SIMULASI DAN PREDIKSI PASANG SURUT AIR LAUT

MENGGUNAKAN WAVELET-NEURAL NETWORK

(Studi Kasus : Perairan Tarempa)

SKRIPSI

Diajukan Sebagai Salah Satu Syarat Untuk Memperoleh Gelar Sarjana Stara-1

Oleh :

Diana

NIM 110155201022

JURUSAN TEKNIK INFORMATIKA

FAKULTAS TEKNIK

UNIVERSITAS MARITIM RAJA ALI HAJI

2015

i

FORM PENGESAHAN

Judul : SIMULASI DAN PREDIKSI PASANG SURUT AIR LAUT

MENGGUNAKAN WAVELET-NEURAL NETWORK

(Studi kasus : Perairan Tarempa)

Nama : Diana

Nim : 110155201022

Program Studi : Teknik Informatika

Telah dipertahankan didepan dewan penguji dan dinyatakan lulus

Pada tanggal 31 Agustus 2015

Susunan Tim Pembimbing

Pembimbing I : Martaleli Bettiza, S.Si, M.Sc ……………………

Pembimbing II : Nerfita Nikentari, S.T, M.Cs ……………………

Susunan Tim Penguji

Penguji I : Eka Suswaini, S.T., M.T. ……………………

Penguji II : Hendra Kurniawan, S.Kom., M.Sc.Eng ……………………

Penguji III : Said Thaha Ghafara, S.Kom, M.Si ……………………

Tanjungpinang, 4 September 2015

Ka. Jurusan Teknik Informatika

Fakultas Teknik

Universitas Maritim Raja Ali Haji

Nerfita Nikentari, S.T, M.Cs

NIP.198302032012122004

ii

LEMBAR PERNYATAAN ORISINALITAS

Saya yang bertanda tangan dibawah ini :

Nama : Diana

NIM : 110155201022

Jurusan / Program Studi : Teknik Informatika

Fakultas / Program : Teknik

Dengan ini saya menyatakan bahwa skripsi saya yang berjudul Simulasi

dan Prediksi Pasang Surut Air Laut Menggunakan Wavelet-Neural Network benar

karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam

bentuk apapun kepada perguruan tinggi manapun. Sumber informasi yang berasal

atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain

telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka dibagian akhir

skripsi ini.

Jika dikemudian hari terbukti pernyataan saya ini tidak benar dan

melanggar peraturan yang sah dalam karya tulis dan hak intelektual maka saya

bersedia ijazah yang telah saya terima untuk ditarik kembali oleh Universitas

Maritim Raja Ali Haji.

Tanjungpinang, 21 Juli 2014

Yang menyatakan

(Diana)

iii

FORM PERSEMBAHAN

Karya tulis ini kupersembahkan kepada :

1. Ayahanda dan Ibunda tercinta,“di setiap harinya bercucuran keringat

serta doa yang dikorbankan dan dipanjatkan untuk anakmu ini tanpa

mengenal lelah”.

2. Mamah dan Ayah yang selalu mengajarkan aku banyak hal mengenai

arti kehidupan.

3. Kaspul Annuar dan Karina Amanda Abangku dan adikku tersayang

yang selalu memberikan warna warni kehidupan dirumah dengan

canda, tangis tawa setiap kali bersama.

4. Muhammad Faisal Alhafis yang senantiasa selalu membantu,

menasehati, menghibur, menjaga dan mendampingiku dalam

menyelesaikan pendidikan yang aku tempuh.

iv

MOTTO

Kesuksesan dan Kejayaan Hanya terdapat di dalam amal agama yang

sempurna.

Bila kau telah berada diujung tali dan tak ada lagi untuk kau meniti,

maka lompatlah ke tali yang lain.

Karna kembali ke pangkal tali adalah kegagalan.

v

KATA PENGANTAR

Segala Puji hanyalah milik Allah Subhanahuwata’ala, Dzat yang

menciptakan segala sesuatu. Allah Subhanahuwata’ala, yang telah

mengkaruniakan berbagai macam nikmat kepada tiap-tiap hamba-nya, yang

mewariskan bumi beserta isinya kepada manusia, dan yang telah menetapkan

bahwa kesuksesan dan kejayaan manusia hanyalah terdapat di dalam amal agama

yang sempurna, sebagaimana yang telah ditunjuk ajarkan oleh baginda Nabi

Muhammad Shallallahu’alaihiwasalam.disebabkan susah payah, mujahadah, fikir

risau, dan tanggung jawab, serta pengorbanan beliaulah saat ini manusia dapat

hidup di zaman yang penuh dengan peradaban dan ilmu pengetahuan.

Allah Subhanahuwata’ala, telah melimpahkan rahmat dan karunia-nya

kepada penulis, sehingga dengan limpah rahmat dan karunia-nya tersebut penulis

telah mampu menyusun dan menyelesaikan tugas akhir yang berjudul

“SIMULASI DAN PREDIKSI PASANG SURUT AIR LAUT

MENGGUNAKAN WAVELET-NEURAL NETWORK”. Penulisan tugas akhir ini

ini dilakukan guna menyelesaikan studi yang telah penulis jalani di Universitas

Maritim Raja Ali Haji demi mencapai derajat Sarjana Strata-1 pada fakultas

Teknik.

Ucapan Terima Kasih Peneliti sampaikan kepada :

1. Orang Tua dan Keluarga yang selalu memberikan dukungan semangat

serta doa demi kelancaran penyelesaian tugas akhir ini.

vi

2. Ibu Nerfita Nikentari, S.T, M.Cs selaku Ketua Jurusan Teknik Informatika

dan selaku Penasehat Akademik bagi diri penulis sebagai mahasiswa,

beliau yang telah banyak memberikan sarannya kepada penulis, yang

tentunya sangat membantu penulis dalam menyelesaikan tugas akhir ini.

3. Ibu Martaleli Bettiza, S.Si, M.Sc sellaku pembimbing I yang turut serta

telah membimbing dan memberikan pengarahan yang baik bagi penulis

dalam menyelesaikan tugas akhir ini.

4. Mamah dan Ayah yang tidak pernah bosan-bosannya mengingatkan

penulis akan tiga hal sederhana yang memiliki pengaruh yang kuat dalam

berhidup sosial yaitu : jika bersalah segera meminta maaf, jika diberi

segera ucapkan terima kasih dan jika jika menyuruh ucapkan tolong.

5. Muhammad Faisal Alhafis yang senantiasa menjaga serta menemani

penulis dalam menyelesaikan tugas akhir ini.

6. Muhammad Sadmi Alqoyum yang selalu ikut serta membantu, mendoakan

dan menyukseskan penyelesaian tugas akhir ini.

7. Seluruh dosen UMRAH, terutama jurusan teknik informatika yang dengan

ikhlas memberikan ilmu dan pengalamannya serta staff yang selalu dengan

senang hati melayani administrasi perkuliahan.

8. Pak Rudi yang telah membantu penulis dalam pencarian data yang penulis

butuhkan demi penyelesaian tugas akhir ini.

9. Teman-teman seperjuangan Sardi, Robby Kurniawan, Yuliandi, Reza

Kurniawan, Hendi Yusdi, Kiki Setiawan, Dwi dan seluruh teknik

vii

informatika angkatan 2011 yang selalu memberikan informasi, dan

memberikan semangat serta arahan dalam menyelasikan tugas akhir ini.

10. Sahabat dan setiap insan yang turut membantu dalam penyelesaian tugas

akhir ini . penulis pun mengucapkan terima kasih kepada semua yang

penulis tak mampu sebutkan satu persatu.

Penulis menyadari bahwa skripsi penelitian ini masih jauh dari

kesempurnaan. Untuk itulah keritik dan saran yang membangun dari semua pihak

sangat diharapkan adanya. Akhirnya penulis berharap agar penulisan karya tulis

ini dapat bermanfaat bagi kita semua.

Tanjungpinang, 4 Agustus 2015

Penulis

viii

DAFTAR ISI

FORM PENGESAHAN ...................................................................................... i

LEMBAR PERNYATAAN ................................................................................ ii

FORM PERSEMBAHAN ................................................................................... iii

MOTTO .............................................................................................................. iv

KATA PENGANTAR ........................................................................................ v

DAFTAR ISI ...................................................................................................... viii

DAFTAR TABEL .............................................................................................. xi

DAFTAR GAMBAR ......................................................................................... xii

DAFTAR PERSAMAAN .................................................................................. xiv

ABSTRAK .......................................................................................................... xv

ABSTRACT ........................................................................................................ xvi

BAB I PENDAHULUAN ................................................................................... 1

1.1. Latar Belakang ...................................................................................... 1

1.2. Rumus Masalah ..................................................................................... 2

1.3. Batasan Masalah ................................................................................... 2

1.4. Tujuan Penelitian .................................................................................. 3

1.5. Manfaat Penelitian ................................................................................ 3

1.6. Sistematikan Penulisan ......................................................................... 4

BAB II KAJIAN LITERATUR .......................................................................... 6

2.1. Kajian Terdahulu .................................................................................. 6

2.2. Landasan Teori...................................................................................... 8

2.2.1. Wavelet-Neural Network ............................................................. 8

2.2.2. Transformasi Wavelet ................................................................. 8

2.2.3. Neural Network (Jaringan Syaraf Tiruan) ................................... 11

2.2.4. Pasang Surut Air Laut ................................................................. 23

BAB III METODELOGI PENELITIAN ............................................................ 25

3.1. Jenis dan Sumber .................................................................................. 25

ix

3.2. Metode Pengumpulan Data .................................................................. 25

3.3. Metode Pengembangan Sistem ............................................................ 26

3.4. Alat Bantu Penelitian ........................................................................... 28

3.4.1. Perangkat Keras (Hardware) ...................................................... 28

3.4.2. Perangkat Lunak (Software) ........................................................ 28

3.5. Keranka Pikir Penelitian ....................................................................... 29

BAB IV PERANCANGAN DAN IMPLEMENTASI ........................................ 30

4.1. Perancangan Sistem ............................................................................. 30

4.2. Analisa Perancangan Wavelet-Neural Network ................................... 30

4.2.1. Flowchart Proses Wavelet-Neural Network ................................ 31

4.3. Perancangan Basis Data ....................................................................... 52

4.3.1. Deskripsi Tabel user .................................................................... 52

4.3.2. Deskripsi Tabel model ................................................................. 52

4.3.3. Deskripsi Tabel Prediksi.............................................................. 53

4.4. Perancangan Alur Sistem dengan ERD (Entity

Relationship Diagram .......................................................................... 54

4.5. Perancangan Alur Sistem dengan DFD (Data Flow Diagram) ........... 55

4.5.1. Data Flow Diagram (DFD) Level 0 ........................................... 55

4.5.2. Data Flow Diagram (DFD) Level 1 ........................................... 56

4.5.3. Data Flow Diagram (DFD) Level 2 proses 2 (Data Model) ....... 58

4.5.4. Data Flow Diagram (DFD) Level 2 proses 3 (Data Prediksi) .... .60

4.5.5. Data Flow Diagaram (DFD) Level 2 proses 4 (User) ................ 62

4.6. Perancangan Antar Muka (User Interface) .......................................... 63

4.6.1. Perancangan Form Login ............................................................ 63

4.6.2. Perancangan Form Utama ........................................................... 64

4.6.3. Perancangan Form Data Model ................................................... 64

4.6.4. Perancangan Form Data Prediksi ............................................... 65

4.6.5. Perancangan Form User .............................................................. 65

4.6.6. Perancangan Form Pemodelan .................................................... 66

4.6.7. Perancangan Form Prediksi ......................................................... 67

x

4.7. Implementasi ........................................................................................ 67

4.7.1. Form Login .................................................................................. 67

4.7.2. Form Menu Utama ...................................................................... 68

4.7.3. Form Data Model ........................................................................ 68

4.7.4. Form Data Prediksi...................................................................... 69

4.7.5. Form User ................................................................................... 69

4.7.6. Form Pemodelan ......................................................................... 70

4.7.7. Form Prediksi .............................................................................. 70

4.8. Pengujian Sistem .................................................................................. 71

4.8.1. Pengujian Black Box ................................................................... 71

BAB V ANALISA DAN PEMBAHASAN ........................................................ 76

5.1. Pemodelan Data ................................................................................... 78

5.2. Pengujian Data ..................................................................................... 79

BAB VI PENUTUP ............................................................................................ 81

6.1. Kesimpulan .......................................................................................... 81

6.2. Saran ..................................................................................................... 81

DAFTAR PUSTAKA ......................................................................................... 82

xi

DAFTAR TABEL

Tabel 4.1 Contoh data model (data training) ...................................................... 34

Tabel 4.2 Contoh data prediksi (data testing) ..................................................... 34

