52
Tabel 4.1 Data Tinggi Permukaan Air
No Tanggal
Tinggi Permukaan Air 1
1 Januari 2002 0.42
2 2 Januari 2002
0.36 3
3 Januari 2002 0.56
4 4 Januari 2002
0.44 5
5 Januari 2002 0.39
6 6 Januari 2002
0.36 .
. .
. .
. .
. .
4014 27 Desember 2012
0.41 4015
28 Desember 2012 0.47
4016 29 Desember 2012
0.40 4017
30 Desember 2012 0.52
4018 31 Desember 2012
0.66
4.2 Pengujian sistem
Pengujian sistem adalah Suatu Proses Eksekusi Sistem Perangkat Lunak Untuk dapat mengetahui apakah sistem Perangkat lunak yang telah dibangun sesuai dengan apa
yang dibutuhkan. Pada tahap pengujian ini memiliki tujuan untuk mencari sebuah kesalahan dalam menjalankan sebuah sistem perangkat lunak. Untuk melakukan
pengujian ini mengunakan metode Black Box Testing. Black Box testing adalah pengujian sistem dijalankan sesuai dengan modul pada sistem perangkat lunak yang
dibangun. Kemudian dilakukan pengecekan terhadap sistem perangkat lunak yang telah dibangun sesuai dengan kebutuhan.Kurniawan, 2011.
4.2.1 Rencana Pengujian sistem
Rancangan pengujian sistem yang akan diuji dengan teknik black box Testing dapat dilihat pada tabel 4.2
Universitas Sumatera Utara
53
Tabel 4.2 Rencana Pengujian Sistem No
Komponen sistem yang diuji Butir Uji
1 Login
Tombol “Menu Login” Tombol “Login”
Informasi jika terjadi kegagalan dalam melakukan login
2 Halaman Data Tinggi Permukaan
Air Tombol “Proses”
Tombol “Reset”
3 Halaman Prediksi
Form Input Parameter Tombol “Submit”
Tombol “Grafik Aktual dan Ramal”
4 Halaman Profil Adminstrator
Tombol “Simpan”
4.2.2 Kasus dan hasil pengujian sistem
Adapun kasus berikut untuk menguji sistem yang akan dibangun dengan mengunakan metode Black Box testing berdasarkan tabel 4.1.untuk hasil pengujian Black Box
Testing dapat dilihat pada tabel 4.3, tabel 4.4, tabel 4.5, tabel 4.6, tabel 4.7, tabel 4.8 dan tabel 4.9
Tabel 4.3 Hasil Pengujian Login No
Skenario Uji Hasil yang diharapkan
Hasil pengujian
1
Masukan username
dan Password
yang benar
Ketika Tombol Login di klik
maka sistem akan melakukan pengecekan, jika benar maka
dapat langsung masuk ke halaman administrator
Berhasil
Universitas Sumatera Utara
54
Tabel 4.3 Hasil Pengujian Login lanjutan No
Skenario Uji Hasil yang diharapkan
Hasil pengujian
2 Masukan
username dan
password yang
salah
Ketika tombol login di klik maka
sistem akan
melakukan pengecekan jika salah, sistem
akan memberikan
pesan kesalahan
Berhasil
3
Logout Ketika tombol logout diklik maka
administrator keluar dari sistem Berhasil
Tabel 4.4 Hasil Pengujian halaman Data Tinggi Permukaan Air No
Skenario Uji Hasil yang diharapkan
Hasil pengujian
1
Pengguna memasukan
rentang waktu
yang ingin dicari kemudian
mengklik
“Proses”
Ketika mengklik
Tombol
“proses” maka akan muncul
rentang waktu yang dicari oleh pengguna
Berhasil
2
Pengguna mengklik tombol
“Reset”
Ketika Pengguna
mengklik
tombol “Reset” maka form yang
tersedia akan terhapus Berhasil
Universitas Sumatera Utara
55
Tabel 4.5 Hasil Pengujian halaman Prediksi No
Skenario Uji Hasil yang diharapkan
Hasil pengujian
1 Pengguna
mengklik menu prediksi
Ketika pengguna mengklik menu Prediksi
maka sistem
akan menampilkan form yang tersedia
dengan parameter yang sudah diberi nilai dan dengan rentang
waktu yang ingin melakukan prediksi
Berhasil
2 Pengguna
menganti nilai
parameter Pengguna dapat menganti nilai
