebon Agung. Pada saat jumlah hidden neuron sebanyak 5 menghasilkan nilai R2 sebesar 0.61 dan nilai RMSE sebesar 3, jumlah hidden neuron sebanyak 10 menghasilkan nilai R2 sebesar 0.60 dan nilai RMSE sebesar 3.13, dan jumlah hidden neuron sebanyak 20 menghasilkan nilai R2 sebesar 0.7 dan nilai RMSE sebesar 2.76. Hal tersebut menunjukkan dengan nilai learning rate dan wilayah yang sama, penambahan jumlah hidden neuron berpengaruh terhadap nilai R2 dan RMSE.

12

Tabel 2.3 Penelitian Terkait

Judul kisi tinggi muka air

Penulis BiswasR.K. dan

Metode Algoritma

Hasil RRMSE = 0,035

JayawardenaA.W Perceptron

dengan menggunakan algoritma Perceptron Prediksi tinggi muka air dengan BPNN

Rosmina, Nabil

Algoritma BPNN

Hidden Layer 60 ,

Bessaih Charles

Learning

Bong, Suhaila

Algoritma

Suhaili

Trainrp (Resilient Backpropagation) dan Learning Rate 0,2 menghasilkan akurasi sebesar 85,3%

Prediksi tinggi muka

Ramli Adnan et.al

Algoritma Filter Partikel

air dengan

Prediction

Algoritma

menggunakan

Filter Partikel

Extended Kalman

Prediction

Filter

RMSE0,4199 dengan Hidden Layer 10 , learning rate 0,85

menggunakan Extended Kalman Filter Prediksi Tinggi Muka

Nguyen Cong

algoritma

RMSE sebesar

Long dan

Backpropagaation 7.54

Phayung

Neural Network

13

Air

dengan

Meta-heuristic

Algoritma

Algorithms

Firefly

Applied to the Optimization of Type-1 and Type 2 TSK Fuzzy Logic

Prediksi tinggi muka air dengan Artificial Neural Network Modelling Prediksi Panjang

Adnan, Ramli

Artificial Neural

RMSE0,098

Ruslan, Fazlina

Network

dengan Hidden

Ahmat

Modelling

Layer 10 ,

Samad, Abd

learning rate 0,76

Manan Zain, Zainazlan Md Fildza

Cascade Neural

Running rate nilai

Novidawati

Network

0,54 RMSE

Musim Hujan

sebesar 2.57

Menggunakan Cascade Neural Network

2.2

Tinggi Muka Air

Tinggi Muka air sungai adalah Tinggi Permukaan air yang terukur oleh alat ukur pemukaan air sungai di lokasi stasiun hidrometri pada waktu tertentu. Pengertian waktu dalam hal ini terkait dengan periode pengukuran / pencatatan

14

muka air. Pengukuran dapat dilakukan pada jam-jam tertentu atau secara terus menerus (kontinyu). Untuk hal pertama dapat digunakan papan duga berskala atau sering disebut sebagai alat pengukur manual[4]. Sedangkan untuk pendataan kontinyu digunakan alat pengukur muka air otomatis (Automatic Water Level Recorder). Pengukurannya dilakukan tiap hari, atau dengan pengertian yang lain debit atau aliran sungai adalah laju aliran air (dalam bentuk volume air) yang melewati suatu penampang melintang sungai per satuan waktu. Dalam sistem satuan SI besarnya debit dinyatakan dalam satuan meter kubik per detik (m3/dt). Data muka air dapat diperoleh dengan cara membaca posisi muka air pada papan duga berskala pada saat pengukuran atau dengan membaca grafik fluktuasi muka air hasil perekaman oleh alat AWLR ( Automatic Water Level Recorder ). Berdasarkan prinsip mekanisme pengukuran muka air terdapat AWLR sebagai berikut. •

AWLR dengan pelampung yang dihubungkan dengan sistem perekam grafik fluktuasi muka air pada kertas grafik. Pada tipe ini perlu dilakukan setup awal untuk ketelitian hasil pencatatan muka air pada kertas grafik yang berputar dengan kecepatan tertentu sesuai waktu. Pada waktu tertentu (misal setiap bulan sekali, kertas grafik diganti yang baru untuk perekaman waktu berikutnya).

•

AWLR dengan sensor elektronik dimana data muka air direkam secara digital dengan sistem data logger. Pada tipe ini sebelum dipasang di lapangan, sensor perekam muka air harus dikalibrasi di laboratorium agar mendapat hasil yang akurat. Pengambilan data dari sistem data logger ke media penyimpan data digital melalui PC dalam format digital dapat dilakukan setiap periode tertentu (misal mingguan) tergantung kapasitas energi tersedia (batere). Satuan periode pencatatan dapat diatur sesuai dengan kebutuhan, misal menitan, jam-jaman, dll . Keuntungan AWLR adalah dapat mengetahui perubahan muka air secara

terus menerus sehingga data muka air ekstrim (maksimum dan minimum) dapat diperoleh. Pada penggunaan papan duga kondisi ekstrim tersebut belum tentu dapat

15

tercatat, kecuali jika pada saat terjadi debit besar/banjir petugas pengamat melakukan pengamatan secara khusus untuk mengukur muka air maksimum. 2.2.1

Beberapa Istilah Elevasi Muka Air

1. Muka air tinggi (high water level) muka air tertinggi yang dicapai pada saat pasang dalam satu siklus pasang surut. 2.

Muka air rendah (low water level), kedudukan air terendah yang dicapai pada saat surut dalam satu siklus pasangan waktu.

3.

Muka air tinggi merata (mean high water level, MHWL), adalah rerata dari muk air tinggi selama periode 19 tahun.

4. Muka air rerata rendah (mean low water level, MLWL) adalah rerata muka air rendah selama 19 tahun. 5. Muka air laut rerata (mean sea level,MSL) adalah muka air rerata antara muka air rerata antara muka air tinggi rerata dan muka air rendah rerata. Elevasi ini digunakan sebagai referensi untuk elevasi dataran. 6. Muka air tinggi (highest high water level, HHWL) adalah air tertinggi pada saat pasang surut bulan purnama atau bulan mati 7. Air rendah terendah (lowest low water level, LLWL) adalah air terendah pada saat pasang surut purnama atau bulan mati. 8. Higher high water level, adalah air tertinggi dari dua air tinggi dalam satu hari, seperti dalam pasang surut tipe campuran. 9. Lower low water level, adalah air terendah dari dua air rendah dalam satu hari. Beberapa perencanaan

definisi

muka

air

tersebut

banyak

digunakan

dalam

bangunan-bangunan pelabuhan, misal MHWL digunakan untuk

menetukan elevasi puncak pemecahan gelombang (break water), dermaga, panjang pantai pelampung penambat, dan sebagainya. Sedangkan LLWL diperlukan untuk menentukan kedalaman alur pelayaran dan kolam pelabuhan.[1] 2.2.2

Pengertian Air Air merupakan senyawa kimia yang sangat penting bagi kehidupan makhluk

hidup di bumi ini. Fungsi air bagi kehidupan tidak dapat digantikan oleh senyawa

16

lain. Penggunaan air yang utama dan sangat vital bagi kehidupan adalah sebagai air minum. Hal ini terutama untuk mencukupi kebutuhan air di dalam tubuh manusia itu sendiri. Kehilangan air untuk 15% dari berat badan dapat mengakibatkan kematian

yang diakibatkan oleh dehidrasi. Karenanya orang dewasa perlu

meminum minimal sebanyak 1,5 – 2 liter air sehari untuk keseimbangan dalam tubuh dan membantu

proses metabolisme (Slamet, 2007 ). Di dalam tubuh

manusia, air diperlukan untuk transportasi zat – zat makanan dalam bentuk larutan dan melarutkan berbagai jenis

zat yang diperlukan tubuh. Misalnya untuk

melarutkan oksigen sebelum memasuki

pembuluh-pembuluh darah yang ada

disekitar alveoli (Mulia, 2005). 2.2.3

Macam-macam Sumber Air di Alam

Sumber air di alam terdiri atas air laut, air atmosfir (air metereologik), air permukaan, dan air tanah (Sutrisno, 2004). 1. Air Laut Air laut yaitu air yang mempunyai sifat asin, karena mengandung garam NaCl. Kadar garam NaCl dalam air laut tidak memenuhi syarat untuk air minum. 2. Air Atmosfir, Air Meteriologik Dalam kehidupan sehari-hari air ini dikenal sebagai air hujan. Dapat terjadi pengotoran dengan adanya pengotoran udara yang disebabkan oleh kotoran – kotoran industri/debu dan lain sebagainya tetapi dalam keadaan murni sangat bersih,.

Sehingga untuk menjadikan air hujan sebagai sumber air minum

hendaknya tidak menampung air hujan pada saat hujan baru turun, karena masih mengandung banyak kotoran. Selain itu air hujan memiliki sifat agresif terutama terhadap pipa-pipa penyalur maupun bak-bak reservoir, sehingga hal ini akan mempercepat terjadinya korosi (karatan). Disamping itu air hujan ini mempunyai sifat lunak sehingga akan boros terhadap pemakaian sabun. 3. Air Permukaan Menurut Chandra (2006) dalam buku Pengantar Kesehatan Lingkungan, air permukaan merupakan salah satu sumber penting bahan baku air bersih. Faktorfaktor yang harus diperhatikan, antara lain :

17

a. Mutu atau kualitas baku b. Jumlah atau kuantitasnya c. Kontinuitasnya Air permukaan seringkali merupakan sumber air yang paling tercemar, baik karena kegiatan manusia, fauna, flora, dan zat-zat lainnya. Air permukaan meliputi : a. Air Sungai Air sungai memiliki derajat pengotoran yang tinggi sekali. Hal ini karena selama pengalirannnya mendapat pengotoran, misalnya oleh lumpur, batang-batang kayu, daun-daun, kotoran industri kota dan sebagainya. Oleh karena itu dalam penggunaannya sebagai air minum haruslah mengalami suatu pengolahan yang sempurna. b. Air Rawa Kebanyakan air rawa berwarna kuning coklat yang disebabkan oleh adanya zat – zat organis yang telah membusuk, misalnya asam humus yang larut dalam air. Dengan adanya pembusukan kadar zat organis yang tinggi tersebut, maka umumnya kadar mangan (Mn) akan tinggi pula dan dalam keadaan kelarutan O2 kurang sekali (anaerob), maka unsur-unsur mangan (Mn) ini akan larut. 4. Air Tanah Menurut Chandra (2006) dalam buku Pengantar Kesehatan lingkungan , air tanah merupakan sebagian air hujan yang mencapai permukaan bumi dan menyerap ke dalam lapisan tanah dan menjadi air tanah. Sebelum mencapai lapisan tempat air tanah, air hujan akan menembus beberapa lapisan tanah dan menyebabkan terjadinya kesadahan pada air. Kesadahan pada air ini akan menyebabkan air mengandung zat-zat mineral dalam konsentrasi. Zat-zat mineral tersebut antara lain kalsium, magnesium, dan logam berat seperti besi dan mangan. Air Tanah terbagi beberapa bagian yaitu : a. Air Tanah Dangkal Air tanah dangkal terjadi karena daya proses peresapan air dari permukaan tanah. Lumpur akan tertahan, demikian pula dengan sebagian bakteri,

18

sehingga air tanah akan jernih tetapi lebih banyak mengandung zat kimia (garam-garam yang terlarut) karena melalui lapisan tanah yang mempunyai unsur-unsur kimia tertentu untuk masing-masing lapisan tanah. Lapisan tanah di sini berfungsi sebagai saringan.

Disamping penyaringan,

pengotoran juga masih terus berlangsung, terutama pada muka air yang dekat dengan muka tanah, setelah menemui lapisan rapat air, air yang akan terkumpul merupakan air tanah dangkal dimana air tanah ini dimanfaatkan untuk sumber air minum melaui sumur-sumur dangkal. b. Air Tanah Dalam Air tanah dalam dikenal juga dengan air artesis. Air ini terdapat diantara dua lapisan kedap air. Lapisan diantara dua lapisan kedap air tersebut disebut lapisan akuifer. Lapisan tersebut banyak menampung air. Jika lapisan kedap air retak, secara alami air akan keluar ke permukaan. Air yang memancar ke permukaan disebut mata air artesis. Pengambilan air tanah dalam, tak semudah pada air tanah dangkal. Dalam hal ini harus digunakan bor dan memasukkan pipa kedalamnya sehingga dalam suatu kedalaman (biasanya antara 100-300 m) akan didapatkan suatu lapis air. Jika tekanan air tanah ini besar, maka air dapat menyembur ke luar dan dalam keadaan ini, sumur ini disebut dengan sumur artesis. Jika air tidak dapat ke luar dengan sendirinya, maka digunakan pompa untuk membantu pengeluaran air tanah dalam ini. c. Mata Air Mata air merupakan air tanah yang keluar dengan sendirinya ke permukaan tanah. Mata air yang berasal dari tanah dalam, hampir tidak terpengaruh oleh musim

dan kualitas/ kuantitasnya sama dengan keadaan air dalam.

