Prediksi Banjir Dengan Mengunakan Weighted Evolving Fuzzy Neural Network (WEFUNN)

(1)

LAMPIRAN Kode Program

1. Index.php

<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">

</div> <div id="sidebar">

<li><a href="index.php?p=modul/home/air.php">Data Tinggi Permukaan Air</a></li> <li><a href="index.php?p=modul/home/form_show.php">Prediksi</a></li> <li><a href="modul/login/login.php">Login</a></li> </ul> </div> <div id="mainContent"> <?php if($_REQUEST['p']!="") { include $_REQUEST['p']; } else {

include "modul/home/content.php"; }

?> </div>

<br class="clearfloat" /> <div id="footer" align="center" style="color:#000000">

</div> </div> </body>

(2)

2. form_show

<?php

include "koneksi/koneksi.php";

$s=mysql_query("select * from parameter", $koneksi) or die (mysql_error); $r=mysql_fetch_array($s);

$(document).ready(function() { $().ajaxStart(function() {

$('#hasil_prediksi').hide(); }).ajaxStop(function() {

$('#hasil_prediksi').fadeIn('slow'); });

$('#myForm').submit(function() {

$("#hasil_prediksi").html('<img src="image/ajax.gif">'); var thres = $("#thres").val();

var error1 = $("#error1").val(); var rate1 = $("#rate1").val(); var rate2 = $("#rate2").val(); var tanggal = $("#tanggal").val(); var tanggal1 = $("#tanggal1").val(); $.ajax({

type: 'POST',

url: $(this).attr('action'), data:

'thres='+thres+'&error1='+error1+'&rate1='+rate1+'&rate2='+rate2+'&tanggal='+tangga l+'&tanggal1='+tanggal1,

success: function(data) { $("#hasil_prediksi").html(''); alert('Berhasil');

document.location.href='index.php?p=modul/home/testing/show.php'; }

}); }); });

</script>

<h1>Prediksi</h1>

<form id="myForm" method="post"

(3)

<td width="135" height="49">Sensitive Threshold</td> <td width="5">:</td>

</tr> <tr>

<td height="42">Error Threshold</td> <td>:</td>

</tr> <tr>

<td height="43">Learning Rate 1</td> <td>:</td>

<tr>

<td height="45">Learning Rate 2</td> <td>:</td>

<tr>

<td height="45">Dari Tanggal</td> <td>:</td>

<td><input type="text" name="tanggal"><small><a

href="javascript:showCal('Calendar1')">Select Date</a></small></td> </tr>

<tr>

<td height="46">Sampai Tanggal</td> <td>:</td>

<td><input type="text" name="tanggal1"><small><a

href="javascript:showCal('Calendar2')">Select Date</a></small></td> </tr>

<tr>

<td height="45">Input Hari</td> <td>:</td>

<td><input type="text" name="hari" size="5"/> Hari</td> </tr> <iframe width=174 height=189 name="gToday:normal:agenda.js"

id="gToday:normal:agenda.js" src="ipopeng.htm" scrolling="no" frameborder="0" style="visibility:visible; z-index:999; position:absolute; top:-500px; left:-500px;"> </iframe>

<tr>

(4)

</tr> </table> </form>

3. show.php

!window.jQuery && document.write('<script src="library/js/jquery-1.4.3.min.js"><\/script>');

</script>

$(document).ready(function() { /*

* Examples - various */

$("#various1").fancybox({

'titlePosition' : 'inside', 'transitionIn' : 'none', 'transitionOut' : 'none' });

$("#various2").fancybox(); $("#various3").fancybox({

'width' : '85%',

'height' : '85%',

'autoScale' : false,

'transitionIn' : 'none', 'transitionOut' : 'none',

'type' : 'iframe'

});

$("#various4").fancybox({

'width' : '80%',

'height' : '80%',

'autoScale' : false,

'transitionIn' : 'none', 'transitionOut' : 'none',

'type' : 'iframe'

(5)

}); </script> <?php

set_time_limit(0); error_reporting(0);

include "koneksi/koneksi.php"; $waktu_mulai = microtime(true); $thres=$_REQUEST['thres']; $error1=$_REQUEST['error1']; $rate1=$_REQUEST['rate1']; $rate2=$_REQUEST['rate2']; $tanggal=$_REQUEST['tanggal']; $tanggal1=$_REQUEST['tanggal1']; $hari=$_REQUEST['hari'];

$t1 = explode("-", $tanggal); $dt1 = $t1[0].'-'.$t1[1].'-'.$t1[2]; $t2 = explode("-", $tanggal1); $dt2 = $t2[0].'-'.$t2[1].'-'.$t2[2];

$d = mysql_query("select min(tgl) as min_tanggal, adddate('$dt1', -1) as max_tanggal from air");

$d1 = mysql_fetch_array($d);

$tr1 = explode('-', $d1["min_tanggal"]); $dr1 = $tr1[0].'-'.$tr1[1].'-'.$tr1[2]; $tr2 = explode('-', $d1["max_tanggal"]); $dr2 = $tr2[0].'-'.$tr2[1].'-'.$tr2[2];

$qi=mysql_query("select * from air where tgl<='$dt1'"); $po=mysql_num_rows($qi);

$tu=mysql_query("select * from air where tgl>='$dt1' and tgl<='$dt2'"); $gt=mysql_num_rows($tu);

$tr=$gt/$po;

$_SESSION['reza']=$tr; if($tr >= 0.5)

{ ?>

alert('Maaf, data tidak bisa ditampilkan. Data kurang dari 80%')

window.location = "index.php?p=modul/home/testing/form_show.php";

(6)

--></script> <?php

} else { ?>

<h1> Hasil Prediksi </h1>

Sensitive Threshold : <?php echo $thres; ?><br> Error Threshold : <?php echo $error1; ?><br> Learning Rate 1 : <?php echo $rate1; ?><br> Learning Rate 2 : <?php echo $rate2; ?> <br>

Tanggal Testing : <?php echo $dt1; ?> sampai <?php echo $dt2; ?><br> Jumlah Data Testing : <?php $r1=mysql_query("select * from air where tgl>='$tanggal' and tgl<='$tanggal1'"); $t1=mysql_num_rows($r1); echo $t1; ?> Data<br>

Input hari : <?php echo $hari; ?> Hari<br>

<?php $yt=mysql_query("select sum(actual) as acttotal, sum(ramal) as actramal from ramal");

$rq=mysql_fetch_array($yt); $sumactual=$rq[acttotal]; $sumramal=$rq[actramal]; $ut=($sumactual/$sumramal);

?> <?php

include "../koneksi.php"; error_reporting(0);

$d=mysql_query("select max(ukuran) as max_air, min(ukuran) as min_air from air"); while($d1 = mysql_fetch_array($d))

{

$maxmal = $d1["max_air"]; $minmal = $d1["min_air"]; }

$midmal = ($minmal + $maxmal)/2;

$t1 = explode("-", $tanggal); $dt1 = $t1[0].'-'.$t1[1].'-'.$t1[2]; $t2 = explode("-", $tanggal1); $dt2 = $t2[0].'-'.$t2[1].'-'.$t2[2];

$d = mysql_query("select min(tgl) as min_tanggal, adddate('$dt1', -1) as max_tanggal from air");

(7)