Tabel 4.3 Contoh gabungan data model dan prediksi ........................................ 34

Tabel 4.4 Contoh data hasil dekomposisi ........................................................... 35

Tabel 4.5 Contoh data hasil normalisasi ............................................................ 37

Tabel 4.6 Contoh data model hasil normalisasi.................................................. 37

Tabel 4.7 Contoh data prediksi hasil normalisasi ............................................... 38

Tabel 4.8 Contoh bobot dan bias input layer ke hidden layer ............................ 39

Tabel 4.9 Bobot bias awal hidden layer ke output layer .................................... 39

Tabel 4.10 Contoh Hasil prediksi ....................................................................... 47

Tabel 4.11 Contoh error rata-rata prediksi ......................................................... 47

Tabel 4.12 Contoh hasil denormalisasi .............................................................. 48

Tabel 4.13 Contoh hasil rekonstruksi ................................................................. 51

Tabel 4.14 Struktur tabel user ............................................................................ 52

Tabel 4.15 Struktur tabel model ......................................................................... 52

Tabel 4.16 Struktur tabel prediksi ...................................................................... 53

Tabel 4.19 Pengujian Form Login ...................................................................... 71

Tabel 4.20 Pengujian Form Data Model ............................................................ 72

Tabel 4.21 Pengujian Form data prediksi ........................................................... 73

Tabel 4.22 Pengujian Form User ....................................................................... 74

Tabel 4.23 Pengujian Form Pemodelan ............................................................. 75

Tabel 4.24 Pengujian Form Prediksi .................................................................. 75

Tabel 5.1 Data model (12.234 data pasang surut 2013-2014) ........................... 76

Tabel 5.2 Data prediksi (4.150 data pasang surut 2015) .................................... 77

Tabel 5.3 Hasil pemodelan dengan perubahan (α) dan maksimum iterasi

10.000 .................................................................................................. 78

Tabel 5.4 Hasil Pengujian .................................................................................. 80

xii

DAFTAR GAMBAR

Gambar 2.1 Contoh Citra 1 Dimensi ................................................................. 9

Gambar 2.2 Hasil Proses Transformasi Perataan dan Pengurangan dari

Gambar Sebelumnya ..................................................................... 10

Gambar 2.3 Proses Perataan dan Pengurangan dengan Dekomposisi

Penuh (3 level) .............................................................................. 10

Gambar 2.4 Hasil Proses Dekomposisi Penuh .................................................. 10

Gambar 2.5 Sel Syaraf Secara Biologi ............................................................. 12

Gambar 2.6 Struktur Neuron Jaringan Syaraf .................................................. 13

Gambar 2.7 Fungsi Aktifasi Sigmoid Biner ..................................................... 15

Gambar 2.8 Arsitektur Jaringan Backpropagation Neural Network ................. 16

Gambar 3.1 Metode Pengembangan system Waterfall ...................................... 26

Gambar 3.2 Kerangka Pikir ............................................................................... 29

Gambar 4.1 Flowchart proses Wavelet-Neural Network .................................. 31

Gambar 4.2 Flowchart Dekomposisi data menggunakan Wavelet Haar ........... 33

Gambar 4.3 Flowchart Pemodelan data menggunakan Backpropagation

Neural Network .............................................................................36

Gambar 4.4 Flowchart Prediksi data menggunakan Backpropagation

Neural Network .............................................................................. 45

Gambar 4.5 Flowchart Rekonstruksi Data menggunakan Wavelet Haar ......... 49

Gambar 4.6 Perancangan ERD (Entity Relation Diagram) ............................... 54

Gambar 4.7 Alur Sistem menggunakan Data Flow Diagram (DFD)

level 0 ........................................................................................... 55

Gambar 4.8 Alur Sistem menggunakan Data Flow Diagram (DFD)

level 1 .......................................................................................... 56

Gambar 4.9 Alur Sistem menggunakan Data Flow Diagram (DFD)

level 2 proses 3 (Data Model) ...................................................... 58

Gambar 4.10 Alur Sistem menggunakan Data Flow Diagram (DFD)

level 2 proses 3 (Data prediksi) .................................................. 60

Gambar 4.11 Alur Sistem menggunakan Data Flow Diagram (DFD)

xiii

level 2 proses 4 (user) ................................................................ 62

Gambar 4.12 Perancangan form login ............................................................... 63

Gambar 4.13 Perancangan Form Utama .......................................................... 64

Gambar 4.14 Perancangan Form Data Model .................................................. 64

Gambar 4.15 Perancangan Form Data Prediksi ............................................... 65

Gambar 4.16 Perancangan Form User ............................................................. 65

Gambar 4.17 Perancangan Form Pemodelan ................................................... 66

Gambar 4.18 Perancangan Form Prediksi Pasang Surut .................................. 67

Gambar 4.19 Form Login ................................................................................. 67

Gambar 4.20 Form Menu Utama ..................................................................... 68

Gambar 4.21 Form Data Model ....................................................................... 68

Gambar 4.22 Form Data Prediksi ..................................................................... 69

Gambar 4.23 Form User ................................................................................... 69

Gambar 4.24 Form Pemodelan .......................................................................... 70

Gambar 4.25 Form Prediksi .............................................................................. 70

xiv

DAFTAR PERSAMAAN

…..Persamaan 2.1 ................................................................................................. 9

…..Persamaan 2.2 ................................................................................................. 9

…..Persamaan 2.3 ................................................................................................. 15

…..Persamaan 2.4 ................................................................................................. 17

…..Persamaan 2.5 ................................................................................................. 18

…..Persamaan 2.6 ................................................................................................. 18

…..Persamaan 2.7 ................................................................................................. 18

…..Persamaan 2.8 ................................................................................................. 18

…..Persamaan 2.9 ................................................................................................. 18

…..Persamaan 2.10 ............................................................................................... 18

…..Persamaan 2.11 ............................................................................................... 19

…..Persamaan 2.12 ............................................................................................... 19

…..Persamaan 2.13 ............................................................................................... 19

…..Persamaan 2.14 ............................................................................................... 19

…..Persamaan 2.15 ............................................................................................... 19

…..Persamaan 2.16 ............................................................................................... 19

…..Persamaan 2.17 ............................................................................................... 20

…..Persamaan 2.18 ............................................................................................... 20

…..Persamaan 2.19 ............................................................................................... 20

…..Persamaan 2.20 ............................................................................................... 20

…..Persamaan 2.21 ............................................................................................... 20

…..Persamaan 2.22 ............................................................................................... 20

…..Persamaan 2.23 ............................................................................................... 21

…..Persamaan 2.24 ............................................................................................... 21

…..Persamaan 2.25 ............................................................................................... 22

…..Persamaan 2.26 ............................................................................................... 23

…..Persamaan 2.27 ............................................................................................... 23

xv

ABSTRAK

Pasang surut air laut berpengaruh terhadap pengoptimalan pemanfaatan

potensi laut dan segala aktifitasnya, seperti halnya bongkar muat kapal

dipelabuhan dan kegiatan para nelayan. Pada penelitian ini akan digunakan 12.234

data pasang surut harian tunggal perairan Tarempa dengan posisi Lintang 03o 13’

05” U ( N ) dan Bujur 106o 13’ 09” T ( E ) tahun 2013 dan 2014 yang diperoleh

dari Hidro-Oseanografi TNI AL Tanjungpinang untuk membangun model

prediksi menggunakan wavelet-neural network. Pembentukan model tersebut

akan diuji dengan 4.150 data pasang surut tahun 2015. Hasil pengujian ini akan

diukur tingkat akurasinya dengan menghitung error rata-rata menggunakan MSE

(Means Square Error). Dimana dari hasil pengujian yang dilakukan didapat

pemodelan terbaik pada iterasi ke-1000 dengan learning rate 0,1 dengan akurasi

model sebesar 99,984%.

Kata Kunci : Pasang Surut, Tarempa, wavelet-neural network, MSE (Means

Square Error)

xvi

ABSTRACT

Tidal effect on optimizing the utilization of the potential of the sea and all

the activities, as well as loading and unloading ships in the seaports and activities

of the fishermen. This research used data 12.234 tidal Data the single daily sea of

Tarempa on the position latitude 03o 13 '05 "U (N) and longitude 106o 13' 09" T

(E) in 2013 and 2014 were obtained from Hydro-Oceanographic Navy

Tanjungpinang for build predictive models using wavelet-neural network. The

establishment of the model will be tested with 4,150 tide data 2015. The results of

these tests will be measured levels of accuracy by calculating the average error

using MSE (Means Square Error). Where the results of tests performed best

modeling obtained in the 1000 iteration of the learning rate of 0.1 by the model

accuracy of 99.984%.

Key Words : Tidal, Tarempa, wavelet-neural network, MSE (Means Square

Error)

BAB I

PENDAHULUAN

1.1. Latar Belakang

Tarempa merupakan nama ibu kota dari Kabupaten Kepulauan Anambas

yang memiliki luas daratan 590,14 km2 sedangkan luas lautannya 46.074,00 km

2.

(kepri.bps.go.id). penduduk Tarempa pada umumnya memiliki mata pencarian

sebagai nelayan, karena wilayah Tarempa merupakan surga bagi ikan (Diego,

2014). Banyaknya perikanan yang ada pada perairan Tarempa menjadikan laut

sebagai sektor unggulan dalam pembangunan daerah dan kesejahteraan kehidupan

masyarakat setempat. . Untuk itu dibutuhkan pengoptimalan pemanfaatan potensi

sumberdaya perairan yang dimiliki.

Pengoptimalan potensi sumberdaya perairan dipengaruhi oleh fenomena

pasang surut air laut, seperti halnya bongkar muat kapal di pelabuhan laut,

kegiatan para nelayan, dan sebagainya. Pasang surut air laut setiap harinya tidak

selalu sama, sehingga di perlukan prediksi pasang surut demi tercapainya

pemanfaatan potensi sumberdaya perairan yang maksimal serta pembangunan

daerah.

Prediksi pasang surut dapat diprediksi berdasarkan data pasang surut yang

telah lalu. Pada penelitiana ini, data yang digunakan adalah data prediksi pasang

surut air laut harian tunggal (diurnal tide) perairan Tarempa tahun 2013, 2014 dan

2015 dengan posisi Lintang 03o 13’ 05” U ( N ) dan Bujur 106

o 13’ 09” T ( E )

yang didapat dari Hidro-Oseanografi TNI-AL Tanjungpinang. Setelah data

2

terkumpul, selanjutnya akan dibangun model prediksi pasang surut air laut

menggunakan wavelet-neural network. hasil pemodelan tersebut akan dijadikan

sebagai alternatif dalam memilih pola atau memprediksi pasang surut air laut.

Dimana hasil prediksi akan digunakan untuk menghitung tingkat akurasi prediksi

menggunakan MSE (Means Square Error).

1.2. Rumusan Masalah

Berdasarkan latar belakang masalah diatas, maka rumusan masalah dalam

penelitian pada skripsi ini adalah bagaimana merancang model prediksi pasang

surut air laut di perairan Tarempa pada posisi Lintang 03o 13’ 05” U ( N ) dan

Bujur 106o 13’ 09” T ( E ) mengacu pada data pasang surut sebelumnya yang

didapat di Hidro-Oseanography TNI AL Tanjungpinang.

1.3. Batasan Masalah

Mengingat masalah yang digunakan sangat luas sehingga perlu diberikan

batasan agar penelitian menjadi fokus :

Data yang digunakan untuk pengolahan adalah data Prediksi Pasang Surut

dari tahun 2013 sampai dengan 2015 Dimana data pelatihan adalah 12.234

data pasang surut tahun 2013 dan 2014, sedangkan data pengujian adalah

4.150 data pasang surut tahun 2015.

Penelitian dilakukan untuk memodelkan pasang surut air laut.

Sistem dibangun berbasis desktop dengan menggunakan bahasa

pemrograman java.

3

1.4. Tujuan Penelitian

Tujuan yang ingin dicapai dalam penelitian ini adalah mendapatkan model

prediksi pasang surut air laut harian tunggal (diurnal tide) perairan Tarempa pada

posisi Lintang 03o 13’ 05” U ( N ) dan Bujur 106

o 13’ 09” T ( E ) dengan wavelet-

neural network.

1.5. Manfaat Penelitian

Adapun manfaat dari penelitian ini adalah :

Model yang dibangun ini dapat dijadikan sebagai alternatif pemodelan

dalam memilih pola atau memprediksi pasang surut air laut harian tunggal

(diurnal tide) diwaktu yang akan datang.

Bagi sisi ilmu pengetahuan, menambah khasanah pengetahuan dengan

menjadikan konfirmasi penggunaan metode wavelet-neural network dalam

memprediksi pasang surut air laut.