Berdasarkan keluarnya (munculnya ke permukaan tanah) mata air dapat dibedakan atas : 1. Mata Air Rembesan, yaitu mata air yang airnya keluar dari lerenglereng, 2. Umbul, yaitu mata air dimana airnya keluar ke permukaan pada suatu dataran.

19

2.3

Peramalan Tinggi Muka Air Peramalan dengan deret waktu berarti memprediksikan apa yang akan terjadi

di masa datang berdasarkan pola deret data masa lalu dan mengekstrapolasikan pola itu, serta kemudian mengekstrapolasikan pola tersebut ke masa depan. Oleh karena itu peramalan deret waktu bertujuan memprediksikan apa yang akan terjadi, tanpa mengetahui mengapa hal itu terjadi. Sebab pada dasarnya peramalan ini memperlakukan sistem sebagai kotak hitam (black box) yang tidak diketahui mekanisme didalamnya[1]. 2.4

Data Mining Data Mining merupakan teknologi baru yang sangat berguna untuk

membantu perusahaan-perusahaan menemukan informasi yang sangat penting dari gudang data mereka. Beberapa aplikasi data mining fokus pada prediksi, mereka meramalkan apa yang akan terjadi dalam situasi baru dari data yang menggambarkan apa yang terjadi di masa lalu (Witten, Frank, & Hall, 2011). Kakas data mining meramalkan tren dan sifat-sifat perilaku bisnis yang sangat berguna untuk mendukung pengambilan keputusan penting. Analisis yang diotomatisasi yang dilakukan oleh data mining melebihi yang dilakukan oleh sistem pendukung keputusan tradisional yang sudah banyak digunakan (Moertini, 2002). Secara khusus, koleksi metode yang dikenal sebagai 'data mining' menawarkan metodologi dan solusi teknis untuk mengatasi analisis data medis dan konstruksi prediksi model (Bellazzi & Zupanb, 2008). Secara umum, tugas data mining dapat diklasifikasikan menjadi dua kategori: deskriptif dan prediktif. Tugas pertambangan deskriptif mengkarakterisasi sifat umum data dalam database pertambangan prediktif tugas data pada saat ini untuk membuat prediksi (Han & Kamber, 2007). 2.4.1

Cross industry Standard Process for Data Mining (CRISP– DM) Dalam jurnal “Identifying Bank Frauds Using CRISP-DM and Decision trees”

oleh Da Rocha & Timóteo (2010) mengatakan “metodologiCross Industri Standard Process for Data Mining (CRISP-DM) telah banyakdigunakan dalam industri oleh para ahli saat ini sebagai salah satu proses data mining untuk memecahkan suatu masalah”.

20

Metodologi ini terdiri dari enam tahap proses siklus. Metodologi ini membuat data mining yang besar dapatdilakukan dengan lebih cepat, lebih ekonomis, dan mudah untuk diatur. Bahkan, data mining yang berukuran kecil pun dapat memperoleh keuntungan dari CRISP-DM (Olson & Delen, 2008:9). Berikut adalah enam tahap yang disebut sebagai siklus: 1. Business understanding Business understanding meliputi penentuan tujuan bisnis, menilai situasi saat ini, menetapkan tujuan data mining, dan mengembangkan rencana proyek. 2. Data understanding Setelah tujuan bisnis dan rencana proyek ditetapkan, Data understanding mempertimbangkan

persyaratan

data.Langkah

inidapat

mencakup

pengumpulan data awal, deskripsi data, eksplorasidata, dan verifikasi data yang berkualitas.

21

3. Data preparation Setelah sumber data telah tersedia untuk diidentifikasi. Data tersebut perlu untuk dipilih, dibersihkan, dibangun ke dalam model yang diinginkan, dan diformat.Pembersihan data dan transformasi data dalam penyusunan pemodelan data perlu terjadi di tahap ini.

Gambar 2.1 Greedy (heuristic) methods for attribute subset selection. Sumber: (Han & Kamber, 2011, p104)

Terdapat beberapa teknik dalam mengolah data seperti Data Transformation, Data Reduction dan Data Cleaning, diantaranya : 1) Generalization Mengubah data atribut low level menjadi atribut high level, contoh : atribut numerical menjadi ordinal. 2) Attribute construction Penambahan atribut baru untuk kepentingan proses mining. 3) Attribute subset selection

22

Attribute subset selectiondilakukan untuk pemilihan atribut yang menjadi atribut predictor. Ada 4 metode yang dapat digunakan dalam melakukan attribute subset selection, yaitu : a) Stepwise forward selection Proses metode ini adalah untuk mencari atribut terbaik dariseluruh data set dan di masukkan ke dalam data set baru berdasarkan atribut terbaik yang telah dipilih. b) Stepwise backward elimination Proses metode ini adalah untuk mencari atribut yang tidak berkaitan dengan data mining yang dicari, lalu langsung menghapusnya dari data set. c) Combination of forward selection and backward elimination Proses metode ini adalah penggabungan dari metodestepwise forward selection dan stepwise backward elimination. d) Decision tree induction Proses metode ini menggunakan algoritma decision tree, seperti algoritma ID3, C4.5, dan cart dalam mencari atribut yang terbaik. 4) Missing Value Nilai null yang terdapat dalam data set dapat mengganggu pembuatan mining yang dilakukan. Ada 6 metode yang dapat digunakan dalam mengolah nilai null yang terdapat dalam data, yaitu : •

Ignore the tuple: tidak menggunakan tuple yang memiliki nilai null.

•

Fill in the missing value manually: mengisi sendiri nilai null yang terdapat dalam data.

•

Use global constant to fill in the missing value: mengganti nilai null dengan label constant, seperti “Unknown”.

•

Use the attribute mean to fill in the missing value: mengganti nilai null dengan rata-rata yang dimiliki atribut.

•

Use the attribute mean for all samples belonging to the same class the given tuple: mengganti nilai null dengannilai rata-rata yang dimilik atribut berdasarkan target kelasyang dicari.

23

•

Use the most probable value to fill in the missing value: mengganti nilai null dengan nilai yang paling mungkin muncul berdasarkan atribut target kelas yang dicari.

5) Modeling Tujuan dari pemodelan data mining adalah untuk mencari hasil dari berbagai situasi yang ada. Alat perangkat lunak untuk data miningseperti visualisasi (mensplit data dan membangun hubungan) dan analisis kluster (untuk mengidentifikasikan variableberjalan dengan baik secara bersamaan) dapat berguna untuk analisis awal model yang akan digunakan. Pembagian data ke dalam set pelatihan dan pengujian juga diperlukan untuk pemodelan. 6) Evaluation Hasil model harus dievaluasi sesuai tujuan bisnis pada tahap pertama (pemahaman bisnis).Evaluasi dilakukan dari hasil visualisasi dan perhitungan

statistik

pengujian

berdasarkan

pemodelan

yang

dibuat.Pada akhir dari tahap ini, keputusan penggunaan hasil data miningtelah ditentukan. Deployment Pembuatan dari model bukanlah akhir dari projek data mining. Meskipun tujuan dari pemodelan adalah untuk meningkatkan pengetahuan dari data, pengetahuan data tersebut perlu dibangun dengan terorganisasi dan dibuat pada satu bentuk yang dapat digunakan oleh pengguna.

24

Gambar 2.2 CRISP-DM process

2.4.2

Fungsi Data Mining Banyak fungsi data mining yang dapat digunakan.Dalam kasus tertentu fungsi

data mining dapat digabungkan untuk menjawab masalah yang dihadapi (Maclennan, Tang, & Crivat, 2009, 6). Berikut adalah fungsi data mining secara umum :

1. Classification Fungsi dari Classification adalah untuk mengklasifikasikan suatu target class ke dalam kategori yang dipilih.

Gambar 2.3 Classification - Decision Tree

2. Clustering Fungsi dari clustering adalah untuk mencari pengelompokan atribut ke dalam segmentasi-segmentasi berdasarkan similaritas.

25

Gambar 2.4 Clustering

3. Association Fungsi dari association adalah untuk mencari keterkaitan antara atribut atau item set, berdasarkan jumlah item yang muncul dan rule associationyang ada.

Gambar 2.5 Product Association

26

4. Regression Fungsi dari regression hampir mirip dengan klasifikasi. Fungsi dari regression adalah bertujuan untuk mencari prediksi dari suatu pola yang ada. 5. Forecasting Fungsi dari forecastingadalah untuk peramalan waktu yang akan dating berdasarkan trend yang telah terjadi di waktu sebelumnya.

Gambar 2.6 Time Series

27

6. Sequence Analysis Fungsi dari sequence analysis adalah untuk mencari pola urutan dari rangkaian kejadian.

Gambar 2.7 Web Navigation Sequence

7. Deviation Analysis Fungsi dari devation analysis adalah untuk mencari kejadian langka yang sangat berbeda dari keadaan normal (kejadian abnormal).

2.5

Rentet Waktu (Time Series) Time series data merupakan sekuens data yang nilainya berubah setiap

interval waktu tertentu. Time series data dapat dipresentasikan dalam bentuk grafik atau kurva yang menunjukkan fungsi sebuah variabel data terhadap satuan waktu. Grafik yang dibangun dapat dimanfaatkan untuk menganalisis trend atau pola pada time-series data. Prediksi time series, mengambil seri yang ada data dan perkiraan nilai data. Tujuannya adalah untuk mengamati atau model seri data yang ada untuk memungkinkan nilai-nilai data masa depan yang tidak diketahui dapat diperkirakan secara akurat. Contoh seri data meliputi serangkaian data keuangan (saham, indeks, harga, dan lain-lain), Data seri yang diamati dalam bentuk fisik (bintik matahari, cuaca, dll), dan seri data matematika (urutan Fibonacci, integral persamaan diferensial, dll). Ungkapan "time series" umum mengacu pada setiap seri data, apakah data tergantung pada interval waktu tertentu.

28

Ada dua tujuan utama analisis trend yaitu untuk memodelkan time series data dan untuk memprediksi time series data. Yang dimaksud dengan memodelkan time series data adalah menemukan mekanisme atau faktor-faktor yang menyebabkan terbentuknya time series. Yang dimaksud dengan memprediksi time series data adalah memprediksi nilai variabel time series pada suatu waktu yang akan datang. 2.6

Neural Network (NN) Neural

Network

(NN)

adalah

suatu

prosesor

yang

melakukan

pendistribusian secara besar-besaran, yang memiliki kecenderungan alami untuk menyimpan suatu pengenalan yang pernah dialaminya, dengan kata lain NN ini memiliki kemampuan untuk dapat melakukan pembelajaran dan pendeteksian terhadap sesuatu objek. NN merupakan suatu sistem pemrosesan informasi yang memiliki karakteristik - karakteristik yang menyerupai jaringan syaraf biologi. Jaringan saraf tiruan memiliki 3 karakteristik, yaitu : 1.

Arsitektur Jaringan

2.

Algoritma Jaringan

3.

Fungsi Aktivasi

Secara mendasar, sistem pembelajaran merupakan proses penambahan pengetahuan pada NN yang sifatnya kontinuitas sehingga pada saat digunakan pengetahuan tersebut akan dieksploitasikan secara maksimal dalam mengenali suatu objek. Neuron adalah bagian dasar dari pemrosesan suatu neural network. Dibawah ini merupakan bentuk dasar dari suatu neuron[8].

29

weights Output Input Processing Unit Gambar 2.7 Web Navigation Sequence

Input merupakan masukan yang digunakan baik saat pembelajaran maupun dalam mengenali suatu objek. Seperti halnya otak manusia NN juga terdiri dari beberapa neuron dan ada hubungan antar neuron tersebut, hal ini disebut dengan bobot (weight). •

Weight, beban yang selalu berubah setiap kali diberikan input sebagai proses pembelajaran.

•

Processing Unit merupakan tempat berlangsungnya proses pengenalan suatu objek berdasarkan pembebanan yang diberikan.

•

Output, keluaran dari hasil pengenalan suatu objek.

Keuntungan penggunaan Neural Network •

Perangkat yang mampu untuk mengenali suatu objek secara non-linier.

•

Mempermudah pemetaan input menjadi suatu hasil tanpa mengetahui proses sebenarnya.

•

Mampu melakukan pengadaptasian terhadap pengenalan suatu objek

•

Perangkat yang memiliki toleransi terhadap suatu kesalahan dalam pengenalan suatu objek.

•

Neural Network mampu diimplementasikan pada suatu Hardware atau perangkat keras.

•

Perangkat yang mampu diimplementasikan secara parallel.

30

Arsitektur NN merupakan pola keterhubungan neuron, keterhubungan neuron – neuron inilah yang membentuk suatu jaringan.