$tr1 = explode('-', $d1["min_tanggal"]); $dr1 = $tr1[0].'-'.$tr1[1].'-'.$tr1[2]; $tr2 = explode('-', $d1["max_tanggal"]); $dr2 = $tr2[0].'-'.$tr2[1].'-'.$tr2[2];

//************************* TRAINING********************************// $i=0;

$q = mysql_query("select * from air where tgl>='".$d1["min_tanggal"]."' and tgl<='".$d1["max_tanggal"]."'");

$jml = mysql_num_rows($q);

while($q1 = mysql_fetch_array($q)) {

$ukur[$i] = $q1["ukuran"];

$tgl[$i] = $q1["tgl"];

$i++;

}; //normalisasi

for($i=0; $i<count($ukur); $i++) {

$nilmal[$i] = ((0.8 * ($ukur[$i] - $minmal))/($maxmal - $minmal))+0.1;

}

// Triangle Member Function for($i=0; $i<count($nilmal); $i++)

{

if($nilmal[$i] < 0)

$fuzzy[$i][0] = 0;

elseif($nilmal[$i] >= 0 and $nilmal[$i] < 0.5) $fuzzy[$i][0] = ($nilmal[$i] - 0) / (0.5 - 0); elseif($nilmal[$i] >= 0.5 and $nilmal[$i] < 1) $fuzzy[$i][0] = (1 - $nilmal[$i]) / (1 - 0.5);

else

$fuzzy[$i][0] = 0;

$fuzzy[$i][1] = $nilmal[$i];

(8)

$i=0; $rNode=0; $W1[$rNode]= $fuzzy[$i][0]; $W2[$rNode]= $fuzzy[$i][1]; $k=0; $t=0;

while($i<count($fuzzy) and $rNode < $jml ) {

$dis=0;

for($j=0; $j<=$rNode; $j++) {

$dis += (abs($fuzzy[$i][0] - $W1[$j])/2); }

// Distance

$Distance[$k][0] = $rNode; $Distance[$k][1] = $i;

$Distance[$k][2] = $dis/array_sum($W1);

$Distance[$k][3] = exp(-(pow($Distance[$k][2], 2))); // get max(A1) from rule node (rNode)

if($mxA1[$rNode][0] == '') {

$mxA1[$rNode][0] = $rNode;

$mxA1[$rNode][1] = $Distance[$k][3]; }

else {

if($mxA1[$rNode][1] < $Distance[$k][3]) {

$mxA1[$rNode][0] = $rNode;

$mxA1[$rNode][1] = $Distance[$k][3]; }

}

if($mxA1[$rNode][1] > $thres) {

// get A2 and Err

$A2 = $mxA1[$rNode][1] * $W2[$rNode]; $Err = abs($A2 - $fuzzy[$i][1]);

// cek max (A2) from rule node (rNode) if($mxA2[$rNode][0] == '')

{

$mxA2[$rNode][0] = $rNode; $mxA2[$rNode][1] = $A2; $mxA2[$rNode][2] = $Err; }

else {

if($mxA2[$rNode][1] < $A2) {

(9)

$mxA2[$rNode][1] = $A2; $mxA2[$rNode][2] = $Err; }

}

if(($Err < $error1) or ($rNode == $i)) {

$hasil[$i][0] = $rNode; $hasil[$i][1] = $i;

$hasil[$i][2] = $fuzzy[$i][0]; $hasil[$i][3] = $fuzzy[$i][1]; $hasil[$i][4] = $A2;

$hasil[$i][5] = $Err;

$Dist = $fuzzy[$i][0] - $W1[$rNode];

$W1[$rNode] = $W1[$rNode] + ($rate1 * $Dist); $W2[$rNode] = $W2[$rNode] + ($rate2 * $Err * $mxA1[$rNode][1]);

$i++; }

else {

$rNode++;

$W1[$rNode] = $fuzzy[$i][0]; $W2[$rNode] = $fuzzy[$i][1]; }

} else {

$rNode++;

$W1[$rNode] = $fuzzy[$i][0]; $W2[$rNode] = $fuzzy[$i][1]; }

$k++; }

(10)

DAFTAR PUSTAKA

Amiruddin, A.A.2011.Prediksi kurs rupiah terhadap dollar Amerika mengunakan metode fuzzy time series.Program Studi Teknik Informatika Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Diponegoro.

Artina, N.2006.Penerapan analysis kebutuhan metode use case pada metode pengembangan terstruktur.STMIK MIDP Palembang.Jurnal Ilmiah GI MDP Volume 2 Nomor 3.

Budiani, N.2000.Data flow Diagram sebagai alat bantu desain sistem.Bagian Pemeliharaan sistem aplikasi Biro Pengembangan Aplikasi komputer.Badan Pelayanan Kemudahan Ekspor dan Pengolahan data lingkungan Departemen keuangan.

Chang, Pei-Chann.,Wang, Yen-Wen.,Liu, Chen-Hao.2007.The Development of a Weighted Evolving Fuzzy Neural Network for PCB sales Forecasting.Departement of industrial Engineering and Management.Yuan-Ze University.135 Yuan Dong Rd, Taoyuan 32026, Taiwan, ROC.

Chang, Pei-Chann., Fan, Chin-Yuan., Hsieh, Jih-Chang.2009.A Weighted Fuzzy Neural Network for Electricity Demand Forecasting.First Asia Conference on Intelegent Information and Database System.Taiwan.

Edwardus, M H T R., Dennisleo, C.2012.Perancangan Sistem Prediksi Kemungkinan Banjir di Daerah Jakarta Pusat dengan logika Fuzzy.Binus University.DKI Jakarta.

(11)

Herdinata, C.2010.Aplikasi Model Artificial Neural Network untuk stock forcasting di pasar modal Indonesia.Fakultas Ekonomi Jurusan International Bussines Management Universitas Ciputra Surabaya.

Im, I M.2011.Perancangan Program Aplikasi Peramalan banjir Kanal Barat Jakarta mengunakan Autoregresi Multivariant. Jurusan Matematika FST BINUS University.

Kasabov, N. 2007. Evolving Connectionist Systems. London: Springer.

Kusumadewi, S., Hartati, S.2010.Neuro fuzzy integritas sistem fuzzy & jaringan syaraf.penerbit graha ilmu edisi 2.

Kurniawan, H.2011.Analisis dan Perancangan sistem informasi penjualan pada CV. Alief Cipta Selaras (ACS) Yogyakarta.Sekolah tinggi manajemen informatika dan computer Amikom Yogyakarta.

Machairiyah.2007.Analysis Curah Hujan Untuk Pendugaan Debit Puncak dengan Metode Rasional pada DAS Percut Kabupaten Deli Serdang.Skripsi.Departemen Teknologi Pertanian Fakultas Pertanian Universitas Sumatera Utara.

Nasution, H.2012.Implementasi Logika Fuzzy pada sistem Kecerdasan Buatan.Program Studi Teknik Informatika Jurusan Teknik Elektro Fakultas Teknik Univeristas Tanjung Pura Pontianak.

Peracitra, D,S.2012.Analysis Tren Jangka Panjang Curah Hujan dan Debit Daerah Aliran Sungai Begawan Solo.Skripsi.Departemen Meteorologi dan Geofisika Fakultas Matematika dan Ilmu Pengetahuan Alam Institute Pertanian Bogor. Slamet, M.2011.Analysis Debat Banjir Ngotok Ring Kanal Kabupaten Mojokerto

(12)

Teknik Sipil Fakultas teknik Sipil dan Perencanaan Universitas

Pembangunan Nasional “Veteran”. Jawan Timur.