4

1.6. Sistematika Penulisan

Sistematika penulisan laporan ini adalah sebagai berikut :

BAB I PENDAHULUAN

Pada bab ini membahas mengenai latar belakang,

rumusan masalah, tujuan penelitian, batasan

masalah dan manfaat penelitian.

BAB II KAJIAN LITERATUR

Pada bab ini membahas mengenai kajian terdahulu,

landasan teori yang mencangkup isi pokok

penelitian ini seperti : wavelet-neural network

transformasi wavelet, tahapan-tahapan dari

dekomposisi dan rekonstruksi dengan Wavelet

Haar, Jaringan Syaraf Tiruan (Artificial Neural

Network), tahapan-tahapan dari Algoritma

Backpropagation Neural Network dan inisialisasi

bobot awal menggunaka Nguyen Widrow,

normalisasi dan denormalisasi data serta akurasi

dengan MSE (Mean Square Error).

BAB III METODOLOGI PENELITIAN

Pada bab ini membahas mengenai jenis dan sumber

data penelitian, metode pengumpulan data, metode

5

pengembangan sistem, jenis data yang diperlukan,

alat bantu penelitian, kerangka pikir penelitian itu

sendiri.

BAB IV PERANCANGAN DAN IMPLEMENTASI

Pada bab ini membahas mengenai analisa sistem,

perancangan Flowchart Diagram, perancangan

Entity Relatioship Diagram (ERD), Data Flow

Diagram (DFD), perancangan user interface.

BAB V ANALISA DAN PEMBAHASAN

Pada bab ini membahas mengenai analisa dan

pembahasan dari perancangan dan implementasi

sistem yang dibahas pada bab IV.

BAB VI PENUTUP

Pada bab ini merupakan akhir dari penelitian yang

berisikan kesimpulan dan saran.

DAFTAR PUSTAKA

Pada daftar pustaka ini berisikan tentang sumber-

sumber-sumber yang digunakan sebagai pendukung

pada kajian literature.

BAB II

KAJIAN LITERATUR

2.1. Kajian Terdahulu

Yusuf dkk (2015) melakukan penelitian tentang Model Hidrologi Runtun

Waktu untuk Peramalan Debit Sungai menggunakan Metode Gabungan

Transformasi wavelet Artificial Neural Network. Pada penelitian ini membahas

tentang membangun model dengan gabungan Hybrid model dari Transformasi

Wavelet dan Artificial Neural Network. Dimana model peramalan yang digunakan

yaitu model peramalan dari satu hari sampai empat hari kedepan dan untuk pra-

proses pembangunan model dengan menggunakan transformasi wavelet

daubechies 5 dari level 1 sampai 3 untuk mengetahui model yang mana yang

menghasilkan nilai regresi yang bagus untuk proses pengujian hasil peramalan.

Adapun data yang digunakan adalah data debit tahun 2002-2010, kecuali data

2007 untuk proses dekomposisi dan rekonstruksi.

Gupta dkk (2014), melakukan penelitian tentang A Hybrid Model of

Wavelet and Neural Network For Short Term Load Forecasting dalam penelitian

ini penulis membahas mengenai peramalan beban listrik jangka pendek

menggunakan daubechies (db4) sebagai mother wavelet dengan satu level

koefisien detail dan satu koefisien approksimasi dimana pendekatan yang

dilakukan menggunakan data histori beban listrik tahun 2006 hingga 2009 untuk

mendeteksi beban listrik tahun 2010 dimana hasil peramalan model WNN ini

7

mampu memberikan akurasi peramalan yang cukup baik dibandingkan dengan

menggunakan ANN dalam meramalkan beban.

Indrabayu dkk (2011) melakukan penelitian yang berjudul “Prediksi Curah

Hujan di Wilayah Makassar Menggunakan Metode Wavelet-Neural Network”.

Pada penelitian ini membahas mengenai prediksi curah hujan menggunakan

metode Hybrid Wavelet-Neural Network dengan data harian mentah sebelumnya

yang didapat dari BMKG (Badan Meteorologi Klimatologi dan Geofisika) dengan

parameter temperature, kelembaban, kecepatan angina, tekanan udara, dan curah

hujan. Sebelum memprediksi, terlebih dahulu menggunakan sistem pelatihan yang

berguna agar hasil keluaran mempelajari pola dari masukan-masukan sebelumnya.

Dalam sistem pelatihan kelima variabel tersebut kemudian dikompres

menggunakan wavelet method setelah itu diprediksi dengan metode neural

network backpropagation dan hasil dari sistem pelatihan tersebut barulah

digunakan untuk memprediksi sekaligus memvalidasi antara data real dan data

prediksi intensitas curah hujan harian pada tahun 2009, 2010, dan 2011. Khusus

untuk tahun 2012, tidak diperoleh data real dari penelitian sebelumnya maupun

dari BMKG setempat.

Purwitasari dkk (2009) melakukan penelitian tentang teknik peramalan

data time series berbasis Dekomposisi Wavelet dan Multilayer Perceptron. Pada

penelitian ini membahas mengenai penerapan dekomposisi wavelet sebagai fungsi

kombinasi untuk memdeteksi noise pada data dengan cara memisahkan data

berfrekuensi rendah dan data berfrekuensi tinggi dapat menurunkan tingkat error

rata-rata lebih rendah dari pada tanpa menggunakan dekomposisi wavelet.

8

Dimana peramalan diawali dengan analisa korelasi untuk mengetahui karakteristik

data guna membuktikan bahwa data bukan merupakan noise.

2.2. Landasan Teori

2.2.1. Wavelet-Neural Network

Menurut Yusuf dkk (2015) Wavelet-Neural Network merupakan sebuah

model gabungan (hybrid model) dari Transformasi Wavelet dan Neural Network.

Dalam pembangunan model wavelet-neural network, Model transformasi wavelet

dikerjakan terlebih dahulu karena hasil data yang dikeluarkannya digunakan untuk

model neural network. Model dari transformasi wavelet ini berfungsi untuk

menghilangkan noise (denoise) pada data yang akan menghasilkan pola data yang

lebih sederhana agar dapat memudahkan neural network dalam mengenali data

yang pada akhirnya dapat bertujuan untuk menghasikan model yang lebih bagus.

2.2.2. Transformasi Wavelet

Teori wavelet adalah suatu konsep yang relative baru dikembangkan. Kata

wavelet sendiri diberikan oleh Jean Morlet dan Alex Grossmann di awal tahun

1980-an, dan berasal dari bahasa prancis, ondelette yang berarti gelombang kecil.

Kata onde yang berarti gelombang kemudian diterjemahkan ke bahasa inggris

menjadi wave, lalu digabung dengan kata aslinya sehingga terbentuk kata baru

wavelet (E.Bire dan Cahyono, 2012).

Transformasi wavelet merupakan suatu proses pengubahan data dalam

bentuk lain agar mudah dianalisa. Proses transformasi wavelet dapat dilakukan

9

dengan proses pererataan dan pengurangan secara berulang. Proses ini banyak

digunakan pada proses dekomposisi (Sutarno, 2010).

a. Dekomposisi Averaging dan Differencing

Rahman (2012) Dekomposisi perataan (averages) dan pengurangan

(differencing) memegang peranan penting untuk memahami transformasi wavelet.

Gambar berikut adalah contoh dekompoisi perataan dan pengurangan pada citra 1

dimensi dengan dimensi 8.

37 35 28 28 58 18 21 15

Gambar 2.1 Contoh Citra 1 dimensi (Rahman, 2012).

Perataan dilakukan dengan menghitung nilai rata-rata 2 pasang data dengan

rumus:

…………………………………..…................................................ (2.1)

Sedangkan pengurangan dilakukan dengan rumus :

………………………………………............................................. (2.2)

Hasil proses perataan untuk citra diatas adalah :

Sedangkan hasil proses pengurangannya adalah :

10

Sehingga hasil proses dekomposisi perataan dan pengurangan terhadap citra asli

diatas adalah :

36 28 38 18 1 0 20 3

Proses dekomposisi yang dilakukan diatas 1 kali (1 level) saja. Gambar 2.3

menunjukkan proses transformasi penuh dan berhenti setelah tersisa 1 piksel saja.

37 35 28 28 58 18 21 15

36 28 38 18 1 0 20 3

32 28 4 10

30 2

Pada setiap level, proses dekomposisi hanya dilakukan pada bagian hasil

proses perataan. Hasil proses dekomposisi adalah gabungan dari proses perataan

dengan seluruh hasil proses pengurangan. Citra hasil dekomposisi penuh diatas

adalah :

30 2 4 10 1 0 20 3

Gambar 2.2 Hasil proses transformasi perataan dan pengurangan dari

gambar sebelumnya (Rahman, 2012).

Gambar 2.3 Proses perataan dan pengurangan dengan dekomposisi

penuh (3 level) Rahman 2012.

Gambar 2.4 Hasil proses dekomposisi penuh (Rahman, 2012).

11

Pada citra berukuran maka dibutuhkan sebanyak n level untuk

melakukan dekomposisi penuh sehingga dapat dikatakan kompleksitas (Rahman,

2012).

Proses rekonstruksi sepenuhnya merupakan kebalikan dari proses

dekomposisi sesuai dengan tingkatan pada proses dekomposisi (Rahman, 2012).

Salah satu keluarga wavelet adalah Wavelet Haar.

Wavelet haar merupakan wavelet paling tua dan paling sederhana,

diperkenalkan oleh Alfred Haar pada tahun 1909. Koefisien transformasi

( ( ) ( )) (

) (tapis low pass) dan ( ( ) ( )) (

)

(tapis high pass) yang dibahas diatas sebenarnya merupakan fungsi basis wavelet

haar. Dekomposisi perataan dan pengurangan yang telah dilakukan sebelumnya

sebenarnya sama dengan melakukan dekomposisi (transformasi) citra dengan

wavelet haar (Putra 2010).

2.2.3. Neural Network (Jaringan Syaraf Tiruan)

2.2.3.1. Jaringan Syaraf secara biologis

Secara biologis jaringan syaraf merupakan salah satu representasi buatan

dari otak manusia yang selalu mencoba untuk mensimulasikan proses

pembelajaran pada otak manusia tersebut (Kusumadewi dan Hartati, 2010).

12

Menurut Budiharto dan suhartono (2014) Dari gambar diatas, dapat dilihat ada

beberapa bagian dari otak manusia, yaitu :

Dendrit (Dendrites)

Berfungsi untuk mengirimkan impuls yang diterima ke badan sel syaraf

Akson (Axon)

Berfungsi untuk mengirimkan impuls dari badan sel ke jaringan lain.

Sinapsis

Berfungsi sebagai unit Fungsional di antara dua sel Syaraf.

Gambar 2.5 Sel Syaraf secara Biologis (Kusumadewi dan

Hartati, 2010).

13

2.2.3.2. Komponen-Komponen Jaringan Syaraf

Menurut Kusumadewi dan Hartati (2010) ada beberapa tipe jaringan

syaraf, namun demikian, hamper semuanya memiliki komponen-komponen yang

sama. Seperti halnya otak manusia, jaringan syaraf juga terdiri dari beberapa

neuron, da nada hubungan antara neuron-neuron tersebut. Neuron-neuron akan

mentransformasikan informasi yang diterima melalui sambungan keluarnya

menuju ke neuron-neuron yang lain. Pada jaringan syaraf, hubungan ini dikenal

dengan nama bobot. Informasi tersebut disimpan pada suatu nilai tertentu pada

bobot tersebut. Gambar 2.6 menunjukkan struktur neuron pada jaringan syaraf.

Jika kita lihat, neuron-neuron buatan ini sebenarnya mirip dengan sel neuron

biologis. Neuron-neuron buatan tersebut bekerja dengan cara yang sama pula

dengan neuron-neuron biologis. Informasi (disebut dengan : input) akan dikirim

ke neuron dengan bobot kedatangan tertentu. Input ini akan diproses oleh suatu

fungsi perambatan yang akan menjumlahkan nilai-nilai semua bobot yang datang.

Hasil penjumlahan ini kemudian akan dibandingkan dengan nilai ambang tertentu,

maka neuron tersebut akan diaktifkan, tapi kalau tidak, maka neuron tersebut

tidak akan diaktifkan. Apabila neuron tersebut diaktifkan, maka neuron tersebut

Gambar 2.6 Struktur Neuron Jaringan Syaraf (Kusumadewi dan

Hartati, 2010).

14

akan mengirimkan output melalui bobot-bobot output-nya ke semua neuron yang

berhubungan dengannya. Demikian seterusnya (Kusumadewi dan Hartati, 2010).

