III MODEL SISTEM
3.1 Skema aliran air pada daerah aliran sungai
Gambar 12 di bawah menunjukkan penggambaran suatu skema aliran air di
suatu pegunungan. Skema ini dibangun dari empat lapisan vertikal, dimana dari bagian
atas ke bagian bawah merupakan surface flow aliran permukaan, sub-surface flow
aliran
air peralihan
permukaan, intermediate flow aliran tengah, sub-base
flow aliran peralihan, dan base flow aliran dasar.
Dalam konsep seperti ini, air dapat mengisi setiap lapisan yang berada di
bawahnya, dan juga bisa pergi secara reversibel jika proses penguapan di suatu
lingkungan sangat dominan. Air yang keluar secara horizontal, yang terdiri dari surface
flow aliran permukaan, sub-surface flow aliran peralihan permukaan, intermediate
flow aliran tengah, sub-base flow aliran peralihan, dan base flow aliran dasar.
Untuk skema air seperti di atas telah dilakukan percobaan dan karya ilmiah untuk
menentukkan parameter pada tiap lapisan dengan menggunakan sebuah model tangki
Setiawan B, Fukuda Nakano, 2003.
Gambar 12 Skema aliran air di pegunungan
3.2 Propagasi balik untuk memprediksi ketinggian air
Salah satu bidang dimana propagasi balik dapat diaplikasikan dengan baik adalah
bidang peramalan forecasting. Peramalan yang sering kita dengar adalah peramalan
besarnya penjualan, nilai tukar valuta asing, prediksi besarnya aliran air sungai, dll.
Pernah juga dilakukan karya ilmiah untuk proses peramalan untuk melihat besarnya
nilai kadar gula dalam darah Suwarno, 2010. Dalam karya ilmiah kali ini akan
dilakukan suatu proses peramalan dengan propagasi
balik untuk
memprediksi ketinggian air di suatu daerah aliran sungai.
Secara umum, masalah prediksi atau peramalan
dapat dinyatakan
dengan sejumlah data runtun waktu time series
. Masalahnya
adalah memperkirakan
berapa harga
berdasarkan .
Implementasi dari JST dalam makalah ilmiah ini dilakukan dengan menggunakan
software MATLAB R2010b. Untuk kode program MATLAB R2010b dari jaringan
syaraf tiruan dengan algoritma propagasi balik yang digunakan pada karya ilmiah ini
dapat dilihat pada Lampiran 1.
Langkah-langkah dalam membangun struktur
jaringan syaraf
tiruan untuk
memprediksi ketinggian air di suatu daerah aliran sungai adalah sebagai berikut :
1. Pengumpulan data
Pengumpulan data dilakukan secara sekunder.
Pengumpulan data
yang digunakan mencakup data curah hujan,
data penguapan dan juga data ketinggian air.
Pengumpulan data curah hujan dan penguapan
diambil dari
Badan Meteorologi, Klimatologi dan Geofisika
Stasiun Klimatologi Darmaga, Bogor.
Data curah
hujan Lampiran
2 merupakan akumulasi data harian dari 8
kali pencatatan perharinya, pencatatan dilakukan setiap 3 jam sekali dengan
satuannya adalah . Data penguapan
Lampiran 3 merupakan data harian dari satu kali pencatatan setiap harinya
dengan satuannya adalah . Semua
data diambil pada jam 7 WIB 00.00 GMT, dengan data yang didapat hari ini
merupakan data hari sebelumnya. Pengumpulan
data ketinggian
didapatkan dari Balai Pendayagunaan Sumber Daya Air Wilayah Sungai
Ciliwung – Cisadane, Bogor. Data
ketinggian air Lampiran 4 diambil dari rataan 3 kali pengambilan data pagi,
siang dan sore setiap hari di Bendungan Katulampa, Bogor dengan satuannya
adalah
. Periode pengambilan data berselang
dari awal bulan September 2009 sampai dengan akhir bulan September 2010.
Jumlah data yang digunakan dalam karya ilmiah ini sebanyak 395 data.
2. Transformasi data
Langkah selanjutnya
sebelum melakukan
proses pelatihan
pada jaringan yang akan digunakan untuk
memprediksi adalah transformasi data. Sebab-sebab utama data ditransformasi
adalah agar kestabilan tebaran data dicapai. Selain itu berguna untuk
menyesuaikan nilai data dengan kisaran fungsi aktivasi yang digunakan dalam
jaringan Siang, 2005.