Soemantri, L,S.Pd.M.Si.2008.Pemanfaatan Teknik Penginderaan Jauh untuk mengindentifikasi Kerentanan dan Resiko Banjir.Jurusan Pendidikan Geografi Vol 8 No.2.

Syafii & Edyan, N.2013.Studi Peramalan (Forecasting) kurva beban Harian listrik jangka pendek mengunakan metode Autoregressive Integrated Moving Average (ARIMA).Program Studi Teknik Elektro Fakultas Teknik Universitas Andalas.

Wardani, R., Soesianto, f., Nugorho, E L., Ashari, A.2010.Desain model spesifikasi akses pengguna di lingkungan jaringan berkecepatan rendah.Jurusan Pendidikan Teknik Elektronika Universitas Negeri Yogyakarta.

(13)

BAB 3

ANALISIS DAN PERANCANGAN SISTEM

Bab ini akan membahas analisis metode Weighted Evolving Fuzzy Neural Network pada sistem dan membahas tahap-tahap yang akan dilakukan dalam perancangan sistem yang akan dibangun

3.1Data yang akan digunakan

Data yang digunakan pada penelitian ini adalah data history Tinggi Permukaan Air pada Wilayah Daerah Aliran Sungai (DAS) Asam Kumbang Belawan kabupaten Deli Serdang yang bersumber dari Direktorat Jendral Sumber Daya Air Balai Wilayah Sungai Sumatera II mulai dari tanggal 21 Januari 2002 s.d 31 Desember 2012 seluruh data berjumlah 4018 data yang dirangkum pada Table 3.1

Tabel 3.1 Rangkuman Data Permukaan Air pada wilayah DAS Asam Kumbang Belawan

No Tanggal Data 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

(14)

Tabel 3.1 Rangkuman Data Permukaan Air pada wilayah DAS Asam Kumbang Belawan (lanjutan)

No Tanggal Tinggi Permukaan Air

8 8 Januari 2002 0.39

9 9 Januari 2002 0.38

10 10 Januari 2002 0.43

. . . . . . . . .

4015 28 Desember 2012 0.47

4016 29 Desember 2012 0.40

4017 30 Desember 2012 0.52

4018 31 Desember 2012 0.66

Untuk pemodelan data pada tabel 3.1 dalam bentuk grafik dapat dilihat pada gambar 3.1

Gambar 3.1 Grafik Tinggi Permukaan Air

3.2Metode Penelitian

Metode penelitian ini terdapat data training dan data testing dapat dilihat pada gambar 3.2 dan 3.3

0.00 0.50 1.00 1.50 2.00 2.50

2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012

T in g g i P e rm u k a a n AI r tahun

tinggi permukaan air

(15)

Gambar 3.2 Flowchart data training Pada gambar 3.2, cara kerja data Training yang akan dibangun yaitu :

1. Ambil data tinggi permukaan air sesuai dengan tanggal awal dan tanggal akhir yang ingin ditraining

Mulai

Ambil data Training Tinggi Permukaan air

Normalisasi data

Fungsi keanggotaan segitiga

Tentukan Nilai Bobot 1 dan Bobot 2

Data Training <= n

Tambah rule node baru Hitung Nilai fuzzy Distance function

Hitung Nilai Aktivasi

A max > Thres

Melakukan Propagasi terhadap nilai Aktivasi

Hitung besar Error

Err < error1

Ubah Nilai bobot 1 dan bobot 2

Data tinggi permukaan air

(16)

2. Melakukan Normalisasi data yang akan digunakan dan diubah pada rentang 0 ≤ x ≤ 1

y = 0.8(x - a) / (b - a)+0.1 (3.1) keterangan :

y : Nilai Normalisasi

x : Nilai data Tinggi Permukaan Air

a : Nilai Minimum dari data Tinggi Permukaan Air b : Nilai Maximum dari data Tinggi Permukaan Air

3. Menentukan nilai Fungsi Keanggotaan Segitiga ( Triangle Membership Function ) terhadapat data yang telah dinormalisasikan dengan persamaan (2.3)

4. Tentukan rule node pertama untuk data pertama dan mengisi nilai bobot 1 dan bobot 2

5. Hitung nilai Fuzzy Distance Function dengan persamaan (2.9)

6. Hitung nilai aktivasi dari hasil perhitungan Fuzzy Distance Function dengan persamaan (2.10)

7. Cari Nilai aktivasi tertinggi

8. Cek nilai Ai lebih besar dari Sensitive Threshold (sThr), jika tidak maka rule node

akan ditambah 1 dan kembali ke langkah 6

9. Lakukan propagasi terhadap nilai aktivasi dengan persamaan (2.11) 10.Hitung nilai besar Error dengan persamaan (2.12)

11.Cek Erri lebih kecil dari error Threshold (eThr) , jika Tidak maka rule node akan

ditambah 1 dan kembali ke langkah 6 12.Ubah bobot 1 dan bobot 2

(17)

Gambar 3.3 Flowchart data Testing

Pada gambar 3.3, cara kerja data Testing yang akan dibangun yaitu :

1. Input Nilai Parameter Sesnsitive Threshold (sThr), Error Threshold (eThr), Learning rate 1 (lr1), learning rate 2 (lr2), tanggal awal, tanggal Akhir dan Input N hari.

Mulai

Ambil data Testing Tinggi Permukaan air

Normalisasi data

Fungsi keanggotaan segitiga

Tentukan Nilai Bobot 1 dan Bobot 2

Data Testing <= n

Hitung Nilai fuzzy Distance function

Hitung Nilai Aktivasi Maksimum

rNodeTes < rNode F

Data tinggi permukaan air

Selesai Hitung MAPE

Hitung Nilai Denormalisasi

Nilai Data Testing

Input Parameter :Thres, error1, rate1, Rate 2, tglawal,

(18)

2. Ambil data tinggi permukaan air sesuai dengan tanggal awal dan tanggal akhir yang ingin ditesting

3. Melakukan Normalisasi data yang akan digunakan dan diubah pada rentang 0 ≤ x ≤ 1 dengan persamaan (2.17)

4. Menentukan nilai Fungsi Keanggotaan Segitiga ( Triangle Membership Function ) terhadapat data yang telah dinormalisasikan dengan persamaan (2.3)

5. Tentukan rule node pertama untuk data pertama dan mengisi nilai bobot 1 dan bobot 2

6. Hitung nilai Fuzzy Distance Function dengan persamaan (2.9)

7. Hitung nilai aktivasi dari hasil perhitungan Fuzzy Distance Function dengan persamaan (2.10)

8. Cari Nilai aktivasi tertinggi

9. Cek jika nilai rule node Testing lebih kecil dari rule node training, jika tidak maka kembali ke langkah 6.

10.Melakukan denormalisasi dari hasil data testing untuk menghasilkan nilai sebenarnya.

x = (y – 0.1) (b - a) + 0.8a / 0.8 (3.2) keterangan :

x = nilai denormalisasi y = nilai hasil prediksi

b = nilai maximum dari data tinggi permukaan air a = nilai minimum dari data tinggi permukaan air

11.Hitung tingkat kesalahan pada hasil prediksi dengan mengunakan MAPE (Mean Absolute Percentage Error)

(19)

∑

x 100 % (3.3) Keterangan :

a = data aktual b = data prediksi n = banyak data testing

3.3 Perancangan sistem

Perancangan sistem di tahap ini akan dilakukan perancangan data Tinggi Permukaan Air yang akan diproses di dalam sistem dan juga dilakukan perancangan antarmuka sistem yang akan dibangun.