2.6.1

Arsitektur Neural Network Masing-masing arsitektur menggunakan algoritma belajar khusus. Secara

umum, arsitektur dibagi menjadi empat: Single-Layer Feedforward Network (SLFN), Multi-Layer Feedforward Network (MLFN), Recurrent Network, Lattice Structure. Hingga saat ini terdapat lima algoritma belajar, yaitu : Error-Correction, Boltzman, Thorndike’s law of effect, Hebbian, dan Competitive Sedangkan pardigma proses pembelajaran pada neural network dapat dikelompokkan menjadi[9]: 1. Supervised 2. Reinforcement 3. Self-Organized (Unsupervised)

Gambar 2.8 Ilustrasi Sistem Neural network

2.6.2

Algoritma Backpropagation-Multi-Layer Perceptron (BP-MLP) Backpropagation merupakan algoritma pembelajaran yang terawasi

(supervised) dan biasanya digunakan oleh perceptron dengan banyak lapisan untuk menghitung bobot-bobot yang terhubung dengan neuron-neuron yang ada

31

pada hidden layer. Algoritma backpropagation menggunkan error output untuk mengubah nilai bobot-bobotnya dalam arah mundur (backward). Untuk mendapatkan error ini, tahap perambatan maju (forwardpropagation) harus dikerjakan lebih dulu. Pada saat perambatan maju, neuron-neuron diaktifkan dengan

menggunakan

fungsi aktivasi yang dapat dideferensialkan, seperti

sigmoid[10]. Back Propagation terdiri dari tiga tahapan yaitu : 1. Propagasi maju dari pola pelatihan input (Feed Forward) •

Unit input menerima sinyal dan mengirimnya ke hidden unit (unit tersembunyi)

•

Tentukan aktivasi dari hidden unit. Missal menggunakan logsig

•

Kirim sinyal dari masing-masing hidden unit ke unit output

•

Hitung fungsi aktivasi dari output untuk membentuk respon dari net pola input

2. Menghitung error dan back propagasi dari error yang berhubungan •

Hitung selisih (Y-T) untuk menentukan error yang berhubungan antara pola dengan unit tersebut.

•

Menghitung factor (δ) yang digunakan untuk mendistribusikan error pada output Y keunit-unit yang langsung berhubungan di lapisan sebelumnya.

•

Menghitung factor yang digunakan untuk mendistribusikan error pada unit-unit di Hidden layer ke unit-unit unput yang langsung berhubungan di lapisan sebelumnya

3. Merubah Bobot •

Melakukan update bobot baru dari Vji (input Xi dengan hidden Zj) dan Wjk (HiddenZj dengan output Yk).

32

2.6.2.1 Algoritma Satu Layer

Gambar 2.9 Model Algoritma Satu Layer

bias = b maka y = X*WT + b, atau y = x1w1 + x2w2 + x3w3 + x4w4+ b, dengan demikian parameternya adalah q = W. Algoritma pemrogramannya adalah: 1.

Inisialisasi bobot-bobot (termasuk juga bias), termasuk perubahan bobot awal.

2.

Mengambil nilai x1, x2, x3 dan x4 juga nilai target.

3.

Menghitung keluaran jaringan neuron y=X*WT+b

4.

…….......(5)

Menghitung parameter …….......(6) Menghitung error keluarane = target – y

…….......(7)

5.

Menyimpan bobot-bobot ke dalam variabel bobot lama

6.

Menghitung perubahan bobot-bobot pada lapisan keluaran ,

……...(8) …….......(9) …….......(10)

33

7.

Menyimpan perubahan bobot dan bias ke variabel perubahan lama.

8.

Kembali ke langkah 2.

2.6.2.2 Algoritma Dua Layer

Gambar 2.10 Model Algoritma Dua Layer

Algoritma pemrograman untuk neuron dua layer didasarkan pada gambar di atas, dimana fungsi aktifasinya linier f(x) = x, data masukan dinyatakan dengan matrik: ……….(11) Bobot-bobot link neuron masukan adalah aij, sehingga dalam bentuk matrik menjadi:

………..(12) Keluaran dari tiap-tiap neuron pada lapisan masukan adalah: ………..(13)

34

Bobot-bobot bias pada lapisan masukan yaitu:

………..(14) Bobot-bobot link neuron pada lapisan keluaran yaitu:

………..(15) bobot bias pada lapisan keluaran = v, keluaran NN adalah, y = (X*A+B)*WT + v. Algoritma pemrogramannya adalah: 9.

Inisialisasi bobot-bobot (termasuk juga bias), termasuk perubahan- perubahan bobot awal.

10.

Mengambil nilai x1, x2, x3 dan x4 juga nilai target.

11.

Menghitung keluaran jaringan neuron y = (X * A + B) * WT + v ………..(16)

12.

Menghitung parameter

………..(17) 13.

Menghitung error keluaran

E = target – y………..(18) 1.

Menyimpan bobot-bobot ke dalam variabel bobot lama

2.

Menghitung matrik H H=X*A+b………..(19)

3.

Menghitung error propagasi pada lapisan keluaran

………..(20)

35

4

Menghitung perubahan bobot-bobot pada lapisan keluaran ,………..(21) ,…………...(22) ………..(23)

5.

Menghitung error propagasi pada lapisan masukan

………..(24) ,

………..(25)

……………..(26) ………..(27) 6.

Menyimpan perubahan bobot-bobot dan bias kedalam variabel perubahan lama.

7. 2.7

Kembali ke langkah 2

Parameter Evaluasi Q Untuk mengevaluasi akurasi dan peramalan kinerja model berbeda,

penelitian ini mengadopsi tiga indeks evaluasi: Percentage Error (MAPE), Mean Square Error (MSE), Root Mean Square Error (RMSE) dan Mean Absolute Deviation (MAD). 2.7.1

Mean Square Error Mean Square Error adalah penjumlahan kuadrat error atau selisih antara

nilai sebenarnya (aktual) dan nilai prediksi, kemudian membagi jumlah tersebut dengan banyaknya waktu data peramalan.

36

2.7.2

Root Mean Square Error Root Mean Square Error adalah penjumlahan kuadrat error atau selisih

antara nilai sebenarnya (aktual) dan nilai prediksi, kemudian membagi jumlah tersebut

dengan banyaknya waktu data peramalan dan kemudian menarik

akarnya. 2.8

Cascade Neural Network untuk Prediksi Pemilihan data prediktor dilakukan dengan melakukan analisis korelasi pada

data Sea Surface Temperature (SST) dengan data Panjang Musim Hujan (PMH). Untuk setiap bulannya, data Sea Surface Temperature (SST) pada setiap wilayah akan dikorelasikan dengan data Panjang Musim Hujan (PMH). Pada pemrosesan korelasi, untuk memprediksi Panjang Musim Hujan (PMH) tahun tertentu, digunakan data Sea Surface Temperature (SST) pada tahun sebelumnya. Perhitungan korelasi dilakukan dengan koefisien korelasi linear. Menurut Walpole (1992), perhitungan koefisien korelasi (r) dirumuskan sebagai berikut: 𝑟𝑟 =

𝑛𝑛 𝑛𝑛 𝑛𝑛 ∑𝑛𝑛 𝑖𝑖=1𝑥𝑥𝑖𝑖 𝑦𝑦𝑖𝑖 − (∑𝑖𝑖=1𝑥𝑥𝑖𝑖 )−(∑𝑖𝑖=1𝑦𝑦𝑖𝑖 )

𝑛𝑛 𝑛𝑛 𝑛𝑛 2 2 2 2 �[ 𝑛𝑛 ∑𝑛𝑛 𝑖𝑖=1 𝑥𝑥𝑖𝑖 − (∑𝑖𝑖=1 𝑥𝑥𝑖𝑖 ) ] [ 𝑛𝑛 ∑𝑖𝑖=1 𝑦𝑦𝑖𝑖 − (∑𝑖𝑖=1 𝑦𝑦𝑖𝑖 ) ]

………(28)

dengan xi = peubah 1 yi = peubah 2 n = jumlah data

Setelah didapatkan nilai korelasi setiap bulannya, hasil tersebut akan dibandingkan dengan nilai korelasi pada taraf nyata 10%. Hal tersebut akan dilakukan untuk semua stasiun cuaca sehingga diperoleh data Sea Surface Temperature (SST) pada bulan yang berkorelasi nyata dengan Panjang Musim Hujan (PMH). Data tersebut yang akan digunakan sebagai prediktor dalam tahap pemodelan CNN[11]. Sebelum masuk ke tahap pemodelan CNN, data akan dibagi menjadi beberapa kelompok percobaan menggunakan K-fold cross validation. Pada penelitian ini, data akan dibagi menjadi 3 kelompok percobaan dengan 2/3 data latih dan 1/3 data uji. K-

37

fold cross validation akan mengulang percobaan sebanyak K-kali. Dari pengulangan tersebut, akan terbagi himpunan secara acak menjadi subset untuk pengujian dan subset untuk pelatihan yang saling bebas (Kohavi 1995). Ilustrasi untuk 3-fold cross validation dapat dilihat pada Gambar dibawah ini :

Gambar 2.11 Uji coba 3-Fold Cross Validation

Data latih dari kelompok percobaan yang dibuat akan dilatih dengan menggunakan metode CNN. CNN merupakan multilayer feed-forward neural network yang semua unit input memiliki koneksi langsung ke semua hidden unit dan semua unit output. Setiap keluaran dari hidden unit akan menjadi masukan ke semua hidden unit selanjutnya dan ke semua output unit (Engelbrecht 2007)[12]. Algoritma untuk CNN adalah sebagai berikut (Bodyanskiy et al. 2011)[2]: 1. Algoritme dimulai dengan jaringan sederhana yang hanya terdiri dari input dan output layer. 2. Input yang masuk akan dilatih dengan jaringan sederhana tersebut. 3. Jika nilai akurasi CNN tidak memenuhi, akan ditambahkan satu hidden unit pada arsitektur jaringan tersebut dengan koneksi awal antara input dan output tidak mengalami perubahan. 4. Jaringan tersebut akan dilatih secara independen dan secara paralel dengan bobot random yang berbeda. 5. Proses tersebut akan dilakukan terus-menerus dengan penambahan hidden unit yang menerima masukkan dari input unit dan hidden unit sebelumnya sehingga menghasilkan arsitektur cascade.

38

6. Setelah itu, pembaruan bobot akan dilakukan dengan menggunakan algoritme backpropagation. Struktur CNN diilustrasikan pada Gambar dibawah ini :

Gambar 2.12 Uji coba 3-Fold Cross Validation

Pelatihan dengan CNN akan menghasilkan model yang kemudian disimulasikan dengan data uji untuk mendapatkan pendugaan Panjang Musim Hujan (PMH). Data input terdiri atas data Sea Surface Temperature (SST) dan Panjang Musim Hujan

(PMH). 2.9

Training Cascade Neural Network Ide di balik cascade-correlation arsitektur adalah sebagai berikut. Pertama

adalah untuk membangun arsitektur cascade neuron baru dengan menambahkan bersama dengan menggunakan koneksi ke semua masukan serta neuron dengan sebelumnya tersembunyi .Konfigurasi ini tidak berubah pada lapisan berikut . Ide yang kedua adalah hanya untuk belajar yang baru dibuat pas dengan neuron yang berat sehingga sisa untuk meminimalisasi kesalahan pada jaringan .Neuron baru yang ditambahkan ke jaringan dan meningkatkan kinerjanya .Jadi , teknik cascadecorrelation umum menganggap bahwa semua variabel x1, ….., xm characterising pelatihan klasifikasi data yang terkait dengan masalah .Pada tahap awal , kaskade dengan jaringan m masukan dan keluaran satu neuron ke neuron yang tersembunyi tanpa mulai belajar. Output neuron itu terhubung ke setiap masukan dengan bobot

39

w1, ......, wm disesuaikan selama belajar. Output y dari neuron dalam jaringan yang diberikan dengan standar fungsi f sigmoid sebagai berikut y = f(x; w) = 1/(1 + exp(– w0 – Σim wi xi)), …….......(29)

Di mana x = ( x1 , ... , xm ) adalah 1 m m×1 masukan vektor , w = ( w1, ……. ,wm ) adalah m×1 berat badan vektor dan w0 adalah istilah yang selanjutnya adalah bias yang dihilangkan. Maka neuron baru yang ditambahkan ke jaringan one-byone .Setiap neuron baru yang terhubung ke semua masukan m serta kepada semua neuron yang sebelumnya tersembunyi .Setiap kali hanya output neuron yang terlatih. Untuk pelatihan, salah satu algoritma yang cocok untuk belajar suatu single-neuron dapat digunakan. Pelatihan neuron yang baru, sebuah alogaritma yang menyesuaikan berat sehingga sisa untuk mengurangi kesalahan pada jaringan. Sebuah alogaritma yang baru dan kemudian menjadikan kereta api sementara neuron sisa kesalahan menurun .Keuntungan dari jaringan saraf cascade yang terkenal. Pertama, tidak ada struktur jaringan yang ditetapkan sebelumnya, itu adalah jaringan ini dibangun secara otomatis data dari pelatihan. Kedua, reaksi yang cepat belajar karena setiap jaringan neuron yang dilatih secara independen satu sama lain. Akan tetapi, kerugian adalah bahwa cascade over-fitted jaringan selanjutnya[13]. 2.10 Pengembangan Cascade Neural Network Mendefinisikan sebuah arsitektur cascade jaringan terdiri dari neuron yang jumlah masukan p juga akan meningkat dari satu lapisan ke yang berikutnya. Di lapisan pertama neuron terkoneksi ke dua masukan xi1, …, xi2, i1 ≠ i2 ∈ (1, m). Jadikan input xi1 menjadi sebuah masukan bagi yang sebuah single-input neuron menyediakan minimal kesalahan. Di kedua lapis ulang baru neuron ini dihubungkan dengan masukan xi1 serta dengan output dari sebelumnya neuron. Ketiga masukan dari neuron ini dapat dihubungkan dengan itu masukan yang menyediakan sebuah maksimal penurunan output kesalahan .Setiap neuron di new lapisan dapat dihubungkan dengan cara yang sama .Secara lebih formal neuron di rth lapisan

40

telah p = r + 1 masukan. Untuk sebuah logistik aktivasi fungsi output zr dari neuron ini dapat ditulis sebagai berikut : zr = f(u; w) = 1/(1 + exp(– Σi ui wi)) …….......(30)

Di mana r adalah jumlah lapisan dan u = (u1, …, up) adalah p×1 masukan vektor

dari

pencapaian

rth

neuron[13].