Pada jaringan syaraf, neuron-neuron akan dikumpulkan dalam lapisan-

lapisan (layer) yang disebut dengan lapisan neuron (neuron layer). Biasanya

neuron-neuron pada satu lapisan akan dihubungkan dengan lapisan-lapisan

sebelum dan sesudahnya (kecuali lapisan input dan lapisan output). Informasi

yang diberikan pada jaringan syaraf akan dirambatkan lapisan ke lapisan, mulai

dari lapisan input sampai ke lapisan output melalui lapisan yang lainnya, yang

sering dikenal dengan nama lapisan tersembunyi (hidden layer) Kusumadewi dan

Hartati, (2010).

a. Fungsi Aktifasi

Dalam jaringan syaraf tiruan, fungsi aktifasi ini digunakan untuk

menentukan keluaran suatu neuron berdasarkan proses yang dilakukan terhadap

input yang dimasukkan ( Budiharto dan Suhartono, 2014 : 177).

Salah satu fungsi aktifasi pada neural network adalah fungsi sigmoid

biner. Fungsi ini digunakan untuk jaringan syaraf yang dilatih dengan

menggunakan metode bacpropagation. Fungsi sigmoid biner memiliki nilai pada

range 0 sampai 1. Oleh karena itu, fungsi ini sering digunakan untuk jaringan

syaraf tiruan yang membutuhkan nilai output yang terletak pada interval 0 sampai

1. Namun, fungsi ini bisa juga digunakan oleh jaringan syaraf yang nilai

outputnya 0 atau 1 (Kusumadewi dan Hartati, 2010 :81).

Fungsi sigmoid biner dapat didefinisikan sebagai berikut :

15

( )

………………………………………............................... (2.3)

b. Backpropagation Neural Network

Backpropagation merupakan algoritma pembelajaran yang terawasi dan

biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah

bobot-bobot yang terhubung dengan neuron-neuron yang ada pada lapisan

tersembunyi. Algoritma backpropagation menggunakan error output untuk

mengubah nilai bobot-bobotnya dalam arah mundur (backward). Untuk

mendapatkan error ini, tahap perambat maju (forward propagation) harus

dikerjakan terlebih dahulu. Pada saat perambat maju, neuron-neuron diaktifkan

dengan menggunakan fungsi aktifasi (Kusumadewi dan Hartati, 2010).

Gambar 2.7 Fungsi Aktifasi Sigmoid Biner (Budiharto dan

Suhartono, 2014)

16

Arsitektur Jaringan Backpropagation seperti diatas terdiri dari tiga unit (neurons)

pada lapisan masukan, yaitu X1, X2, X3; lapisan tersembunyi dengan 2 neurons,

yaitu Z1, Z2; serta 1 unit pada lapisan keluaran yaitu Y. Bobot yang

menghubungkan X1, X2, X3 dengan neuron pertama dan lapisan tersembunyi

adalah V11, V21, dan V31 (Vij : bobot yang menghubungkan neuron input ke-i ke

neuron ke-j pada lapisan tersembunyi). Untuk b11 dan b12 adalah bobot bias yang

menuju ke neurons pertama dan kedua pada lapisan tersembunyi. Bobot yang

menghubungkan Z1, dan Z2 dengan neuron pada lapisan keluaran adalah W1 dan

W2. Bobot bias menghubungkan lapisan tersembunyi dengan lapisan keluaran.

Fungsi aktivasi yang digunakan antara lapisan tersembunyi dengan lapisan

keluaran adalah fungsi aktivasi yang akan ditentukan pada tahap kalibrasi. ( Yusuf

dkk 2015).

Gambar 2.8 Arsitektur Jaringan Backpropagation Neural Network

(Kusumadewi dan Hartati, 2010).

17

c. Algoritma Pembelajaran Backpropagation

Menurut Kusumadewi dan Hartati (2010 algoritma backpropagation

adalah sebagai berikut :

Inisialisasi bobot

Tetapkan : Maksimum epoch, target error, dan learning rate (α), neuron

hidden;

Inisialisasi : Epoch = 0.

Kerjakan langkah-langkah berikut selama (Epoch < maksimum Epoch) dan

(MSE (error) < target error) :

1. Epoch = epoch +1

2. Untuk tiap-tiap pasangan elemen yang akan dilakukan pembelajaran,

kerjakan;

Feedforward :

a. Tiap-tiap unit masukan ( ) menerima sinyal dan

meneruskan sinyal tersebut ke semua unit pada lapisan yang ada

diatasnya (lapisan tersembunyi).

b. Tiap-tiap unit pada suatu lapisan tersembunyi ( )

menjumlahkan sinyal-sinyal input terbobot ;

∑ ………………………………...…........ (2.4)

gunakan fungsi aktifasi untuk menghitung sinyal outputnya.

18

( ) …………………………………………………….. (2.5)

Dan kirimkan sinyal tersebut ke semua unit dilapisan atasnya (unit-unit

output).

c. Tiap-tiap unit output ( ) menjumlahkan sinyal-

sinyal input terbobot.

∑ ………………………………..…...... (2.6)

gunakan fungsi aktifasi untuk menghitung sinyal keluaran yaitu :

( ) ……………………………………........................ (2.7)

Dan kirimkan sinyal tersebut ke semua unit dilapisan atasnya (unit-unit

output).

Catatan :

langkah (b) dilakukan sebanyak jumlah lapisan tersembunyi.

Backpropagation :

a. Tiap-tiap unit output ( ) menerima target pola yang

berhubungan dengan pola masukan pembelajaran, dan menghitung

informasi error-nya :

( ) ( ) …………………………………....…. (2.8)

……………………………………......................... (2.9)

…………………………………………..…............. (2.10)

19

Kemudian dihitung koreksi bobot (yang nantiya akan digunakan untuk

memperbaiki nilai ) :

………………………......................................... (2.11)

hitung juga koreksi bias (yang nantinya akan digunakan untuk

memperbaiki nilai ) :

………………………………………...…............ (2.12)

Langkah (d) ini dilakukan sebanyak jumlah lapisan tersembunyi, yaitu

menghitung informasi error dari suatu lapisan tersembunyi ke lapisan

tersembunyi sebelumnya.

b. Tiap-tiap unit tersembunyi ( ) menjumlahkan delta

masukannya (dari-unit-unit yang berbeda yang berada pada lapisan

diatasnya ) yaitu :

∑ ……………………………………..….... (2.13)

Kalikan nilai ini dengan turunan dari fungsi aktifasinya untuk

menghitung informasi error :

( ) …………………………………............... (2.14)

……………………………………….................... (2.15)

………………………………………..…….............. (2.16)

20

Kemudian hitung koreksi bobot (yang nantinya digunakan untuk

memperbaiki nilai yaitu :

……………………………………………............ (2.17)

hitung juga koreksi bias (yang nantinya digunakan untuk memperbaiki

) :

…………………………………………….......... (2.18)

c. Tiap-tiap unit output ( ) memperbaiki bias dan

bobotnya ( ) :

( ) ( ) ……………………............. (2.19)

( ) ( ) …………………..…........... (2.20)

Tiap-tiap unit tersembunyi ( ) memperbaiki bias dan

bobotnya ( ) yaitu :

( ) ( ) …………………..…................ (2.21)

( ) ( ) ……………..…..................... (2.22)

3. Hitung MSE

21

d. Inisialisasi Bobot Awal dengan Metode Nguyen-Widrow

Menurut Kusumadewi dan Hartati (2010), metode Nguyen-widrow akan

menginisialisasi bobot-bobot lapisan dengan nilai antara -0,5 sampi 0,5.

Sedangkan bobot-bobot dari lapisan input ke lapisan tersembunyi dirancang

sedemikian rupa sehingga dapat meningkatkan kemampuan lapisan tersembunyi

dalam melakukan proses pembelajaran. Metode Nguyen-widrow secara sederhana

dapat diimplementasikan dengan prosedur sebagai berikut.

Tetapkan : n = jumlah neuron (unit) pada lapisan input

P = jumlah neuron (unit) pada lapisan tersembunyi.

β = faktor penskalaan (= 0,7 (p) 1/n

kerjakan untuk setiap unit pada lapisan tersembunyi (j=1,2,…p) :

a. Inisialisasi bobot-bobot dari lapisan input ke lapisan tersembunyi :

Vij bilangan random antara -0,5 sampai 0,5 (atau antara –γ sampai γ).

b. Hitung ||Vj ||

Dimana || || √( ) ( ) ( ) ……………............. (2.23)

c. Inisialisasi ulang bobot-bobot :

| | ……………..…................................................................. (2.24)

d. Set bias :

b1j = bilangan random antara . Analisa Nguyen-Widrow

didasarkan atas fungsi aktifasi tangen hiperbolik.

22

e. Transformasi Normal (Normalisasi)

Menurut Hidayat dkk (2012) Data-data yang ada dilakukan normalisasi

dengan membagi nilai data tersebut dengan nilai range data (Nilai data maksimum

– nilai data minimum). Tujuan dari normalisasi yaitu :

1. Untuk menghilangkan kerangkapan data.

2. Untuk mengurangi kompleksitas

3. Untuk mempermudah pemodifikasian data.

Jika fungsi aktifasi dengan menggunakan sigmoid biner (range 0 sampai

range 1), maka data harus ditransformasi [0, 1] (Indra, 2014).

Menurut Hidayat dkk (2012) Adapun rumus untuk Normalisasi dalam range [0, 1]

adalah :

……………..….............................................................. (2.25)

Dengan : = Nilai data normal

= Nilai data aktual

= Nilai minimum data aktual keseluruhan

= Nilai maksimum data aktual keseluruhan.

Kemudian untuk mendapatkan nilai sebenarnya dari output perlu dilakukan proses

denormalisasi.

f. Denormalisasi

Menurut Hidayat dkk (2012) denormalisasai dapat memberikan atau

mengembalikan data, sehingga didapatkan predicted sales dari data training.

23

Menurut Indra (2014) adapun rumus denormalisasi dalam range [0,1] adalah :

( ) ……………..…...................................... ….(2.26)

Dimana : = Nilai data normal

= hasil output jaringan

= data dengan nilai minimum

= data dengan nilai maximum

g. MSE (Mean Square Error)

Menurut Hansun (2013) kriteria MSE menyatakan besarnya kesalahan

rata-rata kuadrat dari suatu metode peramalan dengan rumus perhitungan :

∑

……………..…................................................................... (2.27)

Dimana :

menyatakan jumlah data.

adalah nilai kesalahan hasil ramalan yang diperoleh dari ̂ ,

dalam hal ini adalah nilai data aktual dan ̂ adalah nilai ramalan.

2.2.4. Pasang Surut Air Laut

Pasang surut air laut sebagian besar merupakan hasil gabungan dari gaya

tarik grafitasi antara bumi dan bulan serta gaya tarik grafitasi antara bumi dan

matahari. Pasang surut yang diakibatkan planet-planet lain pada umumnya

diabaikan (puput, 2011).

Gaya tarik grafitasi bervariasi terhadap massa benda dan berbanding

terbalik dengan jarak antara benda tersebut. Ini menjadi alasan mengapa pasang

24

surut di bumi dipengaruhi oleh bulan, bukan matahari. Karena jarak bumi dan

matahari jauh lebih besar daripada bumi dan bulan. Pengaruh dari benda-benda

angkasa lainnya dapat diabaikan. Berdasarkan hokum kesetimbangan Newton,

adanya gaya tarik menarik antara benda langit inilah yang menyebabkan benda-

benda langit tersebut tetap bergerak pada lintasannya.

Selisih antara pasang naik dan pasang surut di suatu posisi atau tempat

disebut nilai tunggang pasang. Selain dari pengaruh gaya tarik menarik benda

langit dan gerak rotasi bumi, besarnya nilai ini juga tergantung pada beberapa

faktor local yang dapat mempengaruhi pasang surut disuatu perairan seperti,

topografi dasar laut, lebar selat, bentuk teluk, dan sebagainya, sehingga berbagai

lokasi memiliki ciri pasang surut yang berlainan (Wyrtki, 1961)

BAB III

METODOLOGI PENELITIAN

Pada metodologi penelitian ini terdiri dari beberapa sub bab yaitu jenis dan

sumber data, metode pengumpulan data, metode pengembangan sistem, dan

kerangka pikir penelitian yang digunakan dalam menyelesaikan masalah

penelitian.

3.1. Jenis dan Sumber data

Jenis data yang digunakan dalam penelitian ini adalah data skunder. Data

skunder adalah data yang telah diolah lebih lanjut dan disajikan dengan baik oleh

pihak pengumpul data primer atau pihak lain (Dewi, 2013). Pada penelitian ini

jenis data yang penulis kumpulkan dari pihak internal TNI-AL Tanjungpinang

berupa data harian tunggal pasang surut Air laut pada perairan Tarempa dimulai

dari tahun 2013 sampai dengan 2015.