3.3.1 Use case diagram

Use case diagram adalah mengambarkan hubungan actor dengan satu atau lebih dan gambarannya mengunakan sebuah gambar anak panah, orang atau elips. Use case diagram ini mengambarkan penguna untuk memanfaatkan dari sebuah sistem yang akan dibangun sedangkan seorang administrator yang langsung berhubungan atua mengendalikan sebuah sistem. Use case diagram ini mempresentasikan proses atau kegunaan dari seorang aktor pada sebuah sistem yang akan dibangun. (Artina, 2006). Use case diagram dari sistem yang akan dibuat dapat dilhat pada Gambar 3.4

(20)

3.3.2 Use case specification

Use case specification merupakan perkembangan dari sebuah use case diagram dan diagram ini memberikan sebuah gambaran dimana pada diagram ini saling berinteraksi antar komponen fungsionalitas dalam model pada sebuah sistem yang akan dibangun. (wardani, et al, 2010) Use case spesifikasi untuk sistem yang akan dibangun dapat dilihat pada Tabel 3.2, Tabel 3.3, Tabel 3.4, Tabel 3.5, Tabel 3.6, dan, Tabel 3.7

Tabel 3.2 Use Case Data Tinggi Permukaan Air

Tipe Use Case Penjelasan

Nama Use Case Lihat data

Aktor Pengguna

Deskripsi Use case ini digunakan pengguna untuk melihat data Tinggi Permukaan Air Pre-Condiiton Semua pengguna dapat mengklik menu

ini

Character of Activation Eksekusi ini dapat dilakukan oleh siapapun

Basic Flow 1.Pengguna mengakses menu data

Tinggi Permukaan Air

2.Kemudian sistem akan memunculkan seluruh data Tinggi Permukaan Air 3.Jika pengguna melakukan pencarian

dapat mengisi Form Pencarian, lalu klik tombol cari

4.Kemudian sistem akan melakukan pencarian data berdasarkan form yang diisi untuk menentukan data tersebut ada atau tidak [H-1 : data Tinggi Permukaan Air tidak ada dalam database]

(21)

Tabel 3.2 Use Case Data Tinggi Permukaan Air (lanjutan)

Tipe Use Case Penjelasan

dalam database, maka data tersebut akan ditampilkan

5.Use case ini akan selesai ketika sistem telah selesai menampilkan semua data Tinggi Permukaan Air

Alternative flow H-1 : data Tinggi Permukaan Air tidak ada dalam databse

Sistem akan memberikan pesan bahwa data Tinggi Permukaan Air tidak ada dalam database

Post condition Pada use case ini pengguna melihat data tinggi permukaan air

Limitations -

Tabel 3.3 Use Case prediksi Banjir

Tipe Use Case Penjelasan

Nama Use Case Prediksi Banjir

Aktor Pengguna

Deskripsi Use case ini digunakan pengguna untuk melihat Prediksi Banjir dengan mengunakan data Tinggi Permukaan Air Pre-Condiiton Semua pengguna dapat mengklik menu ini Character of Activation Eksekusi ini dapat dilakukan oleh siapapun Basic Flow 1.Pengguna mengklik menu Prediksi

2.Sistem akan menampilkan halaman Prediksi

(22)

Tabel 3.3 Use Case prediksi Banjir (lanjutan)

Tipe Use Case Penjelasan

4.sudah tersedia

5.Kemudian klik tombol prediksi 6.Sistem akan memproses untuk 7.mendapatkan hasil prediksi banjir 8.Pengguna dapat melihat hasil prediksi banjir

9.Jika pengguna ingin melihat grafik maka pengguna dapat mengklik menu grafik prediksi

Use case ini akan selesai ketika sistem sudah menampilkan hasil prediksi banjir

Alternative flow -

Post condition Pada use case ini pengguna dapat melihat hasil data prediksi banjir

Limitations -

Tabel 3.4 Use Case tutorial penggunaan aplikasi

Tipe Use Case Penjelasan

Nama Use Case Tutorial Penggunaan Aplikasi

Aktor Pengguna

Deskripsi Use case ini digunakan pengguna untuk melihat cara penggunaan sistem prediksi ini

Pre-Condiiton Semua pengguna dapat mengklik menu ini

Character of Activation Eksekusi ini dapat dilakukan oleh siapapun

Basic Flow 1. Pengguna dapat mengklik menu

(23)

Tabel 3.4 Use Case tutorial penggunaan aplikasi (lanjutan)

Tipe Use Case Penjelasan

2.Sistem akan menampilakan halaman tutorial penggunaan aplikasi

3. Use case ini akan selesai ketika sistem menampilkan tutorial penggunaan aplikasi

Alternative flow -

Post condition Pada use case ini pengguna dapat melihat halaman tutorial penggunaan aplikasi

Limitations -

Tabel 3.5 Use Case profil Administrator

Tipe Use Case Penjelasan

Nama Use Case Profil

Aktor Administrator

Deskripsi Use case ini digunakan administrator untuk melihat dan mengubah profil Pre-Condiiton Administrator memiliki username dan

password ada dalam database untuk dapat login ke sistem ini

Character of Activation Eksekusi ini dapat dilakukan oleh administrator yang telah login

Basic Flow 1.Administrator mengklik menu profil 2.Kemudian sistem akan menampilkan halaman profil administrator

3.Administrator dapat mengubah profil yang sudah ada kemudian klik tombol simpan

4.Use case ini akan selesai ketika sistem menampilkan halaman profil

(24)

Tabel 3.5 Use Case profil Administrator (lanjutan)

Tipe Use Case Penjelasan

Alternative flow -

Post condition Pada use case ini administrator dapat mengedit / mengubah data profil

Limitations -

Tabel 3.6 Use Case pengaturan data tinggi permukaan air

Tipe Use Case Penjelasan

Nama Use Case Pengaturan data tinggi permukaan air

Aktor Administrator

Deskripsi Use case ini digunakan administrator untuk mengatur data tinggi permukaan air Pre-Condiiton Administrator memiliki username dan password ada dalam database untuk dapat login ke sistem ini

Character of Activation Eksekusi ini dapat dilakukan oleh administrator yang telah login

Basic Flow 1.Administrator mengklik menu

pengaturan data tinggi permukaan air 2.Kemudian sistem akan menampilkan data tinggi permukaan air

3.Administrator akan menambah, mengedit dan menghapus data tinggi permukaan air [H-1: data tinggi permukaan air tidak ada dalam database]

4.Use case ini akan selesai ketika menampilkan semua data tinggi permukaan air

(25)

Tabel 3.6 Use Case pengaturan data tinggi permukaan air (lanjutan)

Tipe Use Case Penjelasan

Alternative flow H-1: data tinggi permukaan air tidak ada dalam database

Sistem akan memberikan sebuah pesan bahwa data tidak ada dalam database Post condition Pada use case ini administrator dapat

menambah, mengedit dan menghapus data tinggi permukaan air

Limitations -

Tabel 3.7 Use Case pengaturan parameter

Tipe Use Case Penjelasan

Nama Use Case Pengaturan parameter

Aktor Administrator

Deskripsi Use case ini digunakan administrator untuk mengatur parameter

Pre-Condiiton Administrator memiliki username dan password ada dalam database untuk dapat login ke sistem ini