parameter yang ada terdapat di form
Berhasil
3 Pengguna
mengklik tombol “Show”
Ketika pengguna
mengklik tombol “show” maka sistem akan
mengalami pemrosesan sesuai dengan
nilai parameter
dan rentang waktu yang dimasukan
Berhasil
Tabel 4.6 Hasil Pengujian halaman Hasil Prediksi No
Skenario Uji Hasil yang diharapkan
Hasil pengujian
1 Tabel
Hasil prediksi
Sistem akan menampilkan hasil prediksi
Berhasil
2 Pengguna
mengklik tombol
“lihat grafik
aktual dan
ramal
” Untuk melihat hasil prediksi,
pengguna dapat melihat melalui grafik
dan pengguna
dapat
mengklik tombol “Lihat grafik aktual dan ramal
” Berhasil
Universitas Sumatera Utara
56
Tabel 4.7 Hasil Pengujian halaman Profil Adminstrator No
Skenario Uji Hasil yang diharapkan
Hasil pengujian
1 Administrator
memasukan profil
sesuai dengan
form yang
tersedia kemudian
mengklik tombol
“Simpan”
Ketika administrator mengklik
tombol “Simpan” maka sistem
akan memberika pesan bahwa data tersebut masuk ke dalam
database Berhasil
Tabel 4.8 Hasil Pengujian halaman Pengaturan data tinggi permukaan air No
Skenario Uji Hasil yang diharapkan
Hasil pengujian
1 Administrator
dapat mengisi
form tambah data yang
telah tersedia
kemudian mengklik tombol
“Simpan”
Ketika administrator mengklik
tombol “Simpan” maka sistem
akan memberikan pesan data telah masuk ke dalam database
dan menampilkan data tersebut ke sistem
Berhasil
2 Administrator
dapat mengubah data
kemudian mengklik tombol
“Edit”
Ketika administrator mengklik
tombol “Edit” maka sistem akan
memunculkan data yang ingin diubah
kemudian mengklik
tombol “Simpan”
Berhasil
3 Administrator
dapat menghapus data kemudian
Ketika administrator mengklik
tombol “Hapus” maka sistem
langsung menghapus data yang Berhasil
Universitas Sumatera Utara
57
Tabel 4.8 Hasil Pengujian halaman Pengaturan data tinggi permukaan air lanjutan
No Skenario Uji
Hasil yang diharapkan Hasil
pengujian
mengklik tombol
“Hapus”
tidak dipakai
Tabel 4.9 Hasil Pengujian halaman Pengaturan parameter No
Skenario Uji Hasil yang diharapkan
Hasil pengujian
1
Administrator dapat memasukan
nilai parameter
kemudian mengklik tombol
“Simpan”
Ketika administrator mengklik
tombol “Simpan” maka nilai
parameter akan masuk ke dalam database
Berhasil
4.2.3 Pengujian kinerja sistem
Di dalam pengujian kinerja sistem ini terdapat 15 data Tinggi Permukaan Air yang dirangkum pada tabel 4.10
Tabel 4.10 Tabel data Tinggi Permukaan Air No
Tanggal Data Aktual
1 01 Januari 2002
0.42
2 02 Januari 2002
0.36
3 03 Januari 2002
0.56
4 04 Januari 2002
0.44
5 05 Januari 2002
0.39
6
06 Januari 2002 0.36
Universitas Sumatera Utara
58
Tabel 4.10 Tabel data Tinggi Permukaan Air lanjutan No
Tanggal Data Aktual
7 07 Januari 2002
0.35
8 08 Januari 2002
0.39
9 09 Januari 2002
0.38
10
10 Januari 2002 0.43
11 11 Januari 2002
0.46
12 12 Januari 2002
0.40
13
13 Januari 2002 0.56
14 14 Januari 2002
0.41
15 15 Januari 2002
0.73
Langkah berikut dilakukan perhitungan manual pada metode Weighted Evolving Fuzzy Neural Networks untuk data pada Tabel 4.9 sebagai berikut:
1. Menentukan nilai parameter WEFuNN yaitu: Sensitive threshold, Error
threshold, Learning rate 1, dan Learning rate 2 Nilai parameter yang digunakan adalah Sensitive threshold = 0,09, Error threshlod = 0,01, Learning
rate 1 = 0,01, Learning rate 2 = 0,01.