Sebagai

contoh

Gambar

2.4

menggambarkan sebuah jaringan cascade untuk m = 4 masukan dan r = 3 lapisan. Kotak menggambarkan yang sinaptik koneksi antara output neuron, tersembunyi neuron dengan dua keluaran z1 dan z2 dan masukan x1, ..., x4.

Gambar 2.13 Contoh dari ujicoba jaringan cascade dengan r = 3 Layers.

2.11 Analisis dan Evaluasi Cascade Neural Network Setelah didapatkan hasil prediksi akan dilakukan pengukuran keakurasian dan galat dari hasil prediksi yang diperoleh dengan model CNN. Pengukuran keakurasian dan galat dilakukan dengan menggunakan koefisien determinasi 𝑅𝑅 2 Root Mean Square

Error (RMSE). Koefisien determinasi menunjukkan seberapa baik garis regresi yang terbentuk oleh nilai yang dihasilkan model dengan nilai aktual. Menurut Walpole 1992,

𝑅𝑅 2 dirumuskan sebagai berikut: 2

𝑅𝑅 =

2

�∑𝑛𝑛 𝑖𝑖 (𝑌𝑌𝑖𝑖 −𝑌𝑌)(𝑦𝑦𝑖𝑖 −𝑦𝑦)�

2 𝑛𝑛 2 ∑𝑛𝑛 𝑖𝑖=1(𝑌𝑌𝑖𝑖 −𝑌𝑌) ∑𝑖𝑖=1(𝑦𝑦𝑖𝑖 −𝑦𝑦)

…….......(31)

41

dengan yi = nilai aktual y = nilai prediksi

RMSE sendiri menunjukkan nilai simpangan dari nilai dugaan terhadap nilai aktual. Dengan rumusnya sebagai berikut (Walpole 1992):

𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅 = �

2 Σ𝑛𝑛 𝑡𝑡=1 (𝑋𝑋𝑡𝑡 −𝐹𝐹𝑡𝑡 )

𝑛𝑛

…….......(32)

dengan Xt = nilai aktual pada waktu ke-t Ft = nilai dugaan pada waktu ke-t Hasil keakurasian pemodelan akan semakin baik jika nilai 𝑅𝑅 2 semakin mendekati 1

dan hasil perhitungan galat akan semakin baik jika nilai RMSE semakin mendekati 0.[14]

42

2.12 Kerangka Pemikiran PROBLEMS DATA GATHERING AND PRE-PROCESSING

Prediksi Tinggi Muka Air dilakukan karena data yang tidak liner setiap waktu

Data tinggi muka air didapatkan dari Instansi terkait. Direkapitulasi dgn atribut: tinggi muka air

PROPOSED APPROACH METHOD TEST AND EXPERIMENT

Algoritma Cascade Neural Netwrok dan Backpropagation Neural Network

Data Tinggi Muka air Tahun 2010-2014

Eksperimen: Simulasi dengan MatLab

EVALUATION AND VALIDATION Akurasi Prediksi

RESULT

RMSE

Diketahui Algoritma yang lebih akurat dalam prediksi Tinggi Muka Air Pada Permukaan Sungai

Gambar 2.14 Kerangka Pemikiran

BAB III METODE PENELITIAN 3.1

Perancangan Penelitian

Metode penelitian yang dilakukan adalah metode penelitian eksperimen, dengan tahapan penelitian seperti berikut: 1. Pengumpulan Data (Data Gathering) Penelitian ini memakai data rentet waktu 2. Pengolahan Awal Data (Data Pre-processing) Data perolehandi-transformasi untuk mendapatkan atribut yang relevan dan sesuai dengan format input algoritma soft computing. 3. Model/Metode Yang Diusulkan (Proposed Model/Method) Metode yang diusulkan adalah metode perbandingan tingkat akurasi dari model algoritma soft computing yang dapat digunakan untuk memprediksi data rentet waktu. 4. Eksperimen dan Pengujian Metode (Method Test and Experiment) Masing-masing algoritma akan menggunakan data rentet waktu yang identik. Sebagian data digunakan sebagai data training dan sebagian lagi sebagai data checking. Perhitungan dengan masing-masing algoritma akan diulang beberapa kali untuk mendapatkan besaran parameter terbaik. 5. Evaluasi dan Validasi Hasil (Result Evaluation and Validation) Evaluasi dilakukan dengan mengamati hasil prediksi menggunakan algoritma softcomputing.

Validasi

dilakukan

dengan

mengukur

hasil

prediksi

dibandingkan dengan data asal. Pengukuran kinerja dilakukan dengan membandingkan nilai error hasil prediksi masing-masing algoritma sehingga dapat diketahui algoritma yang lebih akurat.

43

44

3.2

Lokasi Pengambilan Data Penelitian ini terletak di daerah Sungai Barito Kota Banjarmasin Provinsi

Kalimantan Selatan Wilayah II. 3.3

Penelitian Skunder Penelitian Tinggi Muka Air pada sungai Barito yang didapatkan dari Balai

Pengelolaan Air Sungai Provinsi Kalimantan Selatan Wilayah II. Data yang dibutuhkan dalam penelitian ini adalah data yang diperoleh dari sumber data penelitian dimana Penelitian ini memakai data Tinggi Muka Air Sungai Barito dari tahun 2010 sampai dengan 2014 yang didapatkan dari Dinas Pengelolaan Air sungai Provinsi Kalimantan Selatan. Gambaran data dapat dilihat berupa grafik berikut :

Data Tinggi Muka Air Sungai Barito Tahun 2010-2014 350 300 250 200 150 100 50 01-Jan-10

01-Jan-11

01-Jan-12

01-Jan-13

01-Jan-14

Grafik 1 Grafik Tinggi Muka Air tahun 2010-2014

3.4 Pengolahan Data Awal (Pre Processing) Data yang didapatkan dari Dinas Pengelolaan Air Sungai Provinsi Kalimantan Selatan berupa data dalam bentuk file excel yang berupa data mentah yang terdiri numerik. Data yang digunakan adalah data dengan atributtinggi muka air harian mulai tahun 2010 sampai dengan tahun 2014. Data tinggi muka air harian dari tahun 2010 sampai tahun 2013 dijadikan sebagai data training dan data tinggi

45

muka air harian tahun 2014 dijadikan sebagai data testing. Tiap baris data adalah data tinggi muka air setiap hari, untuk data training sebanyak 1.461 baris data dan untuk data testing sebanyak 365 baris. Sebagai gambaran bahwa dan sebagai sampel bahwa yang ditampilkan adalah data tinggi muka air harian dari Dinas Pengelolaan Air Sungai Provinsi Kalimantan Selatan tahun 2010 seperti Tabel di bawah ini. Sedangkan untuk data tahun 2010 sampai tahun 2014 terdapat pada lampiran. Tabel tersebut merupakan data mentah yang benar-benar asli dari tinggi muka air yang ada di Dinas Pengelolaan Air Sungai Provinsi Kalimantan Selatan, Pada baris paling atas angka 1 sampai 12 merupakan nama bulan mulai Januari sampai Desember. Kolom pertama (paling kiri) terdapat angka 1 sampai 31 merupakan tanggal. Pada salah satu sel pada tabel, khususnya yang paling bawah terdapat data yang kosong pada lajur tanggal 29 sampai 31 yang artinya pada bulan tersebut perhitungan hari tidak sampai tanggal 29, 30 dan 31.

46

Tabel 0.1 Tinggi muka air tahun 2010 Data Hasil Prepocessing

47


48


49


50


Data yang digunakan adalah data harian tinggi muka air. Data diambil dari tahun 2010 – 2014 dan data tahun 2014 sebagai uji evaluasi, data tahun 2014 yang digunakan untuk mengevaluasi kinerja baik atau buruk dari prediksi, berdasar kan evaluasi pengukuran. Data tingggi muka air diambil adalah dari tahun 2010 sampai 2014 sebanyak 1.826 data, data diolah menjadi matrik input. Data jaringan akan dilatih untuk satu langkah ke depan sesuai dengan banyaknya inputan. Ilustrasi prediksi jaringan seperti gambar di berikut ini:

51

Input

Target

H1

H2

H3

H4

H5

H6

H7

H8

H9

H10

H1

H2

H3

H4

H5

H6

H7

H8

H9

H10

Input

Target

: : H1

H2

H3

H4

H5

H6

H7

Input

H8

H9

H10

Target

Gambar 3.1 Steap a head

Jaringan akan dilatih untuk peramalan satu langkah ke depan (ukuran langkah maju satu dari data input). Ketika prediksi dibuat, dapat ditentukan target perkiraan, yang merupakan jumlah titik data yang diperkirakan di depan. Dalam hal ini, perkiraan horizontal satu di depan disebut juga one step ahead. Maka tabel data input akan tampak seperti di bawah ini: Tabel 3.6 Data input pada Matlab

H1

H2

H3

H4

…

H1824

H1825

H1826

215

216

214

211

...

193

206

210

210

215

216

215

...

223

193

206

206

210

215

216

...

216

223

193

52

Dan target dari prediksi adalah satu langkah dari 3 data input, seperti tampak di bawah ini:

Tabel 3.7 Tabel data input pada Matlab

H1

H2

H3

H4

…

H1459

H1460

H1461

206

216

215

211

...

193

206

210

Lebih jelasnya dapat dilihat pada tabel pelatihan di bawah ini: Tabel 3.8 Tabel data paelatihan 3 input 1 target

Pola

X1

X2

X3

Target

1

206

210

206

206

2

216

206

210

216

3

215

216

206

215

...

...

...

...

...

1461

210

206

193

210

Kemudian data tersebut juga akan dibandingkan dengan beberapa altoritma seperti Cascade Neural Network dengan Backpropagation Neural Network yang digunakan untuk memprediksi tinggi muka air. Algoritma akan implementasikan dengan menggunakan Matlab. 3.5 Metode Yang Diusulkan Ada beberapa algotrima yang dapat dipakai untuk memprediksi tinggi muka air sungai namun belum diketahui algoritma manakah yang memiliki kinerja lebih akurat. Sehingga perlu masing-masing algoritma diuji untuk mengetahuinya. Metode yang diusulkan adalah metode perbandingan tingkat akurasi dari algoritma yangbisa digunakan untuk prediksi data rentet waktu. yang digunakan untuk memprediksi data tinggi muka air sungai Barito. Algoritma akan implementasikan

53

dengan menggunakan Matlab. Cascade Neural Network yang dioptimalkan akan memiliki minimum error untuk setiap traning data yang diberikan. Tahapan pengolahan data dan penggunaan algoritmma : 1.

Pengolahan data Pre processing.

2.

Proses pengolahan data awal dengan pembuatan data input training dari 2010-2013.

3.

Proses pengolahan data awal dengan pembuatan data input testing dari 2014.

4.

Penggunaan

Algoritma

Backpropagation

Neural

Network

dalam

memprediksi Time series. 5.

Penggunaan Algoritma Cascade Neural Network dalam memprediksi Time series.

6.

Mendapatkan hasil prediksi dari masing-masing algoritma. Sebelum pelatihan feedforward, perlu menentukan besarnya α = 0,3, error

= 0,00005, epoch=100,

fungsi aktifasi = sigmoid biner dan menetukan data

pelatihan.

1

X1

1 V3V1-

V2-

V1-

W0 Z1 W1

V3- V2X2

V1-

Z2

V2-

.