Character of Activation Eksekusi ini dapat dilakukan oleh administrator yang telah login

Basic Flow 1. Administrator mengklik menu

parameter

2.Administrator menambah parameter yang dapat digunakan dalam prediksi banjir

3.Kemudian klik simpan

4.Use case ini akan selesai ketika sistem ini menambah data parameter untuk

(26)

Tabel 3.7 Use Case pengaturan parameter (lanjutan)

Tipe Use Case Penjelasan

Prediksi

Alternative flow -

Post condition Pada use case ini administrator dapat menambah, mengedit dan menghapus parameter

Limitations -

3.3.3 DFD (data flow diagram)

Diagram flow diagram adalah teknik pemodelan proses umum yang akan digunakan dalam sebuah proses pengembangan sistem metode terstruktur (Artina, 2006). Sistem yang mengambarkan sistem yang saling berghubungan dengan alur data yang baik. Representasi sebuah grafik mengambarkan sebuah komponen sistem diantaranya asal, tujuan, komponen-komponen dan penyimpanan data tersebut (budiani, 2000) DFD level 0 dari system yang akan dibuat dapat dilihat pada gambar 3.5

Gambar 3.5 DFD level 0

Sistem Prediksi Banjir

Pengguna Administrator

Data Tinggi Permukaan Air Data Prediksi Banjir Tutorial Penggunaan Aplikasi

Input Parameter Prediksi

Pencarian data Tinggi Permukaan Air

Informasi Data Tinggi Permukaan Air Input Parameter Prediksi

Profil Administrator Login

Informasi Data Tinggi Permukaan Air Informasi Data Parameter Prediksi Informasi Data Tinggi Permukaan Air

(27)

DFD (Diagram Flow Diagram) level 0 mengambarkan sebuah sistem yang akan dibangun untuk berinteraksi dengan sistem yang satu maupun dengan sisten yang lain. Pada DFD level 0 memiliki 2 aktor yang memiliki fungsi yang berbeda, pengguna memiliki sebuha aktivitas input seperti : pencarian data tinggi permukaan air danparameter metode WEFuNN sedangkan Output seperti : data tinggi permukaan air, data Prediksi Tinggi permukaan air dan informasi tutorial penggunaan aplikasi. Aktor administrator memiliki aktivitas input seperti : input data tinggi permukaan air, input parameter metode WEFuNN, profil administrator dan login sedangkan Output seperti : informasi data Tinggi permukaan air, informasi parameter metode WEFuNN dan informasi Profil. Detail proses yang terdapat pada DFD level 0 dapat dilihat pada gambar 3.6

Gambar 3.6 DFD level 1 Pengguna 1.0 Data Tinggi Permukaan Air 2.0 Data Prediksi Banjir 3.0 Lihat Tutorial Penggunaan Aplikasi 4.0 Pengaturan Data Tinggi Permukaan Air 5.0 Pengaturan Parameter 6.0 Pengaturan Profil Adminsitrator Data Prediksi Data Parameter

Data Tinggi Permukaan Air

Profil Administrator waktu waktu Data Tinggi Permukaan air Parameter prediksi Hasil Prediksi Parameter

Pilih menu Tutorial

Tampilan Tutorial Pengunaan

Aplikasi

Input data Prediksi Tampil data

Prediksi Tampil data Tinggi

Permukaan Air Data Tinggi Permukaan AIr Input Tinggi Permukaan AIr Parameter Input data Parameter Data Tinggi Permukaan AIr Parameter Tampil dsata Parameter Data Profil Tampilan Data Profil Input data profil

Tampilan Data Profil

(28)

3.3.4Perancangan Menu Sistem

Perancangan menu sistem betujuan memberikan sebuah gambaran menu yang dapat di akses pada aplikasi yang akan dibangun . struktur menu pada sistem yang akan dibangun dapat dilihat pada gambar 3.7

Gambar 3.7 Struktur Menu Sistem

3.3.5Perancangan Tampilan Antarmuka

Perancangan tampilan antarmuka merupakan awal dari gambaran yang dimana akan dibangun sebuah aplikasi sistem.

3.3.5.1Rancangan Tampilan Halaman Home

Pada halaman Home ini akan menampilkan halaman pembuka aplikasi beserta Tutorial penggunaan aplikasi prediksi ini. Rancangan dapat dilihat pada gambar 3.8

Tampilan

Home

Prediksi Data Tinggi Permukaan air

Profil

Pengaturan Data Tinggi Permukaan Air

Pengaturan Data Parameter Login

Tambah Data

Edit Data

Hapus Data

Tambah Data

Edit Data

(29)

Gambar 3.8 Rancangan Halaman Home

Keterangan :

a. Pada bagian ini terdapat sidebar terdapat menu yang dapat diakses oleh pengguna yaitu antara lain : Menu Home, Menu data Tinggi Permukaan Air, Menu Peramalan, dan Menu Login.

b. Pada bagian ini berisi tutorial cara penggunaan sistem aplikasi prediksi ini.

3.3.5.2Rancangan Tampilan Halaman data Tinggi Permukaan Air

Pada bagian halaman ini, pengguna dapat melihat semua data tinggi permukaan air dan dapat melihat data tinggi permukaan air tertentu yang ingin dilihat. Rancangan dapat dilihat pada gambar 3.9

HEADER

FOOTER

HOME DATA T.AIR PREDIKSI LOGIN

KONTEN HOME a

(30)

Gambar 3.9 Rancangan halaman data Tinggi Permukaan Air Keterangan :

a. Pada bagian ini, pengguna dapat melakukan Pencarian Tanggal dengan memasukan form yang tersedia , setelah itu, tekan tombol “Cari”, untuk

menghapus data yang diisi dapat ditekan tombol “Reset”.

b. Pada bagian ini menampilkan data tinggi permukaan air yang ada dalam database dalam bentuk tabel.

3.3.5.3Rancangan Tampilan halaman Prediksi

Pada halaman ini dapat dilakukan prediksi banjir dengan form yang tersedia, pengguna memasukan nilai parameter yang akan digunakan untuk melakukan prediksi. Rancangan dapat dilihat pada gambar 3.10

HEADER

FOOTER

HOME DATA T.AIR PREDIKSI LOGIN

DATA TINGGI PERMUKAAN AIR Search Tanggal

Tanggal Awal Tanggal Akhir CARI RESET a

(31)

Gambar 3.10 Rancangan halaman Prediksi

Keterangan :

a. Pada bagian ini, pengguna dapat memasukan input parameter yang tersedia dan input tanggal awal dan akhir kemudian untuk melihat hasil prediksi dapat

menklik “Submit”.