2. Berdasarkan pada tabel 4.9 maka dilakukan normalisasi data Tinggi
Permukaan Air pada Tabel 4.9 Maka didapatkan nilai normalisasi yang dapat dilihat pada Tabel 4.10.
Tabel 4.11 Tabel data nilai Normalisasi No
Tanggal Data
Normalisasi 1
01 Januari 2002 0.42
0.24737
2
02 Januari 2002 0.36
0.12105
3 03 Januari 2002
0.56 0.54211
4 04 Januari 2002
0.44 0.28947
5
05 Januari 2002 0.39
0.18421
Universitas Sumatera Utara
59
Tabel 4.11 Tabel data nilai Normalisasi lanjutan No
Tanggal Data
Normalisasi 6
06 Januari 2002 0.36
0.12105
7 07 Januari 2002
0.35 0.1
8 08 Januari 2002
0.39 0.18421
9
09 Januari 2002 0.38
0.16316
10 10 Januari 2002
0.43 0.26842
11 11 Januari 2002
0.46 0.33157
12
12 Januari 2002 0.40
0.20526
13 13 Januari 2002
0.56 0.54211
14 14 Januari 2002
0.41 0.22631
15 15 Januari 2002
0.73 0.9
3. Setelah data yang sudah dinormalisasikan pada tabel 4.11 maka selanjutnya
Menentukan nilai membership function dengan mengunakan triangular membership function Dari data Tinggi Permkaan Air pada Tabel 4.10. Hasil
dari penentuan nilai membership function dan target dari data yang telah dinormalisasi dapat dilihat pada Tabel 4.12
Tabel 4.12 Tabel data nilai Membership Function Triangle No
Tanggal Nilai Normalisasi
Fuzzy Input 1
01 Januari 2002 0.24737
0.49474
2 02 Januari 2002
0.12105 0.24211
3 03 Januari 2002
0.54211 0.91579
4
04 Januari 2002 0.28947
0.57898
5 05 Januari 2002
0.18421 0.36842
6 06 Januari 2002
0.12105 0.24211
7
07 Januari 2002 0.1
0.2
8 08 Januari 2002
0.18421 0.36842
9 09 Januari 2002
0.16316 0.32632
10
10 Januari 2002 0.26842
0.53684
Universitas Sumatera Utara
60
Tabel 4.12 Tabel data nilai Membership Function Triangle lanjutan No
Tanggal Nilai Normalisasi
Fuzzy Input 11
11 Januari 2002 0.33157
0.66316
12 12 Januari 2002
0.20526 0.41052
13 13 Januari 2002
0.54211 0.91579
14
14 Januari 2002 0.22631
0.45263
15 15 Januari 2002
0.9 0.2
4. Untuk nilai inisialisasi bobot W1, W2 dan Rule Node dari hasil tabel 4.12
yaitu W1 = 0.49474, W2=0.24737 dan Rule Node = 1.
5. Langkah selanjutnya melakukan proses training terhadap data yang ada
6. Untuk melakukan hasil prediksi mengunakan metode Weighted Evolving Fuzzy
Neural Network maka dapat dilihat pada tabel 4.13
Tabel 4.13 Tabel data nilai target dan hasil prediksi No
Tanggal Target
Hasil Prediksi 1
01 Januari 2002 0.24737
0.24737
2 02 Januari 2002
0.12105 0.11754
3 03 Januari 2002
0.54211 0.48578
4 04 Januari 2002
0.28947 0.28125
5
05 Januari 2002 0.18421
0.17738
6 06 Januari 2002
0.12105 0.11403
7 07 Januari 2002
0.1 0.09297
8
08 Januari 2002 0.18421
0.17759
9 09 Januari 2002
0.16315 0.15761
10 10 Januari 2002
0.26842 0.25499
11 11 Januari 2002
0.33158 0.30484
12
12 Januari 2002 0.20526
0.19920
13 13 Januari 2002
0.54211 0.44256
14 14 Januari 2002
0.45263 0.22634
15
15 Januari 2002 0.2
0.9
Universitas Sumatera Utara
61 7.