V3V1-12

X.1

V2-12

W2

W3 V3-12

Z3

Gambar 3.2 Arsitektur jaringan 3 input 3 hiden layer dan 1output

Y1

54

Dari gambar diatas, data masukan dinyatakan dengan matrik: X = [ x 1, x 2, x 3 ]

…….......(33)

Bobot-bobot link neuron masukan adalah aij, sehingga dalam bentuk matrik menjadi:

A=

a 21

a 11

a 12

a 22

a 23

a 31

a 32

a 13

a 33

Keluaran dari tiap-tiap neuron pada lapisan masukan adalah: Z = [z 1 z 2 z 3 ]

…….......(34)

Bobot-bobot link neuron pada lapisan keluaran yaitu: W = [w 0 w 1 w 2 w 3 ] Pelatihan

Backpropagation

merupakan

suatu

…….......(35) penyesuain

bobot

dengan

memperhatikan kesalahan keluaran yang nyata dengan hasil prediksi. Pada prinsipnya bobot awal diambil secara acak kemudian bobot tersebut berubah kearah bawah yang disebut ‘gradient descent’. Hal tersebut dilakukan secara berulang hingga harga kesalahan akan sama dengan nol [20]. Fungsi aktifasi menggunakan sigmoid biner (range 0 sampai dengan 1), maka data harus ditransformasikan [0,1]. Tapi akan lebih baik di transformasikan pada range [0,1 0,9] karena fungsi sigmoid nilainya tidak pernah 0 ataupun 1 [21]. Untuk mentransformasikan dengan rumus: X’ =

(𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟−𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟)(𝑥𝑥−𝑎𝑎)

Dimana:

𝑏𝑏−𝑎𝑎

a = nilai minimum dari data b = nilai maximum dari data

+ 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟

…….......(36)

55

X 1 ’=

(0,9−0,1)(9258−8629) 12338−8629

X 1 ’= 0,23567

+ 0,1 Tabel 3.9 Hasil Transformasi

Pola

X1

X2

X3

1

0,23567

0,229415 0,23567

2

0,229415 0,23567

3

0,23567

Target 0,230493

0,230493 0,23567

0,230493 0,23567

0,233729

0,177218 0,173335 0,16557

0,168374

... 1457

Algoritma pelatihanya adalah: Inisialisasi bobot awal secara random.

Tabel 3.10 Nilai bobot dari layer ke layer

V1

V2

V3

1

0.1

0.3

-0.1

X1

0.5

0.1

-0.5

X2

-0.2

0.1

0.2

X3

0.1

-0.2

-0.3

Tabel 3.11 Nilai bobot dari layer ke layer tersembunyi ke layer output

W 1

-0.1

Z1

0.2

Z2

0.1

Z3

-0.4

Untuk setiap pasang data pelatihan, lakukan langkah 3 sampai dengan 8

56

Tabel 3.12 Data pelatihan

X1

X2

X3

Target

0,23567 0,229415 0,23567 0,230493

(3) Tahap I : Langkah 3 Tiap unit masukkan menerima sinyal dan meneruskan ke unit tersembunyi Langkah 4 Hitung semua keluaran di unit tersembunyi (Zj): 𝑛𝑛

𝑧𝑧𝑛𝑛𝑛𝑛𝑛𝑛 𝑗𝑗 = 𝑣𝑣𝑗𝑗0 + � 𝑥𝑥𝑖𝑖 𝑣𝑣𝑗𝑗𝑗𝑗 𝑖𝑖=1 2

𝑧𝑧𝑛𝑛𝑛𝑛𝑛𝑛 1 = 𝑣𝑣10 + � 𝑥𝑥𝑖𝑖 𝑣𝑣𝑗𝑗𝑗𝑗 𝑖𝑖=1

Znet1 = v1-0+x1 . v1-1+x2 . v1-2+x3 v1-13 = 0.1+0,23567 . 0.5+0,229415 .-0.2+0,23567. 0.1 = 0,195519 Dengan cara yang sama hasil Znet2 dan Znet3 adalah sebagai berikut: Znet2= 0,190623 Znet3= 0,195303

𝑧𝑧𝑗𝑗 = 𝑓𝑓 �𝑧𝑧𝑛𝑛𝑛𝑛𝑛𝑛 𝑗𝑗 � =

1 1 + 𝑒𝑒 −𝑧𝑧_𝑛𝑛𝑛𝑛𝑛𝑛𝑗𝑗 1

1

1

1

1

1

𝑧𝑧1 = 𝑓𝑓�𝑧𝑧𝑛𝑛𝑛𝑛𝑛𝑛 1 � = 1+𝑒𝑒 −𝑧𝑧_𝑛𝑛𝑛𝑛𝑛𝑛1 = 1+𝑒𝑒 −0,195519 =0,548725 𝑧𝑧2 = 𝑓𝑓�𝑧𝑧𝑛𝑛𝑛𝑛𝑛𝑛 2 � = 1+𝑒𝑒 −𝑧𝑧_𝑛𝑛𝑛𝑛𝑛𝑛2 = 1+𝑒𝑒 −0,190623 =0,547512 𝑧𝑧3 = 𝑓𝑓�𝑧𝑧𝑛𝑛𝑛𝑛𝑛𝑛 3 � = 1+𝑒𝑒 −𝑧𝑧_𝑛𝑛𝑛𝑛𝑛𝑛3 = 1+𝑒𝑒 −0,195303 =0,548671

57

Langkah 5 Hitung semua jaringan di unit keluaran (yk) 𝑝𝑝

𝑦𝑦_𝑛𝑛𝑛𝑛𝑛𝑛𝑘𝑘 = 𝑤𝑤𝑘𝑘0 + � 𝑧𝑧𝑗𝑗 𝑤𝑤𝑘𝑘𝑘𝑘 𝑗𝑗=1

𝑝𝑝

𝑦𝑦𝑛𝑛𝑛𝑛𝑛𝑛 1 = 𝑤𝑤10 + � 𝑧𝑧𝑗𝑗 𝑤𝑤𝑘𝑘𝑘𝑘 = 𝑤𝑤0 + 𝑧𝑧1 𝑤𝑤1 + 𝑧𝑧2 𝑤𝑤2 + 𝑧𝑧3 𝑤𝑤3 𝑗𝑗=1

= −0,1 + 0,548725.0,2 + 0,547512.0,1 + 0,548671. (−0,4) = -0,15497 1

1

𝑦𝑦1 = 𝑓𝑓(𝑦𝑦_𝑛𝑛𝑛𝑛𝑛𝑛𝑘𝑘 ) = 1+𝑒𝑒 −𝑦𝑦_𝑛𝑛𝑛𝑛𝑛𝑛𝑘𝑘 = 1+𝑒𝑒 0,15497 = 0,461334 Fase II : Propagasi Maju Langkah 6 δk=(tk-yk) f’(y_netk)= (tk-yk) yk (1-yk) δ1=(t1-y1) f’(y_net1)= (t1-y1) y1 (1-y1) =( 0,230493-0,461334) 0,461334 (1-0,461334) = -0,05737 Missal dengan menggunakan α =0,3 Δwkj= α δk zj Δw10= α δ1 (1)=0,3 . (-0,05737) . (1) = -0,01721 Dengan cara yang sama maka : ∆W0 -0.01721 ∆W1 -0.00944 ∆W2 -0.00942 ∆W3 -0.00944

58

Langkah 7 Hitung factor δ unit tersembunyi berdasarkan kesalahan di setiap unit tersembunyi zj (j=1,2,3,…,p) 𝑚𝑚

δ_𝑛𝑛𝑛𝑛𝑛𝑛𝑗𝑗 = � δ𝑘𝑘 𝑤𝑤𝑘𝑘𝑘𝑘 𝑘𝑘=1

δ𝑛𝑛𝑛𝑛𝑛𝑛 1 = δ1 . 𝑤𝑤11 = (−0,05737). (−0.00944) = 0,000541717

δ_𝑛𝑛𝑛𝑛𝑛𝑛2 = δ1 . 𝑤𝑤12 = (−0,05737). (−0.00942) = 0,00054052

δ_𝑛𝑛𝑛𝑛𝑛𝑛3 = δ1 . 𝑤𝑤13 = (−0,05737). (−0.00944) = 0,000541665 Faktor kesalahan δ unit tersembunyi δj = δ_netj f’(z_netj) = δ_net zj (1-zj) δ1 = δ_net z1 (1-z1) = ( 0,000541717). 0,548725.(1-0,548725) = -0,00284 Dengan cara yang sama maka :

δ2 = δ_net z2 (1-z2) = -0,00142 δ3 = δ_net z3 (1-z3) = 0,005682 Δvji = α δj xi Δv11 = α δ x1= 0,3*(-0,00284)* 0,23567 = - 0,00020086 Dengan cara yang sama maka nilai: Δv12 = - 0,00019553 Δv13 = - 0,00020086 Δv21 = - 9,7812E-05 Δv22 = - 0,000100479 Δv23 = - 9,82716E-05 Δv31 = 0,000401735 Δv32 = 0,00039291 Δv33 = 0,000401735 (7) Fase III : Perubahan Bobot Langkah 8 Perubahan bobot garis yang menuju unit keluaran

59

wkj (baru)= wkj (lama) + Δwkj w10 (baru)= w10 (lama) + Δw10 = -0,1-0,01721= - -0,11721 w11 (baru)= w11 (lama) + Δw11=0,2-0,00944= 0,190557 w12 (baru)= w12 (lama) + Δw12=0,1-0,00942= 0,090578 w13 (baru)= w13 (lama) + Δw13=-0,4-0,00944= - 0,40944 vkj (baru) = vkj (lama) + Δvkj v11 (baru) = - 0,00020086 v12 (baru) = - 0,00019553 v13 (baru) = - 0,00020086 v21 (baru) = - 9,7812E-05 v22 (baru) = - 0,000100479 v23 (baru) = - 9,82716E-05 v31 (baru) = 0,000401735 v32 (baru) = 0,00039291 v33 (baru) = 0,000401735

Metode learning ‘gradien descent’ pada umumnya berjalan dengan lambat. Model ini kemudian dikembangkan dengan beberapa variasi [22] antara lain: 1.

Metode Penurunan Gradien dengan Momentum (trainingdm) Modifikasi metode penurunan tercepat dilakukan dengan menambahkan momentum.

Momentum

dapat

ditambahkan

ke pembelajaran backpropagation dengan melakukan perubahan bobot yang sama dengan jumlah dari sebagian kecil dari perubahan weigh terakhir dan perubahan baru yang disarankan oleh aturan backpropagation. Dalam proses pembelajaran, kekonvergenan akan lebih cepat dicapai jika momentum ditambahkan pada rumus pembaharuan bobot. Untuk menggunakan momentum, bobot (pembaharuan bobot) dari satu atau lebih pola pembelajaran sebelumnya harus disimpan. Sebagai contoh, bentuk paling sederhana dari Cascade dengan momentum, bobot baru untuk langkah pembelajaran (t + 1) berdasarkan bobot pada langkah pembelajaran (t) dan (t – 1). Perumusan matematis untuk Backpropagation dengan momentum adalah :

60

w jk (t + 1) = w jk (t ) + αδ k z j + µ[ w jk (t ) − w jk (t − 1)]

atau ∆w jk (t + 1) = αδ k z j + µ∆w jk (t )

dan vij (t + 1) = vij (t ) + αδ j xi + µ[vij (t ) − vij (t − 1)]

atau ∆vij (t + 1) = αδ j z i + µ∆vij (t )

di mana parameter momentum μ dibatasi pada jangkauan 0 sampai 1. Jika menggunakan metode momentum pada perhitungaan manual untuk data prediksi kurs maka hasilnya: µ = 0,2 w 11 (baru) = (0,190557) + (-0.01721) + 0,2(0,190557-0,2) = 0,179225 w 12 (baru) = 0,079271 w 13 (baru) = -0,42077 w 10 (baru) = -0,13786 v 11 (baru) = (0,499799) + (-0,00020086) + 0,2 (0,499799 – 0,5) = 0,499558 v 12 (baru) = -0,20043 v 13 (baru) = 0,099558 v 21 (baru) = 0,099785 v 22 (baru) = 0,099779 v 23 (baru) = -0,20022 v 31 (baru) = -0,49912 v 32 (baru) = 0,200864 v 33 (baru) = -0,29912

61

3.6 Eksperimen dan Pengujian Metode (Method Test and Experiment) Eksperimen dan pengujian metode merupakan perhitungan dan simulasi pengujian metode yang digunakan pada penelitian ini. Langkah-langkah eksperimen yang dilakukan adalah sebagai berikut :

1) Preprocessing Data Pada tahapan ini dilakukan proses pembuatan data input berupa data itraining, ttraining, itesting dan ttesting dari data Tinggi Muka Air yang merupakan data Time Series. a. Membuat input – input data training data Tinggi Muka Air Sungai Barito dari tahun 2010 – 2013 seperti pada skema gambar berikut:

Gambar 3.3 Data input Training

62

b. Membuat input – input data testing data Tinggi Muka Air Sungai Barito tahun 2014 seperti pada skema gambar berikut:

Gambar 3.4 Data Testing

63

2) Desain Eksperimen .