3.2. Metode Pengumpulan Data

Metode yang digunakan dalam pengumpulan data adalah :

- Studi Pustaka

Digunakan sumber pustaka yang relevan untuk mengumpulkan informasi yang

diperlukan dalam penelitian, yaitu dengan mengumpulkan sumber pustaka

berupa buku, jurnal dan prosiding seminar nasional, serta skripsi. Setelah

sumber pustaka terkumpul, dilanjutkan dengan penelaahan dari sumber

pustaka tersebut, yang pada akhirnya sumber pustaka itu dijadikan landasan

untuk menganalisis permasalahan.

26

3.3. Metode Pengembangan Sistem

Pada tahap pengembangan sistem terdiri dari proses - proses yang

terstruktur yaitu : analisa kebutuhan, desain sistem, penulisan kode program,

pengujian program, penerapan program dan pemeliharaan. Metode pengembangan

ini dikenal dengan model Waterfall menurut Sommerville

Berikut merupakan gambar model pengembangan Waterfall :

Adapun tahapan-tahapan pengembangan sistem dalam penelitian ini

dengan menggunakan metode waterfall adalah sebagai berikut :

1. Requirements definition

Tahap ini menguraikan kebutuhan aplikasi yang utuh menjadi komponen-

komponen aplikasi untuk mengetahui bagaimana aplikasi dibangun. Pada

Gambar 3.1 Metode Pengembangan sistem Waterfall Menurut Sommerville

27

tahap ini hal yang dilakukan adalah mencari dan mempelajari referensi

tentang sistem simulasi dan prediksi pasang surut air laut menggunakan

wavelet-neural network.

2. System and software design

Tahap ini merupakan tahap perancangan sistem. Pada tahap ini perancangan

difokus pada perancangan struktur data, arsitektur perangkat lunak,

representasi interface dan algoritma proses simulasi dan prediksi

menggunakan wavelet-neural network.

3. Implementation and unit testing

pada tahap ini dilakukan penerjemahan hasil rancangan kedalam bahasa

pemrograman Java. Dimana setelah design selesai diterjemahkan dilakukan

pengujian terhadap sistem yang telah dibuat tadi dengan tujuan untuk

menemukan kesalahan yang terjadi dan kemudian diperbaiki.

4. Integration and system testing

Pada tahap Integration and system testing ini merupakan tahapan akhir dari

pembuatan sistem simulasi dan prediksi pasang surut air laut dimana pada

tahap ini sistem sudah bisa digunakan oleh user.

5. Operation and Maintenance

Tahap operation and maintenance ini digunakan ketika terjadinya perubahan

pada sistem simulasi dan prediksi pasang surut air laut atau tidak

ditemukannya kesalahan pada tahap sebelumnya sehingga dibutuhkan

perbaikan dalam peng-implementasiannya.

28

3.4. Alat Bantu Penelitian

3.4.1. Perangkat Keras (Hardware)

Perangkat keras (Hardware) yaitu berupa laptop dengan spesifikasi

1. Processor : Intel(R) Core(TM) i5-3337U CPU @1.80GHz 1.80 GHZ

2. Memory : 4096 MB RAM

3. Harrdisk : 500 GB dan SSD (Solid State Drive) 32 GB

3.4.2. Perangkat Lunak (software)

1. Sistem Operasi Windows 7 Ultimate

2. Xampp-win32-1.6.6a-installer

3. NetBeans IDE 7.4 Installer

4. Microsoft Office dan Excel 2010

5. Browser Google Chrome.

6. Dia-setup-0.97.2-2

7. Paint

29

3.5. Kerangka Pikir Penelitian

Gambar 3.2 Kerangka Pikir

BAB IV

PERANCANGAN DAN IMPLEMENTASI

Pada bab ini akan dijelaskan kebutuhan data serta proses perancangan sistem dari

perangkat lunak yang dibangun. Dimulai dari analisa kebutuhan, desain

(perancangan), implementasi serta pengujian sistem.

4.1. Perancangan Sistem

Dalam pembuatan sebuah sistem diperlukan tahap perancangan sistem.

Perancangan sistem sangat diperlukan untuk mendeskripsikan alur kerja pada

sistem simulasi dan prediksi pasang surut air laut dengan menggunakan wavelet

neral network. Tahap perancangan sistem ini akan lebih dirincikan pada tahap

analisa perancangan sistem.

4.2. Analisis Perancangan Wavelet-Neural Network

Analisis perancangan Wavelet-neural network ini akan dibahas tentang

pengolahan data pada sistem. Akan dipaparkan atau digambarkan dengan

rancangan sistem yang dipresentasikan dalam flowchart. Flowchart yang akan

dibahas mengenai jalannya sistem simulasi prediksi pasang surut air laut secara

umum. Flowchart ini merupakan gambaran awal proses perancangan aplikasi

dengan menggunakan wavelet-neural network.

Adapun proses pengolahan data pada sistem simulasi dan prediksi pasang surut air

laut dengan wavelet-neural network adalah sebagai berikut.

31

4.2.1. Flowchart Proses Wavelet-Neural Network

pin

Gambar 4.1 Flowchart Proses Wavelet-Neural Network

32

Pengolahan data inputan pasang surut air laut dengan parameter waktu

(jam) dan tinggi pasang surut (m) perairan tarempa menggunakan data

sebanyakan 12.234 data model yang didapat dari data tinggi pasang surut air laut

tahun 2013-2014 dan 4.150 data prediksi yang didapat dari data pasang surut air

laut tahun 2015 pada posisi Lintang 03o 13’ 05” U ( N ) dan Bujur 106

o 13’ 09” T

(E) yang diperoleh dari Hidro-Oseanografi TNI AL Tanjung pinang. Data

hendaknya dikelompokkan terlebih dahulu terhadap masing-masing variabel.

Misalnya variabel waktu (jam) dikelompokkan dengan waktu (jam) terjadinya

pasang surut training (data model) dan data waktu terjadinya pasang surut testing

(data prediksi). Begitu juga untuk variabel tinggi pasang surut.

Selanjutnya data yang telah dikelompokkan didekomposisi menggunakan

wavelet haar. Dekomposisi wavelet haar merupakan proses pengubahan data

dengan mencari nilai koefisisen perataan dan pengurangan secara berulang.

Adapun alur proses dekomposisi menggunakan wavelet haar dapat digambarkan

sebagai berikut :

33

4.2.1.1. Flowchart Dekomposisi Data menggunakan Wavelet Haar

Gambar 4.2 Flowchart Dekomposisi data menggunakan Wavelet Haar

34

Keterangan :

a. Data input (data model dan data prediksi) pasang surut.

Tabel 4.1 Contoh data Model (data training)

No Waktu (jam)

( )

Tinggi Pasut (m)

( )

Target (m)

(T)

1 1 1,4 1,4

2 2 1,3 1,3

3 3 1,3 1,3

4 4 1,2 1,2

Tabel 4.2 Contoh Data Prediksi (data testing)

No Waktu (jam)

( )

Tinggi Pasut (m)

( )

Target (m)

(T)

1 5 1,1 1,1

2 6 1,0 1,0

3 7 0,8 0,8

4 8 0,7 0,7

Gabungkan data model dan data prediksi sesuai dengan variabelnya masing-

masing.

Tabel 4.3 Contoh Gabungan Data Model dan Prediksi

No Waktu (Jam)

( )

Tinggi Pasut (m)

( )

Target (m)

(T)

1 1 1,4 1,4

2 2 1,3 1,3

3 3 1,3 1,3

4 4 1,2 1,2

5 5 1,1 1,1

6 6 1,0 1,0

7 7 0,8 0,8

8 8 0,7 0,7

35

b. Tentukan banyak level

Penentuan banyak level yang akan digunakan berdasarkan panjang data yang

ada untuk tiap-tiap variabel. Pada data contoh terdapat 8 data. Dimana 8=

sehingga banyaknya level yang akan dilalui pada proses dekomposisi ini

adalah sebanyak 3 level. Proses dekomposisi dilakukan dengan menghitung

nilai perataan dan pengurangan secara berulang dengan persamaan (2.1) dan

(2.2). hasil dekomposisi disusun kembali berdasarkan hasil perataan dan

pengurangan untuk menggantikan sekumpulan data asli. adapun hasil dari

proses dekomposisi 3 level adalah sebagai berikut :

Tabel 4.4 Contoh Data Hasil Dekomposisi

No Waktu (Jam)

( )

Tinggi Pasut (m)

( )

Target (m)

(T)

1 4,5 1,1 1,1

2 -2 0,2 0,2

3 -1 0,05 0,05

4 -1 0,15 0,15

5 -0,5 0,05 0,05

6 -0,5 0,05 0,05

7 -0,5 0,05 0,05

8 -0,5 0,05 0,05

Hasil dari proses dekomposisi ini selanjutnya akan digunakan untuk

melakukan proses normalisasi data.

36

4.2.1.2. Flowchart Pemodelan Data Menggunakan Backpropagation Neural

Network

Gambar 4.3 Flowchart Pemodelan data Menggunakan

Backpropagation Neural Network

37

Keterangan :

a. Ambil data hasil dekomposisi

b. Normalisasi data dalam range [0, 1]

Pada penelitian ini normalisasi data yang digunakan adalah normalisasi dalam

range [0, 1] dengan persamaan (2.25).

Tabel 4.5 Contoh Data Hasil Normalisasi

No Waktu (Jam)

( )

Tinggi Pasut (m)

( )

Target (m)

(T)

1 1,000 1,000 1,000

2 0,000 0,142 0,142

3 0,153 0,000 0,000

4 0,153 0,095 0,095

5 0,230 0,000 0,000

6 0,230 0,000 0,000

7 0,230 0,000 0,000

8 0,230 0,000 0,000

Selanjutnya data hasil normalisasi akan dipisahkan kembali antara data

model dan data prediksi.

Tabel 4.6 Contoh Data Model Hasil Normalisasi

No Waktu (Jam)

( )

Tinggi Pasut (m)

( )

Target (m)

(T)

1 1,000 1,000 1,000

2 0,000 0,142 0,142

3 0,153 0,000 0,000

4 0,153 0,095 0,095

38

Tabel 4.7 Contoh Data Prediksi Hasil Normalisasi

No Waktu (Jam)

( )

Tinggi Pasut (m)

( )

Target (m)

(T)

1 0,230 0,000 0,000

2 0,230 0,000 0,000

3 0,230 0,000 0,000

4 0,230 0,000 0,000

Data model hasil normalisasi akan digunakan untuk membangun model

prediksi yang akan divalidasi dengan data prediksi hasil normalisasi. Adapun

tahapan yang harus dilalui dalam pemodelan menggunakan backpropagation

neural network adalah sebagai berikut :

c. Inisialisasi bobot dengan Nguyen-Widrow

Inisialisasi bobot dengan Nguyen-Widrow ini tergantung pada model jaringan

yang akan dibangun. Misalkan akan dibangun model jaringan dengan 2 input

layer, 3 hidden layer dan 1 output layer (2-3-1). maka inisialisasi bobot awal

input sebagai berikut :

Lalu hitung nilai ||Vj || dengan persamaan (2.23)

√( ) ( )

√( ) ( )

√( ) ( )

Selanjutnya inisialisasi ulang bobot-bobot input layer ke hidden layer ( )

dengan persamaan (2.24)

39

Tabel 4.8 Contoh Bobot dan bias input layer ke hidden layer

b1 0,22 0,53 0,44

Tabel 4.9 Bobot dan bias awal hidden layer ke Output layer

Y

W11 0,25

W21 0,48

W31 0.15

b21 0,1

d. Inisialisasi parameter

Misalkan : Maximum Epoch : 1

hidden layer : 3

target error : 0,1

learning rate ( ) : 0,1

e. Perhitungan feedforward

menjumlahkan sinyal-sinyal masukan berbobot hidden layer dengan

persamaan (2.4)

( ) ( )

( ) ( )

( ) ( )

Hitung sinyal Keluarannya menggunakan persamaan (2.5)

40

Jumlahkan sinyal-sinyal berbobot output layer dengan persamaan (2.6)

( )( ) ( )( )

( )( )

Hitung sinyal keluarannya menggunakan persamaan (2.7)

f. Perhitungan Backpropagation

Hitung informasi error (δ) di output layer dengan persamaan (2.8)

( )( )( )

Kemudian Hitung koreksi bobot dan koreksi bias yang nanti akan

digunakan untuk memperbaiki nilai dengan persamaan (2.11) dan (2.12).

( )( ) ( )

( )( )( )

( )( )( )

( )( )

Hitung penjumlahan delta inputan dari unit-unit yang berada pada lapisan

diatasnya (neuron hidden ) dengan persamaan (2.13).

( )( )

( )( )

41

( )( )

kemudian dikalikan dengan turunan dari fungsi aktifasinya untuk menghitung

informasi error dengan persamaan (2.14).