Setelah didapat hasil prediksi maka selanjutnya dilakukan denormalisasi hasil prediksi karena hasil prediksi yang berada pada tabel 4.13 belum menjadi nilai
yang sebenarnya. Maka dapat dapat dilihat pada tabel 4.14 berikut
Tabel 4.14 Tabel data nilai denormalisasi No
Tanggal Target
Hasil Prediksi 1
01 Januari 2002 0.42
0.42
2 02 Januari 2002
0.36 0.35
3
03 Januari 2002 0.56
0.53
4 04 Januari 2002
0.44 0.43
5 05 Januari 2002
0.39 0.38
6 06 Januari 2002
0.36 0.35
7 07 Januari 2002
0.35 0.34
8 08 Januari 2002
0.39 0.38
9 09 Januari 2002
0.38 0.37
10
10 Januari 2002 0.43
0.42
11 11 Januari 2002
0.46 0.44
12 12 Januari 2002
0.40 0.39
13
13 Januari 2002 0.56
0.51
14 14 Januari 2002
0.41 0.40
15 15 Januari 2002
0.73 0.69
8. Untuk menghitung nilai error dari tabel 4.14 maka dapat hasil nilai rata-rata
error sebesar
0.1392
dengan rule node sebesar 15 buah. Grafik pada tabel 4.14 dapat dilihat pada gambar 4.8
Universitas Sumatera Utara
62
Gambar 4.8 Grafik Hasil pelatihan
Pada Gambar 4.8 diperoleh tingkat error yang lebih besar pada pengujian kinerja sistem pada tanggal 13 Januari 2002. pergerakan data dari tanggal 1 Januari 2002 s.d.
12 Januari 2002 tidak mengalami perubahan yang besar. Akan Tetapi pada tanggal 13 Januari 2002 terjadi perubahan data yang sangat besar sehingga menghasilkan tingkat
error yang besar dan dari tanggal 14 Januari 2002 s.d 15 Januari 2002 kembali mengalami perubahan data dimana perubahan data tidak mengalami perubahan besar.
hasil prediksi pada tanggal 13 Januari 2002 diambil berdasarkan proses pembelajaran dari data-data sebelumnya.
4.2.4 Data Pelatihan
Data pelatihan yang digunakan adalah data dari tinggi permukaan air Asam Kumbang Belawan Kabupaten Deli Serdang dari tanggal 1 Januari 2002 sampai dengan tanggal
31 Januari 2010 dengan jumlah sebanyak 3288 data. Dapat dilihat hasil pelatihan maka dilakukan pelatihan dengan memasukan beberapa parameter yang berbeda
dengan mengunakan data tinggi permukaan air pada tabel 4.15
0.1 0.2
0.3 0.4
0.5 0.6
0.7 0.8
1 1
2 2
1 2
2 2
1 3
2 2
1 4
2 2
1 5
2 2
1 6
2 2
1 7
2 2
1 8
2 2
1 9
2 2
1 1
2 2
1 1
1 2
2 1
1 2
2 2
1 1
3 2
2 1
1 4
2 2
1 1
5 2
2
d a
ta t
in g
g i
p e
rm u
ka a
n a
ir
hari
Grafik Hasil Pelatihan
aktual Ramal
meter
Universitas Sumatera Utara
63
Tabel 4.15 Tabel parameter dan hasil pelatihan prediksi banjir No Sensitive
threshold Error
threshold Learning
rate 1 Learning
rate 2 MAPE
Waktu eksekusi
detik Rule
node
1 0.9
0.9 0.9
0.9
1.14 2.53
437
2
0.9 0.5
0.5 0.5
0.93 2.35
340
3 0.9
0.1 0.1
0.1
0.48 4.66
941
4 0.9