Dataset

Data Training

Data Testing

Backpropagation Neural Network dan Cascade Neural Network

Model Prediksi

Akurasi Prediksi MSE

Gambar 3.5 Desain Eksperimen

Langkah – langkah dalam melakukan ekperimen sebagai berikut : 1. Dataset didapat dari instansi terkait yakni secara keseluruhan mulai tahun 2010 sampai 2014.

64

2. Data tahun 2010-2013 akan dipergunakan sebagai training data yang berjumlah 1461. 3. Data tahun 2014 akan digunakan sebagai testing data yang berjumlah 365. 4. Data training yang sudah di dekomposisi akan menjadi data input bagi neural network, dengan struktur yang optimal. Pembobotan dalam neural network dilakukan oleh Backpropagation Neural Network dan Cascade Neural Network. Sedangkan dari data testing akan didekomposisi dan dilewatkan dalam struktur neural network yang telah mengalami pembobotan Backpropagation Neural Network dan Cascade Neural Network, menghasilkan data testing yang terdekomposisi oleh masingmasing algoritma. 5. Model prediksi Backpropagation Neural Network dan Cascade Neural Network akan menghasilkan keluaran neural network yang direkontruksi sehingga menjadi data prediksi tinggi muka air sungai Barito. Data prediksi seperti ini akan dibandingkan dengan data uji, untuk mendapatkan prediksi yang akurat dan nilai :

a. Root Mean Square Error adalah penjumlahan kuadrat error atau selisih antara nilai sebenarnya (aktual) dan nilai prediksi, kemudian membagi jumlah tersebut dengan banyaknya waktu data peramalan dan kemudian menarik akarnya, atau dapat dirumuskan sebagai berikut:

∑(𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴−𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃)2

Dimana nilai : 𝑅𝑅𝑅𝑅𝑅𝑅𝐸𝐸 𝑛𝑛 b.

𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅 = �

𝑛𝑛

…….......(33)

= Root Mean Square Error = banyak data

Mean Square Error adalah penjumlahan kuadrat error atau selisih antara nilai sebenarnya (aktual) dan nilai prediksi, kemudian membagi

65

jumlah tersebut dengan banyaknya waktu data peramalan, atau dapat dirumuskan sebagai berikut:

∑(𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴−𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃)2

𝑀𝑀𝑀𝑀𝑀𝑀 =

𝑛𝑛

…….......(34)

Dimana nilai : 𝑀𝑀𝑀𝑀𝑀𝑀 𝑛𝑛 c.

= Mean Square Error = banyak data

Mean Absolute Percentage Error adalah

nilai absolute dari

persentase error data terhadap mean, atau dapat dirumuskan sebagai berikut:

𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀 =

|𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃−𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴| 𝑥𝑥 𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴

∑

𝑛𝑛

100

…….......(35)

Dimana nilai : 𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀 𝑛𝑛 d.

= Mean Absolute Percentage Error = banyak data

Mean Absolute Deviation adalah nilai absolutdari penyimpangan data terhadap mean, atau dapat dirumuskan sebagai berikut: 𝑀𝑀𝑀𝑀𝑀𝑀 =

∑|𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴−𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃| 𝑛𝑛

Dimana nilai : 𝑀𝑀𝑀𝑀𝑀𝑀 𝑛𝑛

= Mean Absolute Deviation = banyak data

…….......(36)

66

3.7 Evaluasi dan Validasi Hasil Evaluasi dilakukan dengan menganalisis dan membandingkan hasil prediksi tinggi muka air antara Cascade Neural Network dengan Backpropagation Neural Network. Pengukuran kinerja dilakukan dengan menghitung rata-rata error yang terjadi melalui besaran Root Mean Square Error (RMSE) atau Mean Square Error (MSE) . Semakin kecil nilai dari masing-masing parameter kinerja ini menyatakan semakin dekat nilai prediksi dengan nilai sebenarnya.

60

BAB IV HASIL DAN PEMBAHASAN 4.1 Eksperimen dan Pengujian Model/Metode Eksperimen ini akan menguji dan membandingkan 2 metode berbeda yaitu Cascade Neural Network dan Backpropagation Neural Network dimana hasilnya di gunakan untuk menguji dan memprediksi data tinggi muka air sungai barito kalimantan selatan. 4.1.1

Experimen dan Pengujian Model/Metode menggunakan Cascade Neural Network Algoritma yang diusulkan dalam penelitian ini akan diterapkan pada data

tinggi muka air sungai dari tahun 2010-2014 sungai Barito di Banjarmasin Provinsi Kalimatan Selatan. Dengan menggunakan Matlab [1], Proses pengujian Cascade Neural Network dilakukan Untuk Cascade Neural Network- Levenberg-Marquardt (LM). Disini menggunakan 4 , 6, 9, 12, 15 dan 18 input :

Untuk Cascade Neural Network - Levenberg-Marquardt (LM) itraining=itraining'; ttraining=ttraining'; itesting=itesting'; ttesting=ttesting'; net = newcf(itraining,ttraining,5,{'purelin','purelin'},'trainlm'); net.trainParam.epochs = 1000; net.trainParam.lr = 0.02; CNN = train(net, itraining,ttraining); %Simulasi CNN% y = sim(CNN, itesting); %Menampilakan grafik hasil plot data simulasi CNN%

61

index=1:365; plot(index, ttesting, index, y) legend('Aktual', 'Prediksi') %Menghitung nilai parameter chkRMSE=norm(y-ttesting)/sqrt(365); e=(y-ttesting); perf=mse(e);

keterangan: itraining = merupakan input training yang berisi data training/latih dari tahun 2010-2013 yang sudah di beri siklus inputan. ttraining = merupakan data tunggal 2010-2013 diambil tahap awal dan berisi 1 baris data saja. itesting = merupakan input testing yang berisi data training/latih dari tahun 2014 yang sudah di beri siklus inputan. ttesting = merupakan data tunggal 2014 diambil tahap awal dan berisi 1 baris data saja. y

= hasil prediksi

Untuk Cascade Neural Network - Broyden, Fletcher, Goldfarb, and Shanno quasiNewton (BFGS) itraining=itraining'; ttraining=ttraining'; itesting=itesting'; ttesting=ttesting'; net newcf(itraining,ttraining,5,{'purelin','purelin'},'trainingda'); net.trainParam.epochs = 1000; net.trainParam.lr = 0.02; CNN = train(net, itraining,ttraining); %Simulasi CNN% y = sim(CNN, itesting);

62

%Menampilakan grafik hasil plot data simulasi CNN% index=1:365; plot(index, ttesting, index, y) legend('Aktual', 'Prediksi') %Menghitung nilai parameter chkRMSE=norm(y-ttesting)/sqrt(365); e=(y-ttesting); perf=mse(e);

keterangan: itraining = merupakan input training yang berisi data training/latih dari tahun 2010-2013 yang sudah di beri siklus inputan. ttraining = merupakan data tunggal 2010-2013 diambil tahap awal dan berisi 1 baris data saja. itesting = merupakan input testing yang berisi data training/latih dari tahun 2014 yang sudah di beri siklus inputan. ttesting = merupakan data tunggal 2014 diambil tahap awal dan berisi 1 baris data saja. y

= hasil prediksi

4.1.1.1 Implementasi Cascade Neural Network Algoritma yang diusulkan dalam penelitian ini akan di tetapkan pada data tinggi muka air tahun 2010-2014 di sungai Barito Provinsi Kalimantan Selatan. Data Tahun 2010-2013 dipergunakan sebagai training data 2014 digunakan sebagai data testing dengan Maltab.

63

a. Hasil dari percobaan di Matlab untuk input 4 dengan train lm sebagai berikut :

Gambar 4.1 Neural Network Training (nintrainingtool) CNN input 4

Review tampilan bar training tool menunjukkan skema dari Cascade Neural Network saat melakukan proses training data dengan input 4 dan train lm. Beberapa hasilnya pun dapat dilihat dibawah ini :

64

Gambar 4.2 Figure CNN train lm input 4

Gambar 4.3 Workspace CNN train input 4

65

keterangan: itraining = merupakan input training yang berisi data training/latih dari tahun 2010-2013 yang sudah di beri siklus inputan. ttraining = merupakan data tunggal 2010-2013 diambil tahap awal dan berisi 1 baris data saja. itesting = merupakan input testing yang berisi data training/latih dari tahun 2014 yang sudah di beri siklus inputan. ttesting = merupakan data tunggal 2010-2013 diambil tahap awal dan berisi 1 baris data saja. y

= hasil prediksi

Data training 1.461 dan data Testing 365 total 1.826 baris data, dengan penambahan fitur input dan output Tinggi Muka Air terhadap titik uji. Proses pengujian struktur input 4 dengan Learning Rate = 0,02 menggunakan Training Levenberg Marquardt (LM) Grafik Hasil pengujian NN (dengan struktur input 4 train lm) adalah

66

Grafik 2 Hasil pengujian CNN train lm input 4

67

Dari grafik diatas merupakan hasil training lm dengan input 4 dari matlab dengan pengujian Cascade Neural Network yang terdiri dari grafik training state, validation performance menampilkan hasil prediksi/test dengan hasil data latih/training sehingga bisa diketahui keakurasian prediksinya, begitu juga pada grafik regression persimpangan menunjukan perbedaan antara data sebenarnya dengan hasil prediksi.

b. Hasil dari percobaan di Matlab untuk input 4 dengan train gda sebagai berikut :

Gambar 4.4 Neural Network Training (nintrainingtool) CNN input 4 train gda

Review tampilan figure training tool menunjukkan skema dari Cascade Neural Network saat melakukan proses training data dengan input 4 dan train gda. Beberapa hasilnya pun dapat dilihat dibawah ini :

68

Gambar 4.5 Figure CNN train gda input 4

Gambar 4.6 Workspace CNN train input 4 gda

keterangan: itraining = merupakan input training yang berisi data training/latih dari tahun 2010-2013 yang sudah di beri siklus inputan. ttraining = merupakan data tunggal 2010-2013 diambil tahap awal dan berisi 1 baris data saja. itesting = merupakan input testing yang berisi data training/latih dari tahun 2014 yang sudah di beri siklus inputan. ttesting = merupakan data tunggal 2010-2013 diambil tahap awal dan berisi 1 baris data saja.

69

y

= hasil prediksi

Data training 1.461 dan data Testing 365 total 1.826 baris data, dengan penambahan fitur input dan output Tinggi Muka Air terhadap titik uji. Proses pengujian struktur input 4 dengan Learning Rate = 0,02 menggunakan Training Gradient Descent with Adaptive (Gda) Grafik Hasil pengujian NN (dengan struktur input 4 train gda) adalah

70

Grafik 3 Hasil pengujian CNN train gda input 4

71

Dari grafik diatas merupakan hasil training gda dengan input 4 dari matlab dengan pengujian Cascade Neural Network yang terdiri dari grafik training state, validation performance menampilkan hasil prediksi/test dengan hasil data latih/training sehingga bisa diketahui keakurasian prediksinya, begitu juga pada grafik regression persimpangan menunjukan perbedaan antara data sebenarnya dengan hasil prediksi.

Dari hasil uji diatas dapat dilihat dengan Training Levenberg Marquardt (LM) dan LR (Learning Rate) = 0,02 menghasilkan nilai RMSE best validasi = 9.1678.

Dengan Gradient Descent with Adaptive (GDA) dan LR (Learning Rate) = 0,02 menghasilkan nilai RMSE best validasi = 9.5161.

c. Hasil dari percobaan di Matlab untuk input 6 dengan train lm sebagai berikut :


72

Review tampilan bar training tool menunjukkan skema dari Cascade Neural Network saat melakukan proses training data dengan input 6 dan train lm. Beberapa hasilnya pun dapat dilihat dibawah ini :



73


= hasil prediksi

Data training 1.461 dan data Testing 365 total 1.826 baris data, dengan penambahan fitur input dan output Tinggi Muka Air terhadap titik uji. Proses pengujian struktur input 6 dengan Learning Rate = 0,02 menggunakan Training Levenberg Marquardt (LM). Grafik Hasil pengujian NN (dengan struktur input 6 train lm) adalah

74


75


d. Hasil dari percobaan di Matlab untuk input 6 dengan train gda sebagai berikut :



76



keterangan: itraining = merupakan input training yang berisi data training/latih dari tahun 2010-2013 yang sudah di beri siklus inputan. ttraining = merupakan data tunggal 2010-2013 diambil tahap awal dan berisi 1 baris data saja.