( )( )( )

( )( )( )

( )( )( )

Hitung Koreksi perubahan Bobot dan bias input layer ke hidden layer (Vij)

dan bias (b1j) yang akan digunakan untuk meng-update (Vij) dengan

persamaan (2.17) dan (2.18)

( )( )( )

( )( )( )

( )( )( )

( )( )( )

( )( )( )

( )( )( )

( )( )

( )( )

( )( )

g. Perbaikan Bobot

Perbaiki Bobot dan Bias dengan persamaan (2.19) dan (2.20)

( )

( )

( )

( )

42

Perbaiki Bobot dan Bias dengan persamaan (2.21) dan (2.22)

( ) ( ) ( ) 0,719639

( ) ( ) ( ) 0,652219

( ) ( ) ( ) 0,412138

( ) ( ) ( ) 0,575764

( ) ( ) ( ) -0,65063

( ) ( ) ( ) 0,824134

( ) ( ) ( ) 0,220263

( ) ( ) ( ) 0,530796

( ) ( ) ( ) 0,440142

Setelah didapat hasil perbaikan bobot data training pertama, maka gunakan

bobot tersebut untuk perbaikan bobot dan bias pada data training ke-2, dan

bobot yang dihasilkan pada training kedua digunakan untuk data training ke-3

dan begitu seterusnya.

Data Training ke-2

Sinyal keluaran output layer ( ) adalah:

Perubahan bobot output layer :

( )

( )

( )

( )

Perubahan bobot hidden layer :

( ) 0,719639

( ) 0,652219

( ) 0,412138

43

( ) 0,575661

( ) -0,650818

( ) 0,824075

( ) 0,218668

( ) 0,523695

( ) 0,438301

Data Training ke-3

Sinyal keluaran output layer ( ) adalah:

Perubahan bobot output layer :

( )

( )

( )

( )

Perubahan bobot hidden layer :

( ) 0,719505

( ) 0,651979

( ) 0,41206

( ) 0,575661

( ) -0,650818

( ) 0,824075

( ) 0,216754

( ) 0,515497

( ) 0,436092

Data Training ke-4

Sinyal keluaran Output layer ( ) adalah:

44

Perubahan bobot output layer :

( )

( )

( )

( )

Perubahan bobot hidden layer :

( ) 0,719375

( ) 0,651737

( ) 0,411989

( ) 0,575661

( ) -0,650818

( ) 0,824075

( ) 0,21493

( ) 0,507392

( ) 0,43406

Setelah sampai pada data training ke-4, maka iterasi pertama selesai

dikerjakan, proses diulangi hingga mencapai error terkecil atau epoch yang

memenuhi toleransi yang ditentukan.

Hasil keluaran bobot dan bias pada iterasi yang telah ditentukan akan di

simpan untuk digunakan untuk memvalidasi data prediksi.

45

4.2.1.3. Flowchart Prediksi Data Menggunakan Backpropagation Neural

Network

Gambar 4.4 Flowchart Prediksi data Menggunakan

Backpropagation Neural Network

46

Keterangan :

a. Ambil data target prediksi hasil normalisasi

b. Ambil hasil perbaikan bobot pada proses pemodelan

c. Perhitungan feedforward

Tahapan feedforward ini digunakan untuk menghitung keluaran hasil prediksi,

d. Validasi terhadap data target

Untuk mendapatkan hasil prediksi, lakukan perhitungan keluaran hidden

layer terlebih dahulu menggunakan persamaan (2.4) dan (2.5)

( ( ) ( )

( ( ) ( )

( ( ) ( )

Hasil keluaran dari keluaran hidden layer ini digunakan untuk menghitung

hasil prediksi dengan persamaan (2.6) dan (2.7)

( ( )) (( )( ))

(( )( ))

47

Hasil prediksi data pertama dengan menggunakan parameter yang telah

ditentukan adalah 0,719869

Ulangi langkah-langkah tersebut untuk menghitung hasil prediksi ke-2,3 dan 4

Tabel 4.10 Contoh Hasil Prediksi

No Prediksi (Y)

1

2

3

4

e. Hitung error rata-rata prediksi

Perhitungan error rata-rata hasil prediksi dapat dilakukan dengan

menggunakan persamaan (2.27). dimana data yang digunakan adalah data

keluaran hasil pemodelan sebagai data target dan data keluaran hasil

prediksi.

Tabel 4.11 Contoh Error Rata-Rata Prediksi

Target

(T)

Prediksi

(Y)

MSE

pecahan %

0,000 0,719869 0,518211 51,8%

0,000 0,719869 0,518211 51,8%

0,000 0,719869 0,518211 51,8%

0,000 0,719869 0,518211 51,8%

∑ 51,8%

Dari Perhitungan error menggunakan MSE diatas didapat akurasi model prediksi

sebesar 48,2%.

48

Hasil prediksi dengan 1 iterasi tidak memberikan hasil prediksi yang akurat,

karena error yang di capai masih sangat besar. Untuk mendapatkan akurasi

prediksi yang baik hendaklah membangun model dengan nilai error seminimum

mungkin.

f. Denormalisasi data

Denormalisasi data ini dilakukan untuk mengembalikan data hasil normalisasi.

Sama halnya dengan proses normalisasi, denormalisasi ini dilakukan dengan cara

menggabungkan data model dan data prediksi terlebih dahulu. Dimana data

dan yang digunakan sama dengan data dan target pada proses

normalisasi. proses denormalisasi hanya dilakukan terhadap data target prediksi

dan data hasil prediksi dengan persamaan (2.26).

Tabel 4.12 Contoh Hasil denormalisasi

Target (m)

(T)

Prediksi (m)

(Y)

1,1 0,759341

0,2 0,81519

0,05 0,813006

0,15 0,808123

0,05 0,805862

0,05 0,805862

0,05 0,805862

0,05 0,805862

Hasil denormalisasi ini akan digunakan untuk proses rekonstruksi. Dimana proses

rekonstruksi merupakan proses yang digunakan untuk mengembalikan data hasil

dekomposisi.

49

4.2.1.4. Flowchart Rekonstruksi data menggunakan Wavelet Haar

Gambar 4.5 Flowchart Rekonstruksi Data menggunakan

Wavelet Haar

50

Keterangan :

a. Ambil Data Hasil Denormalisasi

b. Tentukan Banyak Level

Banyak level proses rekonstruksi ini sama hal nya dengan banyaknya level

pada proses dekomposisi. Dimana pada contoh ini level dekomposisi yang

dilakukan sebanyak 3 level, Maka banyaknya level proses rekonstruksi juga

akan dilakukan sebanyak 3 level. Proses rekonstruksi ini bisa dilakukan

dengan menggunakan invers.

Proses Rekonstruksi Data Target :

[ ] [ ] [ ] [

] [

]

[

] [

] [

] [

] [

]

[

]

[

]

[

]

[

]

[ ]

51

Proses rekonstruksi Hasil Prediksi :

[ ] [ ] [ ] [

] [

]

[

] [

] [

] [

] [

]

[

]

[

]

[

]

[

]

[ ]

Tabel 4.13 Contoh Hasil Rekonstruksi

Target (m) Prediksi (m)

1,4 3,193399

1,3 1,581674

1,3 1,567387

1,2 -0,04434

1,1 1,558136

1,0 -0,05359

0,8 0,05811

0,7 1,66983

Hasil rekonstruksi diatas merupakan hasil rekonstruksi data target prediksi

dari penggabungan data model dan data prediksi. Namun untuk mengetahui

hasil prediksi maka pisahkan data model.

52

4.3. Perancangan Basis Data

Basis data digunakan sebagai tempat penyimpan data program. Selain dari

tempat penyimpanan data, basis data juga berfungsi untuk mengatur dan memilih

data sesuai kategorinya atau jenisnya masing-masing.

4.3.1. Deskripsi Tabel user

Nama Database : pasut

Nama Tabel : user

Primary Key : id_user

Tabel 4.14 Struktur Tabel User

No Nama Kolom Type Data Panjang Data Keterangan

1 id_user Int 5 Autoincrement

2 username Varchar 20 Nama User

3 password Varchar 16 Password User

4 nama_lengkap Varchar 100 Nama Lengkap User

4.3.2. Deskripsi Tabel model

Nama Database : pasut

Nama Tabel : model

Primary Key : id_model

Tabel 4.15 Struktur Tabel Model

No Nama Kolom Type Data Panjang Data Keterangan

1 id_model Int 11 Autoincrement

2 tgl_model date - Tanggal data model

3 Jam Int 2 Jam data model

4 tinggi_pasut double - Data tinggi pasang surut

53

4.3.3. Deskripsi Tabel Prediksi

Nama Database : pasut

Nama Tabel : prediksi

Primary Key : id_prediksi

Tabel 4.16 Struktur Tabel Prediksi

No Nama Kolom Type Data Panjang Data Keterangan

1 id_prediksi Int 11 Autoincrement

2 tgl_prediksi date - Tanggal data prediksi

3 jam Int 2 Jam data target prediksi

4 tinggi_real double - Data tinggi pasang surut

aktual

5 tinggi_prediksi double - Data pasut hasil prediksi

54

4.4. Perancangan Alur Sistem dengan ERD (Entity Relationship Diagram)

Perancangan basis data pada penelitian ini dibuat dalam bentuk Entity

Relationship Diagram (ERD). Adapun Entity Relationship Diagram (ERD) yang

telah dibuat pada aplikasi ini menampilkan skema hubungan antara table dalam

database Simulasi dan Prediksi Pasang Surut Air Laut.

Gambar 4.6 Perancangan ERD (Entity Relation Diagram)

55

4.5. Perancangan Alur Sistem dengan DFD (Data Flow Diagram)

Setelah mengetahui bagaimana alur program dan data berjalan secara

umum pada sub bab sebelumnya. Pada sub bab ini akan dijelaskan bagaimana

perancangan sistem yang dibuat untuk membangun Aplikasi Simulasi dan

Prediksi Pasang Surut Air Laut. Alat bantu yang digunakan adalah Data Flow

Diagram (DFD).

4.5.1. Data Flow Diagram (DFD) level 0

Pada DFD Level 0 diatas sistem digambarkan secara umum, dimana user dapat

melakukan login, meng-input data pasang surut sebagai data model yang akan

digunakan sebagai data pemodelan, meng-input data pasang surut sebagai data

prediksi, meng-input data user sebagai user. Kemudian keluaran dari sistem akan

memberikan hasil pemodelan yang dibentuk dan hasil prediksi serta besarnya

error yang terjadi.

Gambar 4.7 Alur Sistem menggunakan Data Flow

Diagram (DFD) level 0

56

4.5.2. Data Flow Diagram (DFD) Level 1

Pada DFD level 1 ini terdapat 6 proses diantaranya proses 1.0 Login, proses 2.0

Data Model, proses 3.0 Data Prediksi, proses 4.0 User 5.0 Pemodelan dan

Prediksi, dan proses 6.0 Simulasi.

Pada proses 1.0 Login merupakan proses utama saat user berinteraksi atau

menggunakan sistem. Pada proses ini user memasukkan username dan password

Gambar 4.8 Alur Sistem menggunakan Data Flow Diagram

(DFD) level 1

57

untuk menggunakan sistem. Kemudian keluaran dari proses ini adalah berupa

informasi apakah user terdaftar pada sistem atau tidak. Jika terdaftar maka user

bisa melanjutkan ke proses selanjutnya, jika tidak maka terdapat pesan kesalahan

masukan username atau password.

Pada proses 2.0 Data Model dapat digunakan oleh user untuk mengolah

data model yang akan digunakan untuk membentuk sebuah model prediksi. Pada

proses ini user mengolah data waktu (jam) terjadinya pasang surut air laut, dan

tinggi pasang surut itu sendiri dalam satuan (m). dimana keluaran dari proses ini

berupa data hasil pemodelan yang dibentuk.

Pada proses 3.0 Data Prediksi ini digunakan untuk mengolah data target

prediksi yang akan digunakan untuk prediksi pasang surut air laut. Pada proses ini

user mengolah data waktu (jam) terjadinya pasang surut air laut, dan tinggi pasang

surut itu sendiri dalam satuan (m) yang dijadikan sebagai target prediksi. Pada

saat dimasukkan pasang surut prediksi bernilai 0 (nol), selanjutnya nilai akan

dirubah apabila sudah dilakukan proses pemodelan dan prediksi. Keluaran dari

proses ini adalah berupa data-data yang diolah sebelumnya.

Pada proses 4.0 user ini dapat digunakan oleh user untuk mengolah data

user yang bisa login ke aplikasi simulasi dan prediksi pasang surut ini. Sedangkan

data yang dikirim sistem ke user yaitu berupa data user yang telah diolah..