0.09 0.09
0.09
0.46 5.87
1121
5
0.9 0.08
0.08 0.08
0.43 8.81
1577
6 0.9
0.07 0.07
0.07
0.40 12.8
2115
7 0.9
0.06 0.06
0.06
0.37
21.2728 2952
8
0.9 0.05
0.05 0.05
0.33 21.5
3288
9 0.9
0.04 0.04
0.04
0.29 18.7
3288
10 0.9
0.03 0.03
0.03
0.27 14.8
3288
11 0.9
0.02 0.02
0.02
0.23 14.6
3288
12
0.9 0.01
0.01 0.01
0.18 13.3
3288
13 0.9
0.009 0.009
0.009
0.18 13.1
3288
14 0.9
0.001 0.001
0.001
0.084 13.4
3288
15
0.8 0.9
0.9 0.9
1.14 3.02
3287
16 0.8
0.5 0.5
0.5
0.93 2.09
333
17 0.8
0.1 0.1
0.1
0.47 4.03
705
18 0.8
0.09 0.09
0.09
0.45 5.05
907
19 0.8
0.08 0.08
0.08
0.43 6.98
1184
20 0.8
0.07 0.07
0.07
0.40 10.2
1653
21 0.8
0.06 0.06
0.06
0.38 16.27
2330
22
0.8 0.05
0.05 0.05
0.32 21.2
3288
23 0.8
0.04 0.04
0.04
0.28 18.2
3288
24 0.8
0.03 0.03
0.03
0.25 16.4
3288
25 0.8
0.02 0.02
0.02
0.24 27.9
3287
26 0.8
0.01 0.01
0.01
0.21 27.7
3285
Universitas Sumatera Utara
64
Tabel 4.15 Tabel parameter dan hasil pelatihan prediksi banjir lanjutan No Sensitive
threshold Error
threshol d
Learning rate 1
Learning rate 2
MAPE Waktu
eksekusi detik
Rule node
27 0.8
0.009 0.009
0.009
0.21 28.6
3287
28 0.8
0.001 0.001
0.001
0.21 28.9
3287
29
0.7 0.9
0.9 0.9
1.15 2.47
436
30 0.7
0.5 0.5
0.5
0.93
2.3618 333
31 0.7
0.1 0.1
0.1
0.47 4.08
705
32 0.7
0.09 0.09
0.09
0.45 5.04
907
33 0.7
0.08 0.08
0.08
0.43 6.81
1184
34 0.7
0.07 0.07
0.07
0.40
10.27 1653
35
0.7 0.06
0.06 0.06
0.37 18.91
2330
36 0.7
0.05 0.05
0.05
0.32 21.73
3288
37 0.7
0.04 0.04
0.04
0.28 18.46
3288
38
0.7 0.03
0.03 0.03
0.29 25.65
3280
39 0.7
0.02 0.02
0.02
0.24 26.89
3284
40 0.7
0.01 0.01
0.01
0.22 27.58
3285
41
0.7 0.009
0.009 0.009
0.21 27.59
3287
42 0.7
0.001 0.001
0.001
0.21 28.83
3287
43 0.6
0.9 0.9
0.9
1.15 2.83
436
44
0.6 0.5
0.5 0.5
0.93 2.09
333
45 0.6
0.1 0.1
0.1
0.47 3.84
705
46 0.6
0.09 0.09
0.09
0.46 5.10
907
47
0.6 0.08
0.08 0.08
0.43 6.80
1184
48 0.6
0.07 0.07
0.07
0.40 10.98
1653
49 0.6
0.06 0.06
0.06
0.38 16.50
2330
50
0.6 0.05
0.05 0.05
0.35 24.84
3277
51 0.6
0.04 0.04
0.04
0.32
31.1282 3278
52 0.6
0.03 0.03
0.03
0.29 26.14
3280
53
0.6 0.02
0.02 0.02
0.24 27.79
3284
54 0.6
0.01 0.01
0.01
0.22 27.32
3285
55 0.6
0.009 0.009
0.009
0.21 27.69
3287
56 0.6
0.001 0.001
0.001
0.21 27.54
3287
57 0.5
0.9 0.9
0.9
1.15 2.47
436
58
0.5 0.5
0.5 0.5
0.93 1.99
333
Universitas Sumatera Utara
65
Tabel 4.15 Tabel parameter dan hasil pelatihan prediksi banjir lanjutan No Sensitive
threshold Error
threshol d
Learning rate 1
Learning rate 2
MAPE Waktu
eksekusi detik
Rule node
59 0.5
0.1 0.1
0.1
0.48 3.92
705
60 0.5
0.09 0.09
0.09
0.46 5.00
907
61