3.3.5.4Rancangan Tampilan Halaman Hasil Prediksi

Pada halaman ini menampilkan hasil prediksi yang telah input sesuai dengan form yang tersedia, rancangan dapat dilihat pada gambar 3.11

HEADER

FOOTER

HOME DATA T.AIR PREDIKSI LOGIN

Prediksi

Sensitive Threshold Error Threshold

Learning Rate 2 Learning Rate 1

Submit

Tanggal Akhir Tanggal Awal

(32)

Gambar 3.11 Rancangan halaman Hasil Prediksi

Keterangan :

a. Pada bagian ini menampilkan antara lain: Parameter yang digunakan, tanggal awal dan tanggal akhir, nilai MAPE dll.

b. Pada bagian ini, pengguna dapat melihat grafik perbandingan antara data

aktual dan data Ramal dengan menklik “Lihat Grafik Aktual dan Ramal”.

c. Pada bagian ini, pengguna dapat melihat hasil prediksi sesuai dengan nilai input hari yang dimasukan.

d. Pada bagian ini hasil prediksi akan ditampilkan dalam bentuk tabel. 3.3.5.5Rancangan Tampilan Halaman Profil Administrator

Pada halaman ini menampikan data-data profil administrator yang sudah ada dalam database. Rancangan dapat dilihat pada gambar 3.12

HEADER

FOOTER

HOME DATA T.AIR PREDIKSI LOGIN

Hasil Prediksi

Sensitive Threshold : Error Threshold Learning Rate 1 Learning Rate 2 Tanggal Testing Jumlah Data Testing Waktu

Rule Node

Lihat Grafik Aktual dan Ramal : : : : : : :

b c

NO Tanggal Aktual Ramal

Lihat Hasil Prediksi

(33)

Gambar 3.12 Rancangan halaman Profil Administrator

Keterangan :

a. Menu sidebar yang terdapat menu untuk administrator gunakan.

b. Menu LogOut digunakan untuk keluar dari aplikasi halaman administrator. c. Pada bagian ini menampilkan data profil administrator, administrator dapat

mengubah data profil administrator, kemudian tekan tombol “Simpan”.

3.3.5.6 Rancangan Tampilan Halaman Pengaturan data tinggi permukaan air

Pada halaman ini, administrator dapat mengubah, menambah dan menhapus data yang tersedia. Rancangan dapat dilihat gambar 3.13

HEADER

FOOTER

PROFIL USER PENGATURAN DATA

T.AIR Pengaturan Parameter Logout

PROFIL USER Nama

Alamat Email Username Password

Simpan a

c b

(34)

Gambar 3.13 Rancangan halaman Pengaturan Data Tinggi Permukaan Air

Keterangan :

a. Pada bagian ini administrator dapat menambah data tinggi permukaan air. b. Pada bagian ini menampilkan data tinggi permukaan air yang ada dalam

database berbentuk tabel.

c. Pada tombol “Edit” ini digunakan untuk mengubah data tertentu.

d. Pada tombol “Hapus” digunakan untuk menghapus data yang tidak digunakan. 3.3.5.7 Rancangan Tampilan Halaman Pengaturan Parameter

Pada halaman ini, administrator mengatur parameter yang digunakan untuk melakukan prediksi. Rancangan dapat dilihat pada gambar 3.13

HEADER

FOOTER

PROFIL USER PENGATURAN DATA

T.AIR Pengaturan Parameter Logout

Pengaturan Data Tinggi Permukaan Air

Simpan Tanggal Data Tinggi Permukaan Air

NO Tanggal Aktual Value Edit Hapus a

(35)

Gambar 3.14 Rancangan halaman pengaturan parameter

Keterangan :

a. Pada bagian ini, administrator dapat mengisi nilai parameter yang digunakan untuk melaukan prediksi setelah itu mengklik “Simpan”.

HEADER

FOOTER

PROFIL USER PENGATURAN DATA

T.AIR Pengaturan Parameter Logout

Pengaturan Parameter Sensitive Threshold

Error Threshold Learning Rate 1 Learning Rate 2

Submit

(36)

BAB 4

IMPLEMENTASI DAN PENGUJIAN SISTEM

Pada bab ini akan dijelaskan tentang implementasi dari algoritma Weighted Evolving Fuzzy Neural Network pada sistem, sesuai dengan perancangan sistem yang telah dilakukan di Bab 3 serta melakukan pengujian sistem yang akan dibangun.

4.1 Implementasi sistem

Sesuai dengan tahap ini, metode Weighted Evolving Fuzzy Neural Network akan diimplementasikan ke aplikasi sistem, dengan mengunakan bahasa pemrograman php dan database MySql.

4.1.1Spesifikasi perangkat keras dan perangkat lunak

Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk membangun aplikasi sistem adalah sebagai berikut :

1. Processor : AMD C-60 APU with Radeon (tm) HD Graphic 1.00 GHZ 2. Kapasitas hardisk : 500 GB

3. Memori RAM yang digunakan 2.00 GB

4. Sistem operasi yang digunakan adalah Microsoft Windows 7 Ultimate 5. Web Server yang digunakan adalah XAMPP

(37)

4.1.2Implementasi Perancangan Antarmuka

Implementasi dari perancangan antarmuka yang telah dilakukan sebelunnya yaitu sebagai berikut :

a. Halaman Home

Halaman Home merupakan halaman yang pertama kali muncul ketika sebuah aplikasi sistem ini dijalankan. Pada halaman Home terdapat 3 Menu yaitu : Menu Data Tinggi Permukaan Air, Menu Prediksi, dan Menu Login. Pada halaman home merupakan penjelasan Tutorial cara penggunaan Aplikasi sistem prediksi banjir. Tampilan Halaman Home dapat dilihat pada gambar 4.1

Gambar 4.1 Halaman Home

b. Halaman Data Tinggi Permukaan Air

Halaman Data Tinggi Permukaan Air merupakan halaman yang menampilkan data tinggi permukaan air yang berada dalam database kemudian ditampilkan dalam bentuk tabel. Pada halaman ini terdapat Serach Date yang digunakan

(38)

pengguna untuk mencari rentang waktu yang ingin dicari. Tampilan halaman Tinggi Permukaan Air dapat dilihat pada gambar 4.2

Gambar 4.2 Halaman Data Tinggi Permukaan Air

c. Halaman Prediksi

Halaman prediksi ini digunakan untuk melakukan proses prediksi. Pada aplikasi sistem ini pengguna dapat memasukan nilai parameter dan juga memasukan rentang waktu yang digunakan untuk melakukan prediksi. Tampilan halaman Prediksi dapat dilihat pada gambar 4.3

(39)

Gambar 4.3 Halaman Prediksi

d. Halaman Hasil Prediksi

Pada halaman ini merupakan halaman yang menampilkan hasil prediksi yang berisi nilai parameter dan rentang waktu yang digunakan untuk melakukan prediksi, pengguna juga dapat melihat grafik dengan menekan Link Menu

“Lihat Grafik Aktual dan Ramal”. Tampilan halaman hasil prediksi dapat

(40)

Gambar 4.4 Halaman hasil Prediksi

e. Halaman Profil Administrator

Pada halaman ini merupakan halaman yang menampilkan data-data profil dari administrator yang telah berhasil login masuk ke dalam aplikasi sistem ini, pada halaman ini administrator dapat mengubah data profil beserta username dan password sesuai dengan keinginan administrator. Tampilan halaman Profil Administrator dapat dilihat pada gambar 4.5

(41)

Gambar 4.5 Halaman Profil Administrator

f. Halaman Pengaturan Data Tinggi Permukaan Air

Pada halaman ini merupakan halaman yang digunakan untuk menambah, mengubah dan mengahapus data tinggi permukaan air. Tampilan halaamn pengaturan data tinggi permukaan air dapat dilihat pada gambar 4.6

(42)

Gambar 4.6 Halaman Pengaturan data tinggi permukaan air

g. Halaman Pengaturan Parameter

Pada halaman ini merupakan halaman yang digunakan untuk mengatur nilai parameter yang digunakan untuk prediksi. Halaman ini berisi parameter berupa Sensitive Threshold, Error Threshold, Learning Rate 1, Learning rate 2. Tampilan halaman pengaturan Parameter dapat dilhat pada gambar 4.7

