Data yang digunakan Analisis Sistem

BAB 3 ANALISIS DAN PERANCANGAN SISTEM Pada bab ini secara garis besar membahas analisis metode weighted evolving fuzzy neural network WEFuNN pada sistem, seperti data yang akan digunkan, gambaran umum cara kerja algoritma weighted evolving fuzzy neural network WEFuNN dan tahapan-tahapan yang akan dilakukan dalam perancangan sistem yang akan dibangun.

3.1 Data yang digunakan

Data yang digunakan dalam penelitian ini adalah data curah hujan dan beberapa data yang menjadi variabel input seperti tekanan udara, kelembapan udara, kecepatan angin, dan suhu yang diambil dari Badan Meteorologi, Klimatologi dan Geofisika, Balai Besar Meterologi Klimatologi dan Geofisika BMKG Wilayah I Medan dari tanggal 1 Januari 2002 s.d. 30 November 2012. Seluruh data berjumlah 3984 data seperti yang telah dirangkum pada Tabel 3.1. Data akan dibagi menjadi dua bagian berupa data pelatihan dan data pengujian. Pada data pelatihan akan menggunakan data curah hujan yang diambil dari Badan Meteorologi, Klimatologi dan Geofisika, Balai Besar Meterologi Klimatologi dan Geofisika BMKG Wilayah I Medan dari tanggal 1 Januari 2002 s.d 31 Desember 2010. Sedangkan data yang akan digunakan untuk pengujian berupa data curah hujan yang diambil dari Badan Meteorologi, Klimatologi dan Geofisika, Balai Besar Meterologi Klimatologi dan Geofisika BMKG Wilayah I Medan dari tanggal 1 Januari 2011 s.d 30 November 2012. Data curah hujan yang ada dimasukkan dan di simpan ke dalam database. Universitas Sumatera Utara Tabel 3.1 Rangkuman Data Curah Hujan No. Tanggal Curah Hujan mm Suhu °C Tekanan Udara mb Kelembapan Udara Kecepatan Angin 1. 112002 26.0 1013.4 87 6 2. 212002 26.4 1014.3 86 6 3. 312002 3.6 25.8 1013.2 88 7 4. 412002 25.0 1013.4 83 6 5. 512002 26.1 1013.1 81 7 6. 612002 25.5 1011.5 83 6 7. 712002 20.5 26.8 1012.0 90 6 8. 812002 26.3 1012.2 87 7 9. 912002 26.1 1012.3 87 7 10. 1012002 1 26.1 1012.2 87 5 11. 1112002 2.6 26.7 1010.9 89 5 12. 1212002 25.9 1010.1 86 7 13. 1312002 43.4 25.4 1009.1 86 8 . . . . . . . . . . . . . . . . . . . . . 3980 . 26112012 26.5 1009.9 85 6 3981 . 27112012 2.8 26.9 1009.3 82 6 3982 . 28112012 8.6 26.3 1009.7 85 6 3983 . 29112012 26.6 1008.2 85 7 3984 . 30112012 36.3 27.5 1008.1 82 6 Universitas Sumatera Utara

3.2 Analisis Sistem

Sistem prediksi curah hujan menggunakan weighted evolving fuzzy neural network WEFuNN merupakan suatu sistem yang memberikan prediksi curah hujan berdasarkan beberapa variabel input seperti tekanan udara, kelembapan udara, kecepatan angin, dan suhu. Kemudiann data-data tersebut akan diproses dengan metode weighted evolving fuzzy neural network WEFuNN untuk mendapatkan hasil prediksi curah hujan. 3.2.1 Analisis Masalah Beberapa kasus yang sering kita jumpai kondisi cuaca di daerah tertentu menjadi acuan dalam menentukan rangkaian aktifitas manusia, sebagai contoh informasi iklim dan klasifikasinya banyak menjadi acuan pada bidang pertanian dalam menentukan masa pola tanam dan pada bidang transportasi dan pariwisata dalam menentukan jadwal pelayaran dan penerbangan Rizky et al.2012. Sehingga dibutuhkan suatu sistem prediksi curah hujan yang menghasilkan nilai akurasi yang tinggi. 