0.5 0.08
0.08 0.08
0.43 6.81
1184
62 0.5
0.07 0.07
0.07
0.40 10.25
1653
63 0.5
0.06 0.06
0.06
0.38 15.99
2330
64 0.5
0.05 0.05
0.05
0.35 24.64
3277
65
0.5 0.04
0.04 0.04
0.33 25.27
3278
66 0.5
0.03 0.03
0.03
0.29 25.95
3280
67 0.5
0.02 0.02
0.02
0.24 26.95
3284
68
0.5 0.01
0.01 0.01
0.22 27.71
3285
69 0.5
0.009 0.009
0.009
0.21 27.73
3287
70 0.5
0.001 0.001
0.001
0.21 29.46
3287
71 0.4
0.9 0.9
0.9
1.15 2.65
436
72
0.4 0.5
0.5 0.5
0.93 2.23
333
73 0.4
0.1 0.1
0.1
0.48 4.25
705
74 0.4
0.09 0.09
0.09
0.46 5.44
907
75
0.4 0.08
0.08 0.08
0.43 7.02
1184
76 0.4
0.07 0.07
0.07
0.40 10.72
1653
77 0.4
0.06 0.06
0.06
0.38 17.03
2330
78
0.4 0.05
0.05 0.05
0.35 25.01
3277
79 0.4
0.04 0.04
0.04
0.33 25.65
3278
80 0.4
0.03 0.03
0.03
0.29 26.37
3280
81 0.4
0.02 0.02
0.02
0.24 27.72
3284
82
0.4 0.01
0.01 0.01
0.22 28.63
3285
83 0.4
0.009 0.009
0.009
0.21 28.23
3287
84
0.4 0.001
0.001 0.001
0.21 29.61
3287
Universitas Sumatera Utara
66
Tabel 4.15 Tabel parameter dan hasil pelatihan prediksi banjir lanjutan No
Sensitive threshol
d Error
threshold Learning
rate 1 Learnin
g rate 2 MAPE
Waktu eksekus
i detik
Rule node
85 0.3
0.9 0.9
0.9
1.15 2.56
436
86
0.3 0.5
0.5 0.5
0.93 2.22
333
87 0.3
0.1 0.1
0.1
0.48 4.09
705
88
0.3 0.09
0.09 0.09
0.46 5.19
907
89
0.3 0.08
0.08 0.08
0.43 7.37
1184
90 0.3
0.07 0.07
0.07
0.40 10.53
1653
91 0.3
0.06 0.06
0.06
0.38 17.02
2330
92 0.3
0.05 0.05
0.05
0.35 25.96
3277
93 0.3
0.04 0.04
0.04
0.33 26.98
3278
94 0.3
0.03 0.03
0.03
0.29 27.04
3280
95 0.3
0.02 0.02
0.02
0.24 27.32
3284
96 0.3
0.01 0.01
0.01
0.22 28.02
3285
97 0.3
0.009 0.009
0.009
0.21 28.17
3287
98
0.3 0.001
0.001 0.001
0.21 28.5
3287
99
0.2 0.9
0.9 0.9
1.15 2.59
436
100 0.2
0.5 0.5
0.5
0.93 2.08
333
101 0.2
0.1 0.1
0.1
0.48
3.91 705
102 0.2
0.09 0.09
0.09
0.46 5.04
907
103 0.2
0.08 0.08
0.08
0.43 6.96
1184
104 0.2
0.07 0.07
0.07
0.40 10.37
1653
105 0.2
0.06 0.06
0.06
0.38 16.17
2330
106 0.2
0.05 0.05
0.05
0.35 27.18
3277
107
0.2 0.04
0.04 0.04
0.33 25.36
3287
108
0.2 0.03
0.03 0.03
0.29 26.26
3280
109
0.2 0.02
0.02 0.02
0.24 28.72
3284
110 0.2
0.01 0.01
0.01
0.22 27.97
3285
111 0.2
0.009 0.009
0.009
0.21 28.13
3287
112 0.2
0.001 0.001
0.001
0.21 28.82
3287
113
0.1 0.9
0.9 0.9
1.15 2.73
436
114 0.1
0.5 0.5
0.5
0.93 2.09
333
115 0.1
0.1 0.1
0.1
0.47 4.05
705
116
0.1 0.09
0.09 0.09
0.45 5.23
907
Universitas Sumatera Utara
67
Tabel 4.15 Tabel parameter dan hasil pelatihan prediksi banjir lanjutan No
Sensitive threshold
Error threshold
Learning rate 1
Learning rate 2
MAPE Waktu
eksekusi detik
Rule node
117 0.1