(43)

Gambar 4.7 Halaman Pengaturan Parameter

4.1.3 Implementasi data

Data yang dimasukan ke dalam database dan ditampilkan ke sistem adalah data Tinggi Permukaan Air Asam Kumbang Belawan Kabutpaten Deli Serdang dari tanggal 1 Januari 2002 sampai dengan 31 Desember 2012 sebanyak 4018 data yang dirangkum pada tabel 4.1

(44)

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

(45)

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

(46)

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

(47)

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”

(48)

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

(49)

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

(50)

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

(51)

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

(52)

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

(53)

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

(54)

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 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 1 /1 /2 0 0 2 1 /2 /2 0 0 2 1 /3 /2 0 0 2 1 /4 /2 0 0 2 1 /5 /2 0 0 2 1 /6 /2 0 0 2 1 /7 /2 0 0 2 1 /8 /2 0 0 2 1 /9 /2 0 0 2 1 /1 0 /2 0 0 2 1 /1 1 /2 0 0 2 1 /1 2 /2 0 0 2 1 /1 3 /2 0 0 2 1 /1 4 /2 0 0 2 1 /1 5 /2 0 0 2 d a ta t in g g i p e rm u ka a n a ir hari

Grafik Hasil Pelatihan

aktual Ramal

(55)

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

(56)

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

(57)

Tabel 4.15 Tabel parameter dan hasil pelatihan prediksi banjir (lanjutan) No Sensitive

threshold

Error threshol

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

(58)

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

(59)

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 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 0 1 1 0 6 1 1 1 1 1 6 1 2 1 1 2 6 E rr or (% )

Data

(60)

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 0.5 1 1.5 2 2.5 1 /1 /2 0 1 1 2 /1 /2 0 1 1 3 /1 /2 0 1 1 4 /1 /2 0 1 1 5 /1 /2 0 1 1 6 /1 /2 0 1 1 7 /1 /2 0 1 1 8 /1 /2 0 1 1 9 /1 /2 0 1 1 1 0 /1 /2 0 1 1 1 1 /1 /2 0 1 1 1 2 /1 /2 0 1 1 1 /1 /2 0 1 2 2 /1 /2 0 1 2 3 /1 /2 0 1 2 4 /1 /2 0 1 2 5 /1 /2 0 1 2 6 /1 /2 0 1 2 7 /1 /2 0 1 2 8 /1 /2 0 1 2 9 /1 /2 0 1 2 1 0 /1 /2 0 1 2 1 1 /1 /2 0 1 2 1 2 /1 /2 0 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

(61)

BAB 5

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Berdasarkan data pelatihan dan data pengujian yang telah dilakukan untuk sistem prediksi banjir dengan mengunakan metode Weighted Evolving Fuzzy neural Network (WEFuNN) maka diperoleh kesimpulan bahwa metode yang digunakan dengan memasukan beberapa parameter yang berbeda-beda sesuai dengan daftar tabel 4. 15 maka dapat menunjukan hasil prediksi yang mendekati nilai sebenarnya dengan tingkat error sebesar 0.23 % dan Sesuai dengan data prediksi beberapa hari kedepannya dengan memasukan input 1 hari maka diperoleh hasil prediksi pada tanggal 1 Januari 2013 sebesar 0.65 m sedangkan untuk data sebenarnya pada tanggal 1 Januari 2013 sebesar 0.44 m maka didapat hasil pendekatan sebesar ±80 % dari data sebenarnya yang bersumber dari Direktorat Jendral Sumber Daya Air Balai Wilayah Sungai Sumatera II.

5.2 Saran

Pada penelitian selanjutnya, disarankan memasukan beberapa variabel yang berhubungan untuk melakukan prediksi banjir agar bisa memberikan hasil prediksi yang lebih akurat dan juga dapat membandingkan metode lain seperti : Adaptive Neuro Fuzzy Inference System (ANFIS), Dynamic Evolving Fuzzy Neural Network (DENFIS) dan metode lain yang lebih baik untuk melakukan prediksi banjir.

(62)

BAB 2

LANDASAN TEORI

Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan penerapan metode Weighted Evolving Fuzzy Neural Network untuk prediksi banjir di daerah aliran sungai Asam Kumbang Belawan dan beberapa data mendukung.

2.1Daerah Aliran Sungai (DAS)

DAS (Daerah Aliran Sungai) dalam bahasa inggris dikenal Istilah Watershed atau Catchment Area. Berdasarkan Undang-undang No.7 tahun 2004 tentang sumber daya air diartikan sebagai wilayah daratan yang memiliki satu kesatuan antara sungai dengan anak sungai, fungsi dalam Daerah Aliran Sungai ini yaitu menampung, menyinpan dan mengalirkan secara alami yang berasal dari curah hujan ke danau menuju ke laut, selain itu DAS (Daerah Aliran Sungai) ketersediaan kebutuhan bagi Masyarakat Seperti Irigasi, Transportasi dan kebutuhan lainnya (Peracitra, 2012).

DAS (Daerah Aliran Sungai) adalah Suatu Wilayah tata air yang terbentuk secara alami membentuk kesatuan antara sungai dan anak sungai, fungsinya yaitu menampung dan mengalirkan air yang berasal dari Curah Hujan (Peracitra, 2012).

Karakteristik DAS (Daerah Aliran Sungai) adalah Suatu Gambaran tentang DAS (Daerah Aliran Sungai) yang dikaitkan dengan parameter yang berhubungan dengan keadaan Geologi, Vegetasi, Topologi Dll. Perubahan pada Suatu DAS (Daerah Aliran Sungai) disebabkan 2 faktor yaitu Faktor Alami dan Faktor Antropogenik, sebagai

(1)

ABSTRAK

Banjir merupakan salah satu bencana alam yang sangat merugikan masyarakat. Oleh karena itu, diperlukan suatu pendekatan untuk dapat memprediksi banjir di masa depan. Data yang digunakan adalah data dari data tinggi permukaan air Daerah Aliran Sungai Asam Kumbang Belawan. Data tersebut berdasarkan data runtun waktu. Metode Weighted Evolving Fuzzy Neural Network (WEFuNN) merupakan pengembangan dari metode Evolving Fuzzy Neural Network (EFuNN) yang memiliki struktur Hybird dari metode Fuzzy Inference System dan Jarigan Syaraf Tiruan dengan menerapkan prinsip Evolving Connectionist System (ECOS) di dalam jaringan. Hasil pendekatan nilai sebenarnya dengan mengunakan metode WEFuNN dari tanggal 1 Januari 2011 sampai dengan 31 Desember 2012 menghasilkan tingkat error sebesar 0.23 % dan untuk hasil prediksi pada tanggal 1 Januari 2013 memberikan nilai keakuratan sebesar ±80 % dari data sebenarnya bersumber dari Direktorat Jendral Sumber Daya Air Balai Wilayah Sungai Sumatera II.