3.2.2 Analisis Perancangan Sistem Sistem prediksi curah hujan ini dirancang untuk memberikan informasi curah hujan beberapa hari kedepan. Pada penelitian ini, proses utama dilakukan oleh user. User login sebagai admin dan melihat informasi curah hujan beberapa hari kedepan sesuai tanggal yang sudah dipilih. User juga bisa melakukan cetak hasil prediksi dalam bentuk tabelmaupun grafik. Sistem akan menerima masukan berupa data klimatologi harian seperti curah hujan, suhu, tekanan udara, kelembapan udara, dan kecepatan angina. Kemudian data tersebut diproses menggunakan metode weighted evolving fuzzy neural network untuk mendapatkan hasil prediksi. Adapun gambaran algoritma metode weighted evolving fuzzy neural network pada sistem ini dapat dilihat pada Gambar 3.1 Universitas Sumatera Utara MULAI INPUT DATA CURAH HUJAN DAN VARIABEL PENDUKUNG : TEKANAN UDARA, KELEMBAPAN UDARA, KECEPATAN ANGIN,SUHU INPUT PARAMETER WEFuNN : Lr1, Lr2, SThr, Err NORMALISASI DATA MENGHITUNG FUNGSI KEANGGOTAAN MENGGUNAKAN MODEL FUZZY SUGENO INISIALISASI NILAI BOBOT W1 DAN W2 UNTUK RULE NODE PERTAMA DATA TRAINING I = N MENGHITUNG NILAI NORMALISASI FUZZY LOCAL DISTANCE D MENGHITUNG NILAI AKTIVASI A1rj DARI RULE NODE rj MENCARI NILAI RULE NODE rj A1rj SThr PROPOGASI TERHADAP AKTIVASI rj FUZZY OUTPUT ERROR MENCARI ACTION NODE k DARI A2 Errk errThr OR r=1 MENGUBAH NILAI W1 DAN W2 NILAI RULE NODE DITAMBAH SATU DAN MENGUBAH W1 DAN W2 DENORMALISASI OUTPUT HASIL PREDIKSI MAPE OUPUT MAPE SELESAI T Y T Y T Y Gambar 3.1 Algoritma WEFuNN Untuk Prediksi Curah Hujan Universitas Sumatera Utara Cara kerja sistem prediksi curah hujan yang akan dibangun, dirancang berdasarkan rancangan pada gambar 3.1 sebagai berikut : 1. Input data curah hujan dan variabel pendukung seperti : suhu, tekanan udara, kelembapan udara, dan kecepatan angina ke dalam database. 2. Input nilai parameter seperti : sensitive threshold, error threshold, learning rate 1, dan learning rate 2. 3. Setiap data yang masuk ke dalam database dinormalisasi, data ditransformasikan antara 0,1 s.d. 0.9. formula yang digunakan untuk menormalisasi data : 3.1 Dimana : = nilai normalisasi = nilai data curah hujan = nilai minimum dari data curah hujan = nilai maximum dari data curah hujan 4. Menghitung nilai fungsi keanggotaan dan target dari data yang telah dinormalisasi menggunakan triangular membership function sesuai dengan persamaan 2.3. Dari data curah hujan dari tanggal 1 Januari 2002 s.d. 30 November 2012 yang diambil dari Badan Meteorologi, Klimatologi dan Geofisika, Balai Besar Meterologi Klimatologi dan Geofisika BMKG Wilayah I Medan, dengan menggunakan beberapa variabel seperti suhu, tekanan udara, kelembapan udara dan kecepatan angina dimana curah hujan akan menjadi target prediksi. Setiap variabel dibagi menjadi 3 himpunan fuzzy yaitu RENDAH, NORMAL, dan TINGGI. a. Inp = 0, jika nilai lebih kecil dari b. Inp = x - ab - a, jika nilai lebih besar sama dengan dan lebih kecil dari . c. Inp = c - x c - b, jika nilai lebih besar sama dengan dan lebih keci dari . d. Inp = 0, jika nilai lebih besar dari c. Universitas Sumatera Utara Gambar 3.2 Himpunan Fuzzy untuk Data Curah Hujan 5. Menentukan rule node pertama r1 untuk merepresentasikan data yang pertama dan mengisi nilai dari bobot satu dan bobot dua dengan menggunakan persamaan 2.9. 