0.08 0.08
0.08
0.43 7.09
1184
118 0.1
0.07 0.07
0.07
0.40 10.77
1653
119
0.1 0.06
0.06 0.06
0.38 16.79
2330
120 0.1
0.05 0.05
0.05
0.35 25.71
3277
121 0.1
0.04 0.04
0.04
0.33 26.27
3278
122 0.1
0.03 0.03
0.03
0.29 26.42
3280
123
0.1 0.02
0.02 0.02
0.24 28.05
3284
124 0.1
0.01 0.01
0.01
0.22 28.87
3285
125 0.1
0.009 0.009
0.009
0.21 29.45
3287
126
0.1 0.001
0.001 0.001
0.21
27.7382 3287
Dari hasil Pada perbandingan rule node dan error prediksi didapat dengan nilai error threshold, learning rate 1, dan learnig rate 2 yang sama dan sensitive threshold yang
berbeda. Dapat dilihat grafik dari Grafik Pelatihan pada nilai Error dari gambar 4.9 berdasarkan tabel 4.15
Gambar 4.9 Grafik Pelatihan nilai error
Dapat dilihat pada Gambar 4.9, dilakukan kombinasi beberapa parameter yang digunakan untuk memprediksi dapat mempengaruhi besarnya error, semakin besar
0.2 0.4
0.6 0.8
1 1.2
1.4
1 6
1 1
1 6
2 1
2 6
3 1
3 6
4 1
4 6
5 1
5 6
6 1
6 6
7 1
7 6
8 1
8 6
9 1
9 6
1 1
1 6
1 1
1 1
1 6
1 2
1 1
2 6
E rr
or
Data
Grafik Pelatihan nilai error
Universitas Sumatera Utara
68 nilai sensitive threshold maka nilai error yang diperoleh semakin kecil. Besarnya
suatu nilai error dipengaruhi oleh banyaknya pergerakan jumlah data yang ada.
4.2.5 Data pengujian
untuk hasil pelatihan yang dilakukan dengan parameter yang berbeda-beda yang didapat, kemudian dilakukan tahap pengujian pada tinggi permukaan air dari tanggal 1
Januari 2011 sampai dengan tanggal 31 Desember 2012 sebesar 731 data. Pada nilai parameter sensitive threshold = 0.9, learning rate 1 =0.001, learning rate 2 = 0.001,
dan error threshold = 0,001 menghasilkan nilai error terkecil pada proses pelatihan sebesar
0.084
Dari hasil pengujian, diperoleh nilai error sebesar 0,23 dan dengan memasukan nilai 1 hari maka didapat hasil prediksi pada tanggal 1 Januari
2013 sebesar 0.65 m sedangkan data sebenarnya bersumber Direktorat Jendral Sumber Daya Air Balai Wilayah Sungai Sumatera II sebesar 0.44 m maka didapat hasil
pendekatan prediksi sebesar ±80 . Grafik pola data hasil pengujian dapat dilihat pada Gambar 4.10.
Gambar 4.10 Grafik hasil prediksi
0.5 1
1.5 2
2.5
1 1
2 1
1 2
1 2
1 1
3 1
2 1
1 4
1 2
1 1
5 1
2 1
1 6
1 2
1 1
7 1
2 1
1 8
1 2
1 1
9 1
2 1
1
1 1
2 1
1 1
1 1
2 1
1 1
2 1
2 1
1 1
1 2
1 2
2 1
2 1
2 3
1 2
1 2
4 1
2 1
2 5
1 2
1 2
6 1
2 1
2 7
1 2
1 2
8 1
2 1
2 9
1 2
1 2
1 1
2 1
2 1
1 1
2 1
2 1
2 1
2 1
2
T in
g g
i P
e rm
u k
a a
n a
ir m
hari
Grafik Hasil prediksi
aktual hasil Prediksi
Universitas Sumatera Utara
BAB 5
KESIMPULAN DAN SARAN
5.1 Kesimpulan