Kata kunci : weighted evolving fuzzy neural network, evolving fuzzy neural network,

(2)

FLOOD PREDICTION USING WEIGHTED EVOLVING FUZZY NEURAL NETWORK (WEFUNN)

ABSTRACT

Flood is one of the nature disaster that cause many losses in society. Therefore in the research approach is required to predict nature disaster such as flood in the future.. Data used is water surface level watershed Asam Kumbang Belawan. Data based on time series. Method weighted evovling fuzzy neural network (WEFuNN) is developed method from Evolving Fuzzy Neural Network (EFuNN) has a hybird structure from

fuzzy inference system and neural network which is applying principle evolving connectionist system (ECOS) in the network. for an approach actual data result with

method weighted evovling fuzzy neural network (WEFuNN) from January 1st 2011 to December 31st 2012 yield of 0,23 % rate error. And for flood prediction result for January 1st 2013 give an approach yield of ±80 % compare to actual data source form Direktorat Jendral Sumber Daya Air Balai Wilayah Sungai Sumatera II.

Keyword : weighted evolving fuzzy neural network, evolving fuzzy neural network,

(3)

DAFTAR ISI

Hal.

PERSETUJUAN ii

PERNYATAAN ii

UCAPAN TERIMA KASIH iv

ABSTRAK v

ABSTRACT vi

DAFTAR ISI vii

DAFTAR TABEL ix

DAFTAR GAMBAR x

BAB 1 PENDAHULUAN 1

1.1 Latar Belakang 1

1.2 Rumusan Masalah 3

1.3 Batasan Masalah 3

1.4 Tujuan Penelitian 4

1.5 Manfaat Penelitian 4

1.6 Metodologi Penelitian 4

1.7 Sistematika Penulisan 5

BAB 2 LANDASAN TEORI 7

2.1 Daerah Aliran Sungai (DAS) 7

2.2 Teknik Peramalan 9

2.3 Logika Fuzzy 9

2.3.1 Himpunan fuzzy 10

2.3.2 Fungsi Keanggotaan fuzzy 10

2.3.3 Sistem Inferensi fuzzy 13

2.4 Artifical Neural Network (ANN) / Jaringan Syaraf Tiruan 13

2.5 Evolving Connection System (ECOS) 14

2.6 Weighted Evolving Fuzzy Neural Network 16

2.7 Teknik Prediksi Terdahulu 16

BAB 3 ANALISIS DAN PERANCANGAN SISTEM 21

3.1 Data yang Digunakan 21

3.2. Metode Penelitian 22

3.3 Perancangan Sistem 27

3.3.1 Use case diagram 27

3.3.2 Use case spesifikasi 28

(4)

viii

3.3.5.6 Rancangan halaman pengaturan tinggi permukaan air 41 3.3.5.7 Rancangan tampilan halaman pengaturan Parameter 42

BAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM 44

4.1 Implementasi Sistem 44

4.1.1 Spesifikasi perangkat keras dan perangkat lunak 44 4.1.2 Implementasi perancangan antarmuka 45

4.1.3 Implementasi data 51

4.2 Pengujian Sistem 52

4.2.1 Rencana pengujian sistem 52

4.2.2 Kasus dan hasil pengujian sistem 53

4.2.3 Pengujian kinerja sistem 57

4.2.4 Data Pelatihan 62

4.2.5 Data Pengujian 68

BAB 5 KESIMPULAN DAN SARAN 69

5.1 Kesimpulan 69

5.2 Saran 69

DAFTAR PUSTAKA 70

(5)

DAFTAR TABEL

Hal.

Tabel 2.1 Penelitian Terdahulu 20

Tabel 3.1 Rangkuman Data Tinggi Permukaan Air pada wilayah DAS Asam

Kumbang 21

Tabel 3.2 Use Case Data Tinggi Permukaan Air 29

Tabel 3.3 Use Case Prediksi Banjir 29

Tabel 3.4 Use Case Tutorial Penggunaan Aplikasi 30

Tabel 3.5 Use Case Profil Administrator 30

Tabel 3.6 Use Case Pengaturan Data Tinggi Permukaan Air 32

Tabel 3.7 Use Case Pengaturan Parameter 33

Tabel 4.1 Rangkuman Data Tinggi Permukaan Air pada wilayah DAS Asam

Kumbang 52

Tabel 4.2 Rencana Pengujian Sistem 53

Tabel 4.3 Hasil Pengujian Login 53

Tabel 4.4 Hasil Pengujian Data Tinggi Permukaan Air 54

Tabel 4.5 Hasil Pengujian Prediksi 55

Tabel 4.6 Hasil Pengujian Hasil Prediksi 55

Tabel 4.7 Hasil Pengujian Profil Administrator 56

Tabel 4.8 Hasil Pengujian Pengaturan Data Tinggi Permukaan Air 56

Tabel 4.9 Hasil Pengujian Pengaturan Parameter 57

Tabel 4.10 Data Tinggi Permukaan Air pada wilayah DAS Asam Kumbang 57

Tabel 4.11 Nilai Normalisasi 58

Tabel 4.12 Nilai Member Function Triangle 58

Tabel 4.13 Nilai Hasil dan Prediksi 60

Tabel 4.14 Nilai Denormalisasi 61

(6)

DAFTAR GAMBAR

Hal.

Gambar 2.1 Macam-macam bentuk DAS (Machairiyah, 2007) 9 Gambar 2.2 Contoh Grafik Himpunan Fuzzy Pada variabel umur(Amiruddin, 2011) 10 Gambar 2.3 Grafik Fungsi Keanggotaan pada Representasi Linear naik (Amiruddin,

2011) 11

Gambar 2.4 Grafik Fungsi Keanggotaan pada Representasi Linear turun (Amiruddin,

2011) 11

Gambar 2.5 Grafik Fungsi Keanggotaan pada Representasi Kurva Segitiga

(Amiruddin, 2011) 12

Gambar 2.6 Grafik Fungsi Keanggotaan pada Representasi Kurva Trapesium

(Amiruddin, 2011) 12

Gambar 2.7 Diagram blok sistem inferensi fuzzy 13

Gambar 2.8 Arsitektur ECOS (kasabov,2007) 16

Gambar 3.1 Grafik Tinggi Permukaan Air 22

Gambar 3.2 Flowchat data training 23

Gambar 3.3 Flowchat data testing 25

Gambar 3.4 Use Case Diagram sistem 27

Gambar 3.5 Diagram Flow Diagram Level 0 34

Gambar 3.6 Diagram Flow Diagram Level 1 35

Gambar 3.7 Struktur Menu Sistem 36

Gambar 3.8 Rancangan tampilan halaman Home 37

Gambar 3.9 Rancangan tampilan halaman data tinggi permukaan air 38

Gambar 3.10 Rancangan tampilan halaman prediksi 39

Gambar 3.11 Rancangan tampilan halaman hasil prediksi 40 Gambar 3.12 Rancangan tampilan halaman profil administrator 41 Gambar 3.13 Rancangan tampilan halaman pengaturan data tinggi permukaan air 42 Gambar 3.14 Rancangan tampilan halaman pengaturan parameter 43

Gambar 4.1 Hasil pengujian halaman home 45

Gambar 4.2 Hasil pengujian halaman data tinggi permukaan air 46

Gambar 4.3 Hasil pengujian halaman prediksi 47

Gambar 4.4 Hasil pengujian halaman hasil prediksi 48 Gambar 4.5 Hasil pengujian halaman profil administrator 49 Gambar 4.6 Hasil pengujian halaman pengaturan data tinggi pengaturan tinggi

permukaan air 50

Gambar 4.7 Hasil pengujian halaman pengaturan parameter 51

Gambar 4.8 Grafik Hasil Pelatihan 62

Gambar 4.9 Grafik Pelatihan nilai error 67