6. Menghitung normalized fuzzy local distance diantara fuzzy input vector dan fuzzy input vector yang ada di penyimpanan sementara dengan menggunakan persamaan 2.10. 7. Dari hasil perhitungan normalized fuzzy local distance dihitung nilai aktivasi dari rule node menggunakan persamaan 2.12. 8. Mencari nilai rule node r j yang memiliki nilai aktivasi tertinggi. 9. Mengecek apakah nilai dari lebih besar dari sensitive threshold. Jika nilai lebih kecil dari sensitive threshold maka nilai bobot W1 dan W2 akan diubahdengan menggunakan persamaan 2.14, kemudian nilai rule node ditambah dengan menggunakan persamaan 2.13, dan menuju ke langkah 6. 10. Melakukan propagasi terhadap aktivasi tertinggi dari irule node r j dengan menggunakan persamaan 2.15. 11. Menghitung fuzzy output menggunakan persamaan 2.16. Universitas Sumatera Utara 12. Mencari action node k dengan nilai aktivasi tertinggi dari A2. 13. Mengecek apakah nilai dari errk lebih kecil dari error threshold atau r sama dengan i. Jika nilai errk lebih besar dari error threshold maka nilai bobot W1 dan W2 diubah dengan menggunakan persamaan 2.18, kemudian nilai rule node ditambah dengan menggunakan persamaan 2.17, dan menuju ke langkah 6. 14. Mengubah bobot W1 dan W2 dengan menggunakan persamaan 2.19, 2.20, dan 2.21. 15. 6 sebanyak jumlah data yang ada, jika semua data sudah ditraining, maka menuju langkah ke 16. 16. Melakukan denormalisasi data hasil prediksi untuk mendapatkan nilai yang sebenarnya dengan menggunakan persamaan : 3.2 Dimana = = nilai hasil prediksi. = nilai hasil dinormalisasi. = nilai minimum dari curah hujan = nilai maximum dari curah hujan. 17. Menghitung kesalahan dari hasil prediksi dengan menggunakan MAPE mean absolute percentage error, dengan menggunakan persamaan : ∑ 3.3 Dimana : = data aktual = data prediksi = banyak data curah hujan 3.2.3 Arsitektur Umum Rancangan keseluruhan sistem yang akan dibuat dalam bentuk arsitektur umum dapat dilihat pada Gambar 3.3. Universitas Sumatera Utara Gambar 3.3 Arsitektur Umum Pada Gambar 3.3 menggambarkan proses dan interaksi antar komponen dalam suatu sistem. Adapun komponen-komponen tersebut adalah : 1. Database Database yang digunakan berisi data curah hujan dari tanggal 1 Januari 2002 s.d. 30 November 2012 yang diambil dari Badan Meteorologi, Klimatologi dan Geofisika, Balai Besar Meterologi Klimatologi dan Geofisika BMKG Wilayah I Medan. Dengan variabel input berupa tekanan udara, kelembapan udara, kecepatan angina, suhu, dan curah hujan menjadi variabel output. Data tersebut dibagi menjadi dua bagian yaitu sebanyak 70 sebagai data training set yang akan digunakan pada proses training dan sebanyak 30 sebagai data testing set yang akan digunakan pada proses testing. 2. Normalisasi Pada tahap ini, nilai aktual dari data curah hujan diubah ke dalam rentang 0,1 s.d 0,9. 