Pada proses 5.0 pemodelan dapat dibentuk oleh user dengan cara

menginisialisasikan parameter pendukung yaitu berupa data epoch maxs, α

58

(learning rate), neuron hidden, target error. dimana keluaran dari proses ini

berupa hasil pemodelan yang terbentuk yag nantinya akan divalidasi dengan data

prediksi.

Pada proses 6.0 prediksi dapat dilakukan setelah pemodelan selesai

dibentuk. Adapun keluaran dari prediksi ini berupa informasi pola prediksi dan

error prediksi yang terjadi.

4.5.3. Data Flow Diagram (DFD) Level 2 proses 2 (Data Model)

Gambar 4.9 Alur Sistem menggunakan Data Flow Diagram

(DFD) level 2 proses 2 (Data Model)

59

Pada DFD level 2 proses 2 ini terdapat 4 proses diantaranya proses 2.2.1 input,

proses 2.2.2 update, 2.2.3 delete, 2.2.4 cari.

Pada proses 2.2.1 input dapat dilakukan oleh user untuk menambahkan

data model dengan menginputkan data tanggal, data jam dan data tinggi pasang

surut. Keluaran dari proses ini berupa informasi mengenai data yang di input

apakah berhasil di input atau tidak.

Pada proses 2.2.2 update dapat dilakukan oleh user untuk merubah data

model yang sebelumnya sudah di-input oleh user. Dimana keluaran dari proses ini

berupa informasi mengenai data yang diubah, apakah data berhasil di-update atau

tidak.

Pada proses 2.2.3 delete dapat dilakukan oleh user untuk menghapus data

model yang telah di-input user sebelumnya dengan cara memilih data yang ingin

di hapus, lalu keluaran dari proses ini berupa informasi mengenai data yang di-

delete, apakah berhasil dihapus atau tidak . .

Pada proses 2.2.4 cari dapat dilakukan oleh user untuk mencari data model

yang telah di-input berdasarkan tanggal masukan atau berdasarkan tinggi pasang

surut sebagai data model. Dimana keluaran dari proses ini berupa informasi

mengenai data yang dicari, apakah terdapat pada tabel atau tidak.

60

4.5.4. Data Flow Diagram (DFD) Level 2 proses 3 (Data Prediksi)

Pada DFD level 2 proses 3 ini terdapat 4 proses diantaranya proses 2.3.1 input,

proses 2.3.2 update, 2.3.3 delete, 2.3.4 cari.

Pada proses 2.3.1 input dapat dilakukan oleh user untuk menambahkan

data prediksi dengan menginputkan data tanggal, data jam dan data tinggi_real

(sebagai target prediksi), sedangkan untuk tinggi_prediksi bisa diinisialisasi

dengan 0 (nol). Keluaran dari proses ini berupa informasi mengenai data yang di

input apakah berhasil di input atau tidak.

Gambar 4.10 Alur Sistem menggunakan Data Flow Diagram

(DFD) level 2 proses 3 (data prediksi)

61

Pada proses 2.3.2 update dapat dilakukan oleh user untuk merubah data

prediksi yang sebelumnya sudah di-input oleh user. Dimana keluaran dari proses

ini berupa informasi mengenai data yang di-update, apakah data berhasil di-

update atau tidak.

Pada proses 2.3.3 delete dapat dilakukan oleh user untuk menghapus data

prediki yang telah di-input user sebelumnya dengan cara memilih data yang ingin

di hapus, lalu keluaran dari proses ini berupa informasi mengenai data yang di-

delete, apakah berhasil dihapus atau tidak .

Pada proses 2.3.4 cari dapat dilakukan oleh user untuk mencari data

prediksi yang telah di-input berdasarkan tanggal masukan atau berdasarkan tinggi

pasang surut real sebagai data target prediksi. Dimana keluaran dari proses ini

berupa informasi mengenai data yang dicari, apakah terdapat pada tabel atau

tidak.

62

4.5.5. Data Flow Diagram (DFD) Level 2 proses 4 (User)

Pada DFD level 2 proses 4 ini terdapat 4 proses diantaranya proses 2.4.1 input,

proses 2.4.2 update, 2.4.3 delete, 2.4.4 cari.

Pada proses 2.4.1 input dapat dilakukan oleh user untuk menambahkan

data user dengan menginputkan data username, password serta nama lengkap.

Keluaran dari proses ini berupa informasi mengenai data user yang baru di-input

apakah berhasil diinput atau tidak

Pada proses 2.4.2 update dapat dilakukan oleh user untuk merubah data

user dengan memilih data user yang ingin di-update lalu update data user.

Gambar 4.11 Alur Sistem menggunakan Data Flow Diagram (DFD)

level 2 proses 4 (user)

63

Keluaran dari proses ini berupa informasi mengenai data yang baru di-update

apakah berhasil di-update atau tidak.

Pada proses 2.4.3 delete dapat dilakukan oleh user untuk menghapus data

user yang telah di-input sebelumnya oleh user. Keluaran dari proses ini berupa

informasi mengenai data yang di-delete apakah berhasil atau tidak.

Pada proses 2.4.4 cari dapat dilakukan oleh user untuk mencari data user

yang telah di-input sebelumnya berdasarkan username, password, dan nama

lengkap user. Keluaran dari proses ini berupa informasi data yang dicari.

4.6. Perancangan Antar Muka ( User Interface)

4.6.1. Perancangan Form Login

Pada form rancangan login ini digunakan oleh user untuk mengakses

sistem.

Gambar 4.12 Perancangan Form Login

64

4.6.2. Perancangan Form Utama

Form utama ini akan ditampilkan apabila user berhasil melakukan proses

login. Pada form ini terdapat tombol yang digunakan untuk membuka form data

model, data prediksi, user, pemodelan dan prediksi serta tombol logout yang jika

di klik maka user akan keluar dari sistem.

4.6.3. Perancangan Form Data Model

Form data model ini digunakan untuk mengolah data model. Dimana form

ini terdiri dari tombol tambah , ubah, hapus dan cari.

Gambar 4.13 Perancangan Form Utama

Gambar 4.14 Perancangan Form Data Model

65

4.6.4. Perancangan Form Data Prediksi

Form data prediksi ini digunakan untuk mengolah data prediksi. Dimana

form ini terdiri dari tombol tambah , ubah, hapus dan cari.

4.6.5. Perancangan Form User

Form user ini digunakan untuk mengolah data user. Dimana form ini

terdiri dari tombol tambah , ubah, hapus dan cari.

Gambar 4.15 Perancangan Form Data Prediksi

Gambar 4.16 Perancangan Form User

66

4.6.6. Perancangan Form Pemodelan

Form pemodelan ini digunakan untuk mengolah data pasang surut air laut.

Dimana pada form ini terdiri dari tombol analisa, load jaringan, dan simpan model

jaringan. Dimana tombol analisa digunakan untuk menganalisa atau membentuk

model dan melakukan prediksi. Tombol simpan model jaringan digunakan untuk

menyimpan bobot dan bias yang digunakan untuk memvalidasi data prediksi serta

menyimpan hasil prediksi. Sedangkan load jaringan di gunakan untuk

menampilkan bobot dan bias model jaringan.

Gambar 4.17 Perancangan Form Pemodelan

67

4.6.7. Perancangan Form Prediksi

Pada form ini akan ditampilkan hasil prediksi yang dibangun

menggunakan model prediksi yang telah dibangun sebelumnya untuk melakukan

proses prediksi.

4.7. Implementasi

4.7.1. Form Login

Form ini merupakan implementasi dari perancangan form login.

Gambar 4.18 Perancangan Form Prediksi Pasang Surut

Gambar 4.19 Form Login

68

4.7.2. Form Menu Utama

Form ini merupakan implementasi dari perancangan form menu utama

4.7.3. Form Data Model

Form ini merupakan implementasi dari perancangan form data Model

Gambar 4.20 Form Menu Utama

Gambar 4.21 Form Data Model

69

4.7.4. Form Data Prediksi

Form ini merupakan implementasi dari perancangan form data prediksi

4.7.5. Form User

Form ini merupakan implementasi dari perancangan form User

Gambar 4.23 Form User

Gambar 4.22 Form Data Prediksi

70

4.7.6. Form Pemodelan

Form ini merupakan implementasi dari perancangan form pemodelan.

4.7.7. Form Prediksi

Form ini merupakan implementasi dari perancangan form prediksi.

Gambar 4.24 Form Pemodelan

Gambar 4.25 Form Prediksi

71

4.8. Pengujian Sistem

Sistem yang dibangun tentu mengandung peluang terjadinya kesalahan

pada saat pengerjaannya. Kesalahan dapat mulai terjadi pada permulaan proses

dimana sasaran ditetapkan secara tidak sempurna, dan dalam desain dan tahap

pengembangan selanjutnya.

4.8.1. Pengujian Black Box

Pengujian ini bertujuan untuk menguji fungsi sistem tentang cara

beroperasinya dari segi antarmukanya, apakah dengan data masukan sekian

hasilnya sesuai dengan yang diharapkan ataupun tidak.

Pengujian black box ini akan diterapkan pada pembuatan sistem simulasi

dan prediksi pasang surut air laut sebagai berikut :