77

itesting = merupakan input testing yang berisi data training/latih dari tahun 2014 yang sudah di beri siklus inputan. ttesting = merupakan data tunggal 2010-2013 diambil tahap awal dan berisi 1 baris data saja. y

= hasil prediksi

Data training 1.461 dan data Testing 365 total 1.826 baris data, dengan penambahan fitur input dan output Tinggi Muka Air terhadap titik uji. Proses pengujian struktur input 6 dengan Learning Rate = 0,02 menggunakan Training Gradient Descent with Adaptive (GDA). Grafik Hasil pengujian NN (dengan struktur input 6 train gda) adalah

78


Dari grafik diatas merupakan hasil training gda dengan input 6 dari matlab dengan pengujian Cascade Neural Network yang terdiri dari grafik training state, validation performance menampilkan hasil prediksi/test dengan hasil data latih/training sehingga bisa diketahui keakurasian prediksinya, begitu juga pada

79

grafik regression persimpangan menunjukan perbedaan antara data sebenarnya dengan hasil prediksi.



e. Hasil dari percobaan di Matlab untuk input 9 dengan train lm sebagai berikut :


80

Review tampilan figure training tool menunjukkan skema dari Cascade Neural Network saat melakukan proses training data dengan input 9 dan train lm. Beberapa hasilnya pun dapat dilihat dibawah ini :


81



= hasil prediksi

Data training 1.461 dan data Testing 365 total 1.826 baris data, dengan penambahan fitur input dan output Tinggi Muka Air terhadap titik uji. Proses pengujian struktur input 9 dengan Learning Rate = 0,02 menggunakan Training Levenberg Marquardt (LM).

82

Grafik Hasil pengujian NN (dengan struktur input 9 train lm) adalah

83



84

f. Hasil dari percobaan di Matlab untuk input 9 dengan train gda sebagai berikut :




85



= hasil prediksi

Data training 1.461 dan data Testing 365 total 1.826 baris data, dengan penambahan fitur input dan output Tinggi Muka Air terhadap titik uji. Proses pengujian struktur input 9 dengan Learning Rate = 0,02 menggunakan Training Gradient Descent with Adaptive (GDA)

86

Grafik Hasil pengujian NN (dengan struktur input 9 train gda) adalah

87




Dengan Gradient Descent with Adaptive (GDA) dan LR (Learning Rate) = 0,02 menghasilkan nilai RMSE best validasi = 9.3976. g. Hasil dari percobaan di Matlab untuk input 12 dengan train lm sebagai berikut :

88



89



keterangan: itraining = merupakan input training yang berisi data training/latih dari tahun 2010-2013 yang sudah di beri siklus inputan.

90

ttraining = merupakan data tunggal 2010-2013 diambil tahap awal dan berisi 1 baris data saja. itesting = merupakan input testing yang berisi data training/latih dari tahun 2014 yang sudah di beri siklus inputan. ttesting = merupakan data tunggal 2010-2013 diambil tahap awal dan berisi 1 baris data saja. y

= hasil prediksi


91


92


h. Hasil dari percobaan di Matlab untuk input 12 dengan train gda sebagai berikut :


93




keterangan: itraining = merupakan input training yang berisi data training/latih dari tahun 2010-2013 yang sudah di beri siklus inputan. ttraining = merupakan data tunggal 2010-2013 diambil tahap awal dan berisi 1 baris data saja.

94


= hasil prediksi Data training 1.461 dan data Testing 365 total 1.826 baris data, dengan

penambahan fitur input dan output Tinggi Muka Air terhadap titik uji. Proses pengujian struktur input 4 dengan Learning Rate = 0,02 menggunakan Training Gradient Descent with Adaptive (GDA) Grafik Hasil pengujian NN (dengan struktur input 12 train gda) adalah

95



96



i. Hasil dari percobaan di Matlab untuk input 15 dengan train lm sebagai berikut :


97




98

keterangan: itraining = merupakan input training yang berisi data training/latih dari tahun 20102013 yang sudah di beri siklus inputan. ttraining = merupakan data tunggal 2010-2013 diambil tahap awal dan berisi 1 baris data saja. itesting = merupakan input testing yang berisi data training/latih dari tahun 2014 yang sudah di beri siklus inputan. ttesting = merupakan data tunggal 2010-2013 diambil tahap awal dan berisi 1 baris data saja. y

= hasil prediksi


99


Dari grafik diatas merupakan hasil training lm dengan input 15 dari matlab dengan pengujian Cascade Neural Network yang terdiri dari grafik training state, validation performance menampilkan hasil prediksi/test dengan hasil data

100

latih/training sehingga bisa diketahui keakurasian prediksinya, begitu juga pada grafik regression persimpangan menunjukan perbedaan antara data sebenarnya dengan hasil prediksi.

j. Hasil dari percobaan di Matlab untuk input 15 dengan train gda sebagai berikut :


101





102


= hasil prediksi

Data training 1.461 dan data Testing 365 total 1.826 baris data, dengan penambahan fitur input dan output Tinggi Muka Air terhadap titik uji. Proses pengujian struktur input 15 dengan Learning Rate = 0,02 menggunakan Training Gradient Descent with Adaptive (GDA) Grafik Hasil pengujian NN (dengan struktur input 15 train gda) adalah

103


Dari grafik diatas merupakan hasil training gda dengan input 15 dari matlab dengan pengujian Cascade Neural Network yang terdiri dari grafik training state,

104

validation performance menampilkan hasil prediksi/test dengan hasil data latih/training sehingga bisa diketahui keakurasian prediksinya, begitu juga pada grafik regression persimpangan menunjukan perbedaan antara data sebenarnya dengan hasil prediksi.



105

k. Hasil dari percobaan di Matlab untuk input 18 dengan train lm sebagai berikut :


Review tampilan Figure training tool menunjukkan skema dari Cascade Neural Network saat melakukan proses training data dengan input 18 dan train lm. Beberapa hasilnya pun dapat dilihat dibawah ini :

106




107


= hasil prediksi


108


Dari grafik diatas merupakan hasil training lm dengan input 18 dari matlab dengan pengujian Cascade Neural Network yang terdiri dari grafik training state, validation performance menampilkan hasil prediksi/test dengan hasil data

109

latih/training sehingga bisa diketahui keakurasian prediksinya, begitu juga pada grafik regression persimpangan menunjukan perbedaan antara data sebenarnya dengan hasil prediksi.

l. Hasil dari percobaan di Matlab untuk input 18 dengan train gda sebagai berikut :


110




Data training 1.461 dan data Testing 365 total 1.826 baris data, dengan penambahan fitur input dan output Tinggi Muka Air terhadap titik uji. Proses

111

pengujian struktur input 18 dengan Learning Rate = 0,02 menggunakan Training Gradient Descent with Adaptive (GDA) Grafik Hasil pengujian NN (dengan struktur input 18 train gda) adalah

112





113

Dari hasil Percobaan dengan input 4, 6, 9, 12, 15, 18 menghasilkan nilai sebagai berikut :

Tabel 4.1 Nilai MSE Learning Lm dan Gda Cascade Neural Network

Arsitektur FFN Input

Hidden1ayer

CNN (MSE)

Out

LM

GDA

4

5

1

9.1678

9.5161

6

5

1

9.0943

9.5825

9

5

1

9.0501

9.3976

12

5

1

9.0724

9.7981

15

5

1

8.9725

9.2601

18

5

1

9.0593

9.8697

Dari gambar di atas memberikan informasi bahwa RMSE terkecil sebesar 8,9725 untuk lm dan 9.2601 untuk gda. 4.1.2

Experimen

dan

Pengujian

Model/Metode

menggunakan

Backpropagation Neural Network

Algoritma yang diusulkan dalam penelitian ini akan diterapkan pada data tinggi muka air sungai dari tahun 2010-2014 sungai Barito di Banjarmasin Provinsi Kalimatan Selatan. Dengan menggunakan Matlab [1], Proses pengujian Backpropagation Neural Network dilakukan untuk BPNN- Levenberg-Marquardt (LM) itraining=itraining'; ttraining=ttraining'; itesting=itesting'; ttesting=ttesting'; net = newff(itraining,ttraining,5,{},'trainlm');

114

net.trainParam.epochs = 1000; net.trainParam.lr = 0.02; BPNN = train(net, itraining,ttraining); %Simulasi BPNN% y = sim(BPNN, itesting); %Menampilakan grafik hasil plot data simulasi BPNN% index=1:365; plot(index, ttesting, index, y) legend('Aktual', 'Prediksi') %Menghitung nilai parameter chkRMSE=norm(y-ttesting)/sqrt(365);


= hasil prediksi

Untuk Backpropagation Neural Network - Broyden, Fletcher, Goldfarb, and Shanno quasi-Newton (BFGS) itraining=itraining'; ttraining=ttraining'; itesting=itesting'; ttesting=ttesting'; net = newff(itraining,ttraining,5,{},'trainingda'); net.trainParam.epochs = 1000;

115

net.trainParam.lr = 0.02; BPNN = train(net, itraining,ttraining); %Simulasi BPNN% y = sim(BPNN, itesting); %Menampilakan grafik hasil plot data simulasi BPNN% index=1:365; plot(index, ttesting, index, y) legend('Aktual', 'Prediksi') %Menghitung nilai parameter chkRMSE=norm(y-ttesting)/sqrt(365); keterangan: itraining = merupakan input training yang berisi data training/latih dari tahun 2010-2013 yang sudah di beri siklus inputan. ttraining = merupakan data tunggal 2010-2013 diambil tahap awal dan berisi 1 baris data saja. itesting = merupakan input testing yang berisi data training/latih dari tahun 2014 yang sudah di beri siklus inputan. ttesting = merupakan data tunggal 2010-2013 diambil tahap awal dan berisi 1 baris data saja. y

= hasil prediksi

4.1.2.1 Implementasi Backpropagation Neural Network Algoritma yang diusulkan dalam penelitian ini akan di tetapkan pada data tinggi muka air tahun 2010-2014 di sungai Barito Provinsi Kalimantan Selatan. Data Tahun 2010-2013 dipergunakan sebagai training data 2014 digunakan sebagai data testing dengan Maltab.

116

a. Hasil dari percobaan di Matlab untuk input 4 dengan train lm sebagai berikut :


Review

tampilan

bar

training

tool

menunjukkan

skema

dari

Backpropagation Neural Network saat melakukan proses training data dengan input 4 dan train lm. Beberapa hasilnya pun dapat dilihat dibawah ini :

117

Gambar 4.38 Figure BPNN train lm input 4

Gambar 4.39 Workspace BPNN train input 4

keterangan: itraining = merupakan input training yang berisi data training/latih dari tahun 20102013 yang sudah di beri siklus inputan.

118


= hasil prediksi Data training 1.461 dan data Testing 365 total 1.826 baris data, dengan

penambahan fitur input dan output Tinggi Muka Air terhadap titik uji. Proses pengujian struktur input 4 dengan Learning Rate = 0,02 menggunakan Training Levenberg Marquardt (LM) Grafik Hasil pengujian NN (dengan struktur input 4 train lm) adalah

119

Grafik 14 Hasil pengujian BPNN train lm input 4

120

Dari grafik diatas merupakan hasil training lm dengan input 4 dari matlab dengan pengujian Backpropagation Neural Network yang terdiri dari grafik training state, validation performance menampilkan hasil prediksi/test dengan hasil data latih/training sehingga bisa diketahui keakurasian prediksinya, begitu juga pada grafik regression persimpangan menunjukan perbedaan antara data sebenarnya dengan hasil prediksi.

b. Hasil dari percobaan di Matlab untuk input 4 dengan train gda sebagai berikut :

Gambar 4.40 Neural Network Training (nintrainingtool) BPNN input 4 train gda

Review tampilan figure training tool menunjukkan skema dari Backpropagation Neural Network saat melakukan proses training data dengan input 4 dan train gda. Beberapa hasilnya pun dapat dilihat dibawah ini :

121

Gambar 4.41 Figure BPNN train gda input 4

Gambar 4.42 Workspace BPNN train input 4 gda

keterangan: itraining = merupakan input training yang berisi data training/latih dari tahun 20102013 yang sudah di beri siklus inputan. ttraining = merupakan data tunggal 2010-2013 diambil tahap awal dan berisi 1 baris data saja. itesting = merupakan input testing yang berisi data training/latih dari tahun 2014 yang sudah di beri siklus inputan. ttesting = merupakan data tunggal 2010-2013 diambil tahap awal dan berisi 1 baris data saja.

122

y

= hasil prediksi


123

Grafik 15 Hasil pengujian BPNN train gda input 4

Dari grafik diatas merupakan hasil training gda dengan input 4 dari matlab dengan pengujian Backpropagation Neural Network yang terdiri dari grafik training state, validation performance menampilkan hasil prediksi/test dengan hasil data latih/training sehingga bisa diketahui keakurasian prediksinya, begitu juga pada grafik regression persimpangan menunjukan perbedaan antara data sebenarnya dengan hasil prediksi. Dari hasil uji diatas dapat dilihat dengan Training Levenberg Marquardt (LM) dan LR (Learning Rate) = 0,02 menghasilkan nilai RMSE best validasi = 9.1910. Dengan Gradient Descent with Adaptive (GDA) dan LR (Learning Rate) = 0,02 menghasilkan nilai RMSE best validasi = 9.7993.