3. WEFuNN Pada bagian ini memilii lima struktur layer dimana setiap node dan koneksinya dibentuk dan dikoneksikan berdasarkan data sampel yang ada satu per satu. Pada layer pertama berupa data input variabel, layer kedua setiap node mempersentasikan persamaan fuzzy dari setiap variabel input, pada layer ketiga setiap node berisi aturan-aturan, aturan-aturan di setiap node mempersentasikan prototype dari kumpulan data fuzzy input-output. Layer keempat dilakukan pembulan pada nilai variabel fuzzy output dan memasukkan nilai bobot fungsi Universitas Sumatera Utara penjumlahan untuk menghitung derajat keanggotaan yang mana vector output yang terhubung dengan input vector yang diberikan masing-masing fungsi keanggotaan output. Pada layer kelima mempersentasikan nilai output prediksi. 4. Denormalisasi Pada tahap denormalisasi, mengubah hasil output prediksi yang masih dalam rentang nilai 0,1 s.d 0,9 ke dalam nilai sebenarnya. 5. Validasi Pada tahap ini akan ditampilkan hasil prediksi curah hujan dan dibandingkan dengan nilai curah hujan actual. Nilai MAPE akan dihitung untuk mengetahui seberapa besar nilai error yang didapat dari hasil prediksi tersebut. Semakin kecil nilai error yang dihasilkan, maka semakin akurat nilai prediksi yang dihasilkan. 3.2.4 Diagram Aktivitas Diagram aktivitas activity diagram ini berguna untuk menggambarkan urutan aktivitas pada sistem yang dirancang. Aktivitas yang digambarkan menekankan pada aktivitas yang dapat dilakukan oleh sistem tanpa memperhatikan apa yang dilakukan oleh aktor. Tujuan activity diagram ini adalah untuk membantu proses perancangan sistem secara keseluruhan. Tahapan aktivitas dalam sistem prediksi curah hujan yang akan dibangun. LOGIN MENGISI USERNAME DAN PASSWORD MENAMPILKAN FORM LOGIN MENAMPILKAN HALAMAN UTAMA SISTEM PENGGUNA SISTEM Gambar 3.4 Diagram Aktivitas Untuk Login Universitas Sumatera Utara Pada Gambar 3.4 jika pengguna ingin masuk ke sistem, maka pengguna harus melakukan login terlebih dahulu dengan cara mengisi form username dan password kemudian sistem akan menampilkan halaman utama sistem. PENGGUNA SISTEM MENENTUKAN HIMPUNAN FAUZZY PR0SES PREDIKSI MELAKUKAN NORMALISASI DATA MENGAMBIL DATA DARI DATABASE MENENTUKAN TANGGAL AWAL DAN TANGGAL AKHIR PREDIKSI HASIL PREDIKSI MENAMPILKAN HASIL PREDIKSI Gambar 3.5 Diagram Aktivitas Prediksi Curah Hujan Pada Gambar 3.5 jika pengguna ingin melakukan prediksi curah hujan dapat dilakukan dengan cara mengklik tombol proses pada bagian proses prediksi. Kemudian sistem mengambil data yang ada di database, lalu melakukan normalisasi pada data tersebut dan menentukan himpunan fuzzy, kemudian sistem melakukan prediksi dengan menggunakan weigthted evolving fuzzy neural network. Setelah sistem selesai melakukan prediksi pengguna mengisi form tanggal untuk menentukan tanggal yang ingin diprediksi, kemudian pengguna mengklik tombol hasil prediksi. Kemudian sistem menampilkan hasil prediksi. Universitas Sumatera Utara PENGGUNA SISTEM MELAKUKAN AKTIFITAS TERHADAP DATA MENENTUKAN TANGGAL AWAL DAN TANGGAL AKHIR DATA KLIK DATA KLIMATOLOGI MENAMPILKAN DATA YANG