4.8.1.1. Pengujian Form Login

Tabel 4.19 Pengujian Form Login

No Data Hasil

Harapan

Hasil

Keluaran Hasil Uji

1 Input Data Login yang

telah terdaftar dan klik

tombol Masuk

Berhasil Login Berhasil

Login

Sesuai

2 Input Data Login yang

belum Terdaftar dan Klik

tombol Masuk

Gagal Login Gagal Login Sesuai

3 Input Data Login dan

Klik Tombol Batal

Program

Tertutup

Berhasil

Keluar

Sesuai

72

4.8.1.2. Pengujian Form Data Model

Tabel 4.20 Pengujian Form Data Model

No Data Hasil

Harapan

Hasil

Keluaran Hasil Uji

1 Input Data Model Pasut

dan klik tombol

Tambah

Berhasil

ditambahkan

Berhasil

Ditambahkan

Sesuai

2 Input Data Model pasut

tanpa mengisi data

tanggal dan klik

tombol tambah

Gagal

ditambahkan

Gagal

Ditambahkan

Sesuai

3 Input Data Model pasut

tanpa mengisi data

tinggi pasut dan klik

tombol tambah

Gagal

ditambahkan

Gagal

Ditambahkan

Sesuai

4 Klik data yang ingin di

hapus dan klik tombol

hapus

Berhasil

dihapus

Berhasil

dihapus

Sesuai

5 Double klik data yang

ingin diubah lalu ubah

data tersebut dan Klik

tombol Ubah

Berhasil

diubah

Berhasil

diubah

sesuai

6 Double klik data yang

ingin diubah lalu Klik

tombol cancel

Gagal di ubah Gagal diubah sesuai

7 Klik tombol selesai Form model

tertutup dan

kembali ke

Menu Utama

Berhasil

Keluar dan

kembali ke

menu Utama

sesuai

73

4.8.1.3. Pengujian Form Data Prediksi

Tabel 4.21 Pengujian Form Data Prediksi

No Data Hasil

Harapan

Hasil

Keluaran Hasil Uji

1 Input Data prediksi Pasut

dan klik tombol Tambah

Berhasil

ditambahkan

Berhasil

Ditambahkan

Sesuai

2 Input Data prediki pasut

tanpa mengisi data

tanggal dan klik tombol

tambah

Gagal

ditambahkan

Gagal

Ditambahkan

Sesuai

3 Input Data prediksi pasut

tanpa mengisi data tinggi

pasut dan klik tombol

tambah

Gagal

ditambahkan

Gagal

Ditambahkan

Sesuai

4 Klik data yang ingin di

hapus dan klik tombol

hapus

Berhasil

dihapus

Berhasil

dihapus

Sesuai

5 Double klik data yang

ingin diubah lalu ubah

data tersebut dan Klik

tombol Ubah

Berhasil

diubah

Berhasil

diubah

sesuai

6 Double klik data yang

ingin diubah lalu Klik

tombol cancel

Gagal di ubah Gagal diubah sesuai

7 Klik tombol selesai Form prediksi

tertutup dan

kembali ke

Menu Utama

Berhasil

Keluar dan

kembali ke

menu Utama

sesuai

74

4.8.1.4. Pengujian Form Data User

Tabel 4.22 Pengujian Form User

No Data Hasil Harapan Hasil

Keluaran Hasil Uji

1 Input Data User dan

klik tombol Tambah

Berhasil

ditambahkan

Berhasil

Ditambahkan

Sesuai

2 Input Data User tanpa

mengisi data Password

dan klik tombol

tambah

Gagal

ditambahkan

Gagal

Ditambahkan

Sesuai

3 Input Data User tanpa

mengisi data Nama

Lengkap dan klik

tombol tambah

Gagal

ditambahkan

Gagal

Ditambahkan

Sesuai

4 Klik data yang ingin di

hapus dan klik tombol

hapus

Berhasil

dihapus

Berhasil

dihapus

Sesuai

5 Double klik data yang

ingin diubah lalu ubah

data tersebut dan Klik

tombol Ubah

Berhasil diubah Berhasil

diubah

sesuai

6 Double klik data yang

ingin diubah lalu Klik

tombol cancel

Gagal di ubah Gagal diubah sesuai

7 Klik tombol selesai Form prediksi

tertutup dan

kembali ke

Menu Utama

Berhasil

Keluar dan

kembali ke

menu Utama

sesuai

75

4.8.1.5. Pengujian Form Pemodelan

Tabel 4.23 Pengujian Form Pemodelan

No Data Hasil

Harapan

Hasil

Keluaran Hasil Uji

1 Inisialisasi semua

parameter pemodelan

dengan minimal 2

hidden layer dan Klik

Tombol Analisa

Berhasil

dianalisa

Berhasil

Analisa Data

Sesuai

2 Klik tombol Simpan

Jaringan

Berhasil

menyimpan

model

Berhasil

menyimpan

model

Sesuai

3 Klik tombol Load

Jaringan

Berhasil reload

bobot dan bias

jaringan yang

tersimpan

Berhasil

reload bobot

dan bias

jaringan yang

tersimpan

Sesuai

4.8.1.6. Pengujian Form Prediksi

Tabel 4.24 Pengujian Form Prediksi

No Data Hasil

Harapan

Hasil

Keluaran Hasil Uji

1 Input data Tanggal

awal prediksi dan data

tanggal akhir prediksi

Berhasil

prediksi

Berhasil

prediksi

sesuai

BAB V

ANALISA DAN PEMBAHASAN

pada bab ini akan dijelaskan tentang analisa dan pembahasan bab-bab

sebelumnya. Analisa yang dilakukan disini adalah bagaimana membentuk sebuah

model wavelet-neural network. Setelah model terbentuk, selanjutnya akan

dilakukan prediksi pasang surut 1 hari, 2 hari, dan seterusnya.

Berikut data pasang surut air laut yang digunakan untuk membangun model.

Tabel 5.1 Data model (12.234 data pasang surut 2013-2014)

No Waktu (jam)

( )

Tinggi pasut (m)

( )

Target (m)

(T)

1 1 1,7 1,7

2 2 1,5 1,5

3 3 1,4 1,4

4 4 1,3 1,3

5 5 1,2 1,2

6 6 1,1 1,1

7 7 1,0 1,0

8 8 1,0 1,0

9 9 0,9 0,9

10 10 0,8 0,8

11 11 0,8 0,8

12 12 0,7 0,7

13 13 0,6 0,6

14 14 0,6 0,6

15 15 0,6 0,6

16 16 0,6 0,6

17 17 0,7 0,7

18 18 0,9 0,9

19 19 1,1 1,1

77

20 20 1,3 1,3

21 21 1,5 1,5

22 22 1,6 1,6

23 23 1,7 1,7

24 24 1,7 1,7

25 1 1,6 1,6

26 2 1,5 1,5

27 3 1,3 1,3

28 4 1,2 1,2

29 5 1,1 1,1

30 6 1,1 1,1

- - -

12234 18 1,3 1,3

Tabel 5.2 Data prediksi (4.150 data pasang surut 2015)

No Waktu (jam)

( )

Tinggi pasut (m)

( )

Target (m)

(T)

Prediksi

(Y)

1 1 1,3 1,3 ---

2 2 1,3 1,3 ---

3 3 1,2 1,2 ---

4 4 1,2 1,2 ---

5 5 1 1 ---

6 6 0,9 0,9 ---

7 7 0,7 0,7 ---

8 8 0,6 0,6 ---

9 9 0,5 0,5 ---

10 10 0,5 0,5 ---

11 11 0,5 0,5 ---

12 12 0,7 0,7 ---

13 13 0,9 0,9 ---

14 14 1,1 1,1 ---

15 15 1,3 1,3 ---

16 16 1,4 1,4 ---

17 17 1,5 1,5 ---

18 18 1,6 1,6 ---

19 19 1,6 1,6 ---

20 20 1,5 1,5 ---

21 21 1,4 1,4 ---

22 22 1,4 1,4 ---

78

Dari data model dan prediksi diatas, maka dapat dibentuk model prediksi

menggunakan wavelet neural network melalui tahapan-tahapan seperti yang telah

dijelaskan pada bab sebelumnya.

Pemodelan Data

Pada penelitian ini akan dibangun model yang terdiri dari 2 lapisan

masukan (input layer), 3 lapisan tersembunyi (hidden layer) dan 1 lapisan

keluaran (output layer). Proses wavelet neural network untuk membangun model

pasang surut ini dilakukan berkali-kali untuk mencari konfigurasi model terbaik

dengan cara mengubah konstanta belajar (learning rate) secara coba-coba (trial

dan error). Sedangkan hidden layer tetap berjumlah 3 hidden.

Adapun parameter yang digunakan untuk mecari konfigurasi model terbaik adalah

sebagai berikut :

1. Maximum Iterasi (epoch) : 10.000

2. Hidden layer : 3

3. Target error : 0,01

23 23 1,3 1,3 ---

24 24 1,3 1,3 ---

25 1 1,2 1,2 ---

26 2 1,2 1,2 ---

27 3 1,2 1,2 ---

28 4 1,1 1,1 ---

29 5 1 1 ---

30 6 0,9 0,9 ---

---

4150 22 0,9 0,874 ---

79

Dari ketiga parameter diatas, akan dilakukan pemodelan sebanyak 20 kali

pemodelan dengan learning rate yang berbeda. Adapun hasil dari pemodelan

tersebut dapat dilihat pada tabel 5.3 berikut :

Tabel 5.3 Hasil Pemodelan dengan perubahan learning rate ( ) dan

maksimum iterasi 10.000

Pemodelan Learning rate ( ) Iterasi (epoch)

1 0,01 4624

2 0,02 2000

3 0,03 1633

4 0,04 1107

5 0,05 846

6 0,06 830

7 0,07 378

8 0,08 604

9 0,09 429

10 0,10 1000

11 0,20 223

12 0,30 139

13 0,40 299

14 0,50 218

15 0,60 139

16 0,70 68

17 0,80 55

18 0,90 78

19 1,00 44

20 2,00 24

Berdasarkan tabel pemodelan diatas, didapat pelatihan pola tercepat pada

iterasi ke-24 dengan learning rate 2,00.

Pengujian Data

Pengujian data dilakukan terhadap data prediksi pasang surut untuk

mendapatkan hasil keluaran yang sesuai dengan target atau output yang telah

ditentukan. Berdasarkan pengujian yang dilakukan, ternyata kecepatan

80

pembentukan model tidak memastikan ketepatan hasil keluaran dengan output

yang diharapkan.

Pengujian dilakukan dengan menghitung error rata-rata menggunakan

MSE (Means Square Error) untuk mendapatkan akurasi pemodelan tersebut.

Adapun hasil akurasi pemodelan dapat dilihat pada tabel 5.4 sebagai berikut :

Tabel 5.4 Hasil Pengujian

Pemodelan

MSE Akurasi

Model Pecahan Persentase

1 0,00772 0,772% 99.228%

2 0,00412 0,412% 99.588%

3 0,01515 1,515% 98.485%

4 0,0086 0,860% 99.140%

5 0,00623 0,623% 99.377%

6 0,0041 0,410% 99.590%

7 0,00433 0,433% 99.567%

8 0,00610 0,610% 99.390%

9 0,0018 0,180% 99.820%

10 0,00016 0,016% 99.984%

11 0,00401 0,401% 99.599%

12 0,00852 0,852% 99.148%

13 0,01273 1,273% 98.727%

14 0,00496 0,496% 99.504%

15 0,00797 0,797% 99.203%

16 0,00066 0,066% 99.934%

17 0,00373 0,373% 99.627%

18 0,0081 0,810% 99.190%

19 0,00405 0,405% 99.595%

20 0,005 0,500% 99.500%

Berdasarkan tabel hasil pengujian di atas, dapat dilihat ketepatan data yang dilatih

dengan output yang diharapkan terdapat pada iterasi ke 1000 dengan learning rate

0,1 dengan akurasi model sebesar 99,984%.

BAB VI

PENUTUP

6.1. Kesimpulan

Adapun kesimpulan yang dapat diambil dari penelitian ini adalah sebagai

berikut :

Sistem Simulasi dan Prediksi Pasang Surut Air Laut menggunakan

gabungan (hybrid model) dari Transformasi Wavelet dan Neural Network

telah berhasil dibangun dengan bahasa pemrograman java.

Dari pengujian yang dilakukan terhadap model yang dibangun

menggunakan wavelet neural network terbukti dengan pelatihan dan

pengujiannya. Dimana tercapat tingkat akurasi sebesar 99,984%.

6.2. Saran

Ada beberapa saran yang perlu disampaikan dalam penelitian ini, dengan

harapan akan menjadi saran yang bermanfaat dikemudian hari, diantarannya

adalah sebagai berikut :

1. Membangun model prediksi backpropagation dengan menambahkan

momentum atau menggunakan Metode Resilient Backpropagation untuk

meningkatkan laju pembelajaran.

2. Diharapkan kedepannya untuk memprediksi pasang surut air laut

menggunakan komponen-komponen pembangkit pasang surut.

82

DAFTAR PUSTAKA

Budiharto, W., Suhartono, D., 2014., Artificial Intelligence konsep dan

penerapannya., Yogyakarta., Andi

E. Bire, C., Cahyono, B., 2012., Denoising pada Citra Menggunakan

Transformasi Wavelet., Seminar Nasional Teknologi Informasi dan

Komunikasi Terapan 2012.

Gupta, Sangeeta., Singh, Vijander., Mittal, Alok P., Rai, Asha., 2014 “A Hybrid

Model of Wavelet and Neural Network for Short Term Load

Forecasting”., International Journal of Electronic and Electrical

Engineering, Volume 7, Number 4. 2014.

Hansun, S., 2013., Penerapan WEMA dalam peramalan data IHSG., Ultimatics,

Vol. No.2 Desember 2013.

Hidayat, Rachmat., Suprapto., Meminimalisasi Nilai Error Peramalan dengan Algoritma

Extreme Learning Machine., 2012., Jurnal Optimasi Sistem Industri., Vol. 11

No.1, April 2012 : 187-192.

Indrabayu., Harun, N., Pallu, M S., Achmad, A., 2011., Prediksi Curah Hujan

Di Wilayah Makasar Menggunakan Metode Wavelet-Neural Network.,

Jurnal Ilmiah Elektrikal Enjiniring Volume 09/ No.02/Mei -Agustus/ 2011.

Indra, F, C, S., 2014., Jaringan Syaraf Tiruan Memprediksi Ketersediaan Bahan

Bakar Solar dengan Menggunakan Metode Backpropagation., pelita

informatika budi darma Volume : VIII, Nomor 1 Desember 2014.

Indriani., Kurniawati, N., Hendri, M., 2010., Simulasi Pemodelan Arus Pasang

Surut di Luar Kolam Pelabuhan Tanjung Periok Mengguunakan

Perangkat Lunak SMS 8.1., Maspari Journal 01.(2010)

Kusumadewi, S., Hartati, S., 2010., Neuro-Fuzzy integrasi sistem fuzzy dan

jaringan syaraf., Yogyakarta, Graha Ilmu.

83

Puput. S.P., 2011., Simulasi Pasang Surut Menggunakan Jaringan Syaraf Tiruan

dengan Pendekatan Gaya Pembangkit Pasang Surut (Studi Kasus Taman

Nasional Bunaken)., Tesis Institut Teknologi Bandung.

Purwitasari, D., Sulaiman, R., Menak, S, A., 2009., Teknik peramalan Data Time

Series Berbasis Dekomposisi Wavelet dan Multy Layer Perceptron.,

Proceedings of CITEE, Agustus 4, 2009.

Putra. D., 2010., Pengolahan Citra Digital., Yogyakarta., Andi.

Rahman. A. H, 2012., Analisa perbandingan watermarking Image menggunakan

Discrete Wavelet Transform., Skripsi Universitas Indonesia.

Sutarno., 2010., Analisisi Perbandingan Transformasi Wavelet pada Pengenalan

Citra Wajah., Jurnal Generic Vol.5 No.2 (Juli 2010).

Yusuf, E.A., Suprayogi, I., Lilis, Y.H., 2015., Model Hidrolgi Runtun Waktu

untuk Peramalan Debit Sungai Menggunakan Metode Gabungan

Transformasi Wavelet-Artificial Neural Network., Jom FTEKNIK Volume 2

No. 1 Februari 2015.

Wyrtki, K., 1961., Phyical Oceanography of South East Asian Waters., Naga

Report Vol. 2 Scripps., Institute Oceanography., California

84