124

c. Hasil dari percobaan di Matlab untuk input 6 dengan train lm sebagai berikut :

Gambar 4.43 Neural Network Training (nintrainingtool) BPNN input 6

Review tampilan figure training tool menunjukkan skema dari Backpropagation Neural Network saat melakukan proses training data dengan input 6 dan train lm. Beberapa hasilnya pun dapat dilihat dibawah ini :

125




126


= hasil prediksi


127


Dari grafik diatas merupakan hasil training lm dengan input 6 dari matlab dengan pengujian Backpropagation Neural Network yang terdiri dari grafik training state, validation performance menampilkan hasil prediksi/test dengan hasil data latih/training sehingga bisa diketahui keakurasian prediksinya, begitu juga

128

pada grafik regression persimpangan menunjukan perbedaan antara data sebenarnya dengan hasil prediksi.

d. Hasil dari percobaan di Matlab untuk input 6 dengan train gda sebagai berikut :


129





130


= hasil prediksi


131


Dari grafik diatas merupakan hasil training gda dengan input 6 dari matlab dengan pengujian Backpropagation Neural Network yang terdiri dari grafik training state, validation performance menampilkan hasil prediksi/test dengan hasil

132

data latih/training sehingga bisa diketahui keakurasian prediksinya, begitu juga pada grafik regression persimpangan menunjukan perbedaan antara data sebenarnya dengan hasil prediksi.

Dari hasil uji diatas dapat dilihat dengan Training Levenberg Marquardt (LM) dan LR (Learning Rate) = 0,02 menghasilkan nilai RMSE best validasi = 9.0608..

Dengan Gradient Descent with Adaptive (GDA) dan LR (Learning Rate) = 0,02 menghasilkan nilai RMSE best validasi = 9.5019. e. Hasil dari percobaan di Matlab untuk input 9 dengan train lm sebagai berikut :


133



Gambar 4.51 Workspace BPNN train lm input 9

134


= hasil prediksi


135


Dari grafik diatas merupakan hasil training lm dengan input 9 dari matlab dengan pengujian Backpropagation Neural Network yang terdiri dari grafik training state, validation performance menampilkan hasil prediksi/test dengan hasil data latih/training sehingga bisa diketahui keakurasian prediksinya, begitu juga

136


f. Hasil dari percobaan di Matlab untuk input 9 dengan train gda sebagai berikut :


137



Gambar 4.54 Workspace BPNN train gda input 9


138


= hasil prediksi


139


Dari grafik diatas merupakan hasil training gda dengan input 9 dari matlab dengan pengujian Backpropagation Neural Network yang terdiri dari grafik training state, validation performance menampilkan hasil prediksi/test dengan hasil data latih/training sehingga bisa diketahui keakurasian prediksinya, begitu juga

140



Dengan Gradient Descent with Adaptive (GDA) dan LR (Learning Rate) = 0,02 menghasilkan nilai RMSE best validasi = 9.3976. g. Hasil dari percobaan di Matlab untuk input 12 dengan train lm sebagai berikut :


141




142


= hasil prediksi


143


Dari grafik diatas merupakan hasil training lm dengan input 12 dari matlab dengan pengujian Backpropagation Neural Network yang terdiri dari grafik training state, validation performance menampilkan hasil prediksi/test dengan hasil

144

data latih/training sehingga bisa diketahui keakurasian prediksinya, begitu juga pada grafik regression persimpangan menunjukan perbedaan antara data sebenarnya dengan hasil prediksi. h. Hasil dari percobaan di Matlab untuk input 12 dengan train gda sebagai berikut :


145



Gambar 4.60 Workspace BPNN train gda input 12

keterangan: itraining = merupakan input training yang berisi data training/latih dari tahun 20102013 yang sudah di beri siklus inputan. ttraining = merupakan data tunggal 2010-2013 diambil tahap awal dan berisi 1 baris data saja.

146


= hasil prediksi


147



148



Dengan Gradient Descent with Adaptive (GDA) dan LR (Learning Rate) = 0,02 menghasilkan nilai RMSE best validasi = 9.7064. i. Hasil dari percobaan di Matlab untuk input 15 dengan train lm sebagai berikut :


149



Gambar 4.63 Workspace BPNN train lm input 15

150


= hasil prediksi


151


Dari grafik diatas merupakan hasil training lm dengan input 15 dari matlab dengan pengujian Backpropagation Neural Network yang terdiri dari grafik

152

training state, validation performance menampilkan hasil prediksi/test dengan hasil data latih/training sehingga bisa diketahui keakurasian prediksinya, begitu juga pada grafik regression persimpangan menunjukan perbedaan antara data sebenarnya dengan hasil prediksi. j. Hasil dari percobaan di Matlab untuk input 15 dengan train gda sebagai berikut :


153




154


155


Dari grafik diatas merupakan hasil training gda dengan input 15 dari matlab dengan pengujian Backpropagation Neural Network yang terdiri dari grafik training state, validation performance menampilkan hasil prediksi/test dengan hasil data latih/training sehingga bisa diketahui keakurasian prediksinya, begitu juga pada grafik regression persimpangan menunjukan perbedaan antara data sebenarnya dengan hasil prediksi.



156

k. Hasil dari percobaan di Matlab untuk input 18 dengan train lm sebagai berikut :


157

Review tampilan figure training tool menunjukkan skema dari Backpropagation Network saat melakukan proses training data dengan input 18 dan train lm. Beberapa hasilnya pun dapat dilihat dibawah ini :



158


= hasil prediksi


159


Dari grafik diatas merupakan hasil training lm dengan input 18 dari matlab dengan pengujian Backpropagation Neural Network yang terdiri dari grafik

160

training state, validation performance menampilkan hasil prediksi/test dengan hasil data latih/training sehingga bisa diketahui keakurasian prediksinya, begitu juga pada grafik regression persimpangan menunjukan perbedaan antara data sebenarnya dengan hasil prediksi. l. Hasil dari percobaan di Matlab untuk input 18 dengan train gda sebagai berikut :


161



Gambar 4.72 Workspace CNN train gda input 18

162


= hasil prediksi


163



164

pada grafik regression persimpangan menunjukan perbedaan antara data sebenarnya dengan hasil prediksi. Dari hasil uji diatas dapat dilihat dengan Training Levenberg Marquardt (LM) dan LR (Learning Rate) = 0,02 menghasilkan nilai RMSE best validasi = 9.1945.


Dari hasil Percobaan dengan input 4, 6, 9, 12, 15, 18 menghasilkan nilai sebagai berikut :

Tabel 4.2 Nilai MSE Learning Lm dan Gda Backpropagation Neural Network

Arsitektur FFN Input

Hidden1ayer

BPNN (MSE)

Out

LM

GDA

4

5

1

9.1910

9.7993

6

5

1

9.0608

9.5019

9

5

1

9.0443

9.3976

12

5

1

9.1290

9.7064

15

5

1

9.1583

9.7608

18

5

1

9.1945

10.2339

Dari tabel di atas memberikan informasi bahwa RMSE terkecil sebesar 9.0443 untuk lm dan 9.3976 untuk gda. 4.2 Implikasi Penelitian Berdasarkan hasil penelitian dan pengukuran, penerapan algoritma Cascade Neural Network adalah algoritma yang memprediksi tinggi muka air dengan lebih akurat dibandingkan Backpropagation Neural Network.

165

Akan tetapi adakalanya Backpropagation Neural Network terlihat lebih akurat. Dengan demikian, adanya penerapan algoritma Cascade Neural Network dan Backprogation Neural Network mampu memberikan solusi bagi petugas mengelola tinggi muka air sungai maupun instansi terkait, serta Hasil Penelitian ini bisa digunakan untuk penelitian yang berikutnya.

BAB V PENUTUP 5.1 Kesimpulan Dari hasil penelitan dapat disimpulkan :

Penerapan Algoritma Cascade Neural Network dan Backpropagation Neural Network untuk prediksi membutuhkan waktu yang tidak sedikit karena perlu melakukan banyak percobaan dalam menetapkan jumlah input data, jumlah neuron dalam hidden layer, penentuan besarnya learning rate, menguji dengan fungsi pelatihan serta menerapkan teknik pembelajaran pada jaringan yang terbentuk.

Pada penelitian ini hasil terbaik yang didapatkan menggunakan Levenberg Marquardt (trainlm) dengan akurasi sebesar 96,93%, setelah dibandingkan dengan performance maksimum dari algoritma Backpropagation Neural Network dan Cascade Neural Network.

Dengan Performance maksimum neural network dan kombinasi struktur yang dihasilkan saat ini belum dapat dikatakan sebagai hasil terbaik. Neural network memiliki hasil yang lebih baik dalam meredam error yang terjadi akibat adanya perubahan mendadak pada data non stasioner dan non homogen, seperti terlihat pada perbandingan plot yang dihasilkan, walaupun terkadang MSE-nya tidak lebih baik setelah diuji dengan beberapa fungsi pelatihan yang ada didalam algoritma Backpropagation Neural Network dan Cascade Neural Network.

Untuk tiap-tiap input yang akan ditetapkan hendaknya perlu pengamatan, analisa bobot serta bias agar mendapatkan hasil yang maksimal. Dalam mempercepat proses kalkulasi signifikansi input yang tinggi akan membantu jaringan sehingga dapat menghemat waktu.

168

169

5.2 Saran Berdasarkan kesimpulan di atas, maka ada beberapa saran yang dapat disampaikan : 1.

Untuk menghasilkan prediksi yang lebih baik diperlukan data inputan yang lebih banyak.

2.

Perbanyak pelatihan hingga mendapatkan input, hidden layer yang menghasilkan error sekecil – kecilnya.

DAFTAR REFERENSI [1]

J. S. T. Perambatan-balik, “Peramalan ketinggian muka air dengan jaringan syaraf tiruan perambatan-balik,” Dampak Ketingginan Muka Air, vol. 7, no. Jurnal Air, pp. 1–7, 2012.

[2]

G. P. Wu, S. Cheng, M. S. Ao, Z. X. Xu, and H. Y. Xu, “Application of greycascade neural network model to reservoir prediction,” 2009 WRI World Congr. Comput. Sci. Inf. Eng. CSIE 2009, vol. 6, pp. 12–16, 2009.

[3]

R. K. Biswas and A. W. Jayawardena, “Water Level Prediction By Artificial Neural Network In A Flashy Transboundary River Of Bangladesh,” Artif. Neural Netw., vol. 16, no. 2, pp. 432–444, 2014.

[4]

R. Bustami, N. Bessaih, C. Bong, and S. Suhaili, “Artificial Neural Network for Precipitation and Water Level Predictions of Bedup River,” Water Lev. Predict., vol. 6, no. 7, pp. 3–6, 2007.

[5]

R. Adnan, F. A. Ruslan, A. M. Samad, and Z. M. Zain, “Artificial neural network modelling and flood water level prediction using extended Kalman filter,” 2012 IEEE Int. Conf. Control Syst. Comput. Eng., vol. 4, no. Cascade, pp. 535–538, 2012.

[6]

N. Ramadijanti, R. M. Alhaqqi, J. T. Informatika, P. Elektronika, N. Surabaya, F. Kalman, and E. Distance, “Penggolongan jenis Jari dengan Algoritma,” Penggolongan Jari, vol. 9, no. Image Processing, pp. 1–9, 2009.

[7]

H. Kadarusman, “Model prediksi penurunan Fe dalam air menggunakan metode cascade,” Prediksi penurunan Fe dalam air, vol. 166, no. Fe dengan Cascade, p. 93551, 2012.

[8]

Y. Fitrianto, “Yuli - Neural Network untuk Prediksi Arus Lalu Lintas Jangka Pendek - MKom Thesis - Udinus - 2011,” Neural Netw. Predict., vol. 27, no. Neural Network, pp. 1–27, 2011.

[9]

P. Tebu, P. Pt, and P. Nusantara, “T – 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan,” J. Neural Netw., vol. 12, no. neural Network, pp. 5–12, 2011.

[10] R. Kishore and T. Kaur, “Backpropagation Algorithm : An Artificial Neural Network Approach for Pattern Recognition,” Backpropagation Artif., vol. 3, no. 6, pp. 6–9, 2012.

170

[11] D. I. Komputer, F. Matematika, D. A. N. Ilmu, and P. Alam, “CASCADE NEURAL NETWORK,” Cascade Nural Netw., vol. 20, no. Algorithma CNN, pp. 1–20, 2014. [12] S. W. Lee and S. Y. Kim, “Integrated segmentation and recognition of handwritten numerals with cascade neural network,” IEEE Trans. Syst. Man Cybern. Part C Appl. Rev., vol. 29, no. 2, pp. 285–290, 1999. [13] U. K. V Schetinin, “An Evolving Cascade Neural Network Technique for Cleaning Sleep Electroencephalograms,” Cascade Neural Netw., vol. 01, no. Evolving Cascade Neural Network, pp. 1–43, 2010. [14] G. Martinelli, F. M. Mascioli, and G. Bei, “Cascade neural network for binary mapping,” IEEE Trans. Neural Networks, vol. 4, no. 1, pp. 148–150, 1993.

171

TESIS ALGORITMA CASCADE NEURAL NETWORK UNTUK MEMPREDIKSI TINGGI MUKA AIR SUNGAI BARITO AGUSTIANNOOR P

Recommend Documents