TELAH DIFILTER MENAMBAH DATA MENAMBAH DATA BARU KE DATABASE MENGUBAH DATA MENGHAPUS DATA MENGUBAH DATA DARI DATABASE MENGHAPUS DATA DARI DATABASE TAMBAH UBAH HAPUS Gambar 3.6 Diagram Aktivitas untuk Pengaturan Data Klimatologi Pada Gambar 3.6 Administrator dapat melakukan pengaturan data klimatologi berupa data curah hujan, suhu, kelembapan udara, tekanan udara, dan kecepatan angin, dengan cara pengguna menentukan tanggal awal dan akhir data yang ingin dilihat, kemudian mengklik tombol data klimatologi. Kemudian sistem menampilkan data klimatologi yang telah difilter. Administrator juga dapat melakukan beberapa aktivita terhadap data klimatologi, yaitu menambah, mengubah, dan menghapus data. Kemudian sistem memproses aktivitas yang diinginkan administrator. Universitas Sumatera Utara PENGGUNA SISTEM MENGISI TEXTBOX PARAMETER MENYIMPAN DATA MENYIMPAN DATA KE DATABASE SIMPAN Gambar 3.7 Diagram Aktivitas untuk Pengaturan Parameter Prediksi Pada Gambar 3.7 Administrator dapat mengubah parameter EFuNN dengan cara pada bagian setting parameter pengguna mengisi form parameter. Kemudian sistem akan memproses dan menyimpan parameter yang ditentukan ke dalam database. PENGGUNA SISTEM PILIH LAPORAN HASIL PREDIKSI MENENTUKAN BULAN DAN TAHUN DATA MENAMPILKAN FORM CETAK PILIH CETAK MENCETAK HASIL PREDIKSI YANG TELAH DIFILTER Gambar 3.8 Diagram Aktivitas Laporan Hasil Prediksi Pada Gambar 3.8 Pengguna dapat mencetak laporan hasil prediksi, dengan cara memilih menu laporan hasil prediksi. kemudian sistem menampilkan form cetak. Pengguna mengisi form berupa bualan dan tahun yang ingin dicetak, setelah itu Universitas Sumatera Utara pengguna mengklik tombol cetak. Kemudian sistem mencetak hasil prediksi sesuai bulan dan tahun yang diinginkan pengguna. PENGGUNA SISTEM PILIH LAPORAN DATA KLIMATOLOGI MENENTUKAN BULAN DAN TAHUN DATA MENAMPILKAN FORM CETAK PILIH CETAK MENCETAK DATA KLIMATOLOGI YANG TELAH DIFILTER Gambar 3.9 Diagram Aktivitas Laporan Data Klimatologi Pada Gambar 3.9 Pengguna dapat mencetak laporan data klimatologi, dengan cara memilih menu laporan data klimatologi. kemudian sistem menampilkan form cetak. Pengguna mengisi form berupa bualan dan tahun yang ingin dicetak, setelah itu pengguna mengklik tombol cetak. Kemudian sistem mencetak data klimatologi sesuai bulan dan tahun yang diinginkan pengguna. PENGGUNA SISTEM LAPORAN GRAFIK MENENTUKAN BULAN DAN TAHUN MENAMPILKAN FORM GRAFIK KLIK OK MENCETAK GRAFIK KLIK CETAK MENAMPILKAN GRAFIK CURAH HUJAN Gambar 3.10 Diagram Aktivitas Laporan Grafik Pada Gambar 3.10 Pengguna ingin melihat dan mencetak laporan dalam bentuk grafik, dengan cara pilih menu laporan grafik, kemudian sistem akan Universitas Sumatera Utara menampilkan form grafik. Pengguna menentukan bulan dan tahun data yang ingin dilihat dan dicetak, kemudian pengguna mengklik tombol OK. Sistem menampilkan grafik curah hujan sesuai dengan bulan dan tahun yang diinginkan pengguna. Untuk mencetak tampilan grafik pengguna dapat mengklik tombol cetak. Kemudian sistem mencetak grafik sesuai dengan bulan dan tahun yang diinginkan pengguna.

3.3 Perancangan Sistem