Persamaan yang digunakan untuk transformasi data dalam karya ilmiah ini
yaitu :
19 dengan,
= nilai data setelah ditransformasi = nilai data aktual
= nilai minimum
data transformasi yang diinginkan
= nilai maksimum
data transformasi yang diinginkan
= nilai minimum data aktual keseluruhan
= nilai maksimum data aktual keseluruhan
Siang, 2005 Untuk data curah hujan, penguapan,
dan ketinggian air pada karya ilmiah ini ditransformasikan ke dalam kisaran nilai
0,001 sampai dengan 0,098. Hasil transformasi dari data tersebut tertera
dalam Lampiran 5. 3.
Pembagian data Langkah
selanjutnya setelah
transformasi data adalah pembagian data. Data dibagi menjadi data pelatihan,
pengujian dan validasi. Beberapa komposisi data pelatihan,
pengujian dan validasi yang sering digunakan adalah sebagai berikut :
a. untuk data pelatihan dan
untuk data pengujian dan validasi b.
untuk data pelatihan dan untuk data pengujian dan validasi
c. untuk data pelatihan dan
untuk data pengujian dan validasi. Aspek pembagian data ini harus
ditekankan agar jaringan syaraf tiruan yang kita gunakan mendapat data
pelatihan yang secukupnya dan data pengujian yang dapat menguji kinerja
pelatihan yang dilakukan. Bilangan data yang kurang untuk proses pelatihan akan
menyebabkan jaringan mungkin tidak dapat mempelajari tebaran data dengan
baik. Sebaliknya, data yang terlalu banyak untuk proses pelatihan akan
melambatkan proses pemusatan. Masalah overtraining
data pelatihan
yang berlebihan akan menyebabkan jaringan
cenderung untuk menghafal data yang dimasukan daripada menggeneralisasi.
4. Perancangan struktur jaringan yang
optimum Langkah
selanjutnya setelah
pembagian data
adalah penentuan
bilangan neuron pada lapisan masukan, bilangan lapisan tersembunyi, bilangan
neuron pada lapisan tersembunyi dan bilangan neuron pada lapisan keluaran
yang akan digunakan dalam jaringan.
Dalam karya ilmiah ini digunakan lapisan masukan dengan
neuron, lapisan tersembunyi dan juga dengan
lapisan keluaran dengan neuron.
Dalam karya ilmiah ini digunakan hanya lapisan
tersembunyi, hal
ini dikarenakan arsitektur jaringan yang
digunakan masih sederhana. Penentuan bilangan neuron pada
lapisan tersembunyi
yang terbaik
diperoleh secara trial and error dari simpul sampai
dengan adalah jumlah neuron pada lapisan masukan.
Karena dalam karya ilmiah ini hanya terdapat neuron pada lapisan masukan
maka bilangan neuron pada lapisan
tersembunyi berkisar dari sampai
dengan 4 neuron. 5.
Pemilihan laju pembelajaran dan
momentum Pemilihan laju pembelajaran dan
momentum mempunyai peranan yang penting untuk struktur jaringan yang
akan dibangun. Dalam pembangunan jaringan yang akan digunakan dalam
peramalan, hasil keputusan yang kurang memuaskan dapat diperbaiki dengan
penggunaan laju pembelajaran
dan momentum
secara trial and error untuk mendapatkan nilai bobot yang
paling optimum agar MAPE dan MSE jaringan dapat diperbaiki.
6. Memilih dan menggunakan struktur
jaringan yang optimum Jaringan yang dibangun akan dinilai
keakuratannya. Metode penilaian yang digunakan adalah nilai Percentage Error
PE, Mean Absolute Percentage Error MAPE dan nilai Mean Square Error
MSE. Pendekatan MSE digunakan untuk menilai kinerja jaringan yang
dilatih. Keakuratan model diukur secara relatif berdasarkan nilai MAPE karena
dapat mengenal secara pasti signifikasi hubungan diantara data prediksi dengan
data aktual. Nilai PE, MAPE dan MSE diperoleh dari persamaan di samping ini :
a. Percentage Error PE
20 dengan,
= nilai aktual data ke-i = nilai prediksi data ke-i
b. Mean Absolute Percentage Error
MAPE 21
dengan, = banyaknya
data yang
diprediksi = nilai mutlak dari PE
c. Mean Square Error MSE
22 dengan,
= banyaknya data yang diprediksi = nilai aktual data ke-i
= nilai prediksi data ke-i Makridakis et a1, 1999
Berdasarkan nilai MAPE dan PE yang terendah dari proses pelatihan maka akan
diperoleh jaringan syaraf tiruan yang optimum. Keakuratan dari jaringan syaraf
tiruan ini dilihat dari nilai MAPE, MSE dan PE pada proses pengujian dan validasi.
Semakin kecil nilai MAPE dan MSE maka jaringan syaraf tiruan pun akan semakin
akurat untuk melakukan proses prediksi atau pendugaan terhadap parameter yang kita
inginkan.
IV HASIL DAN PEMBAHASAN
4.1 Menentukan komposisi pembagian data dan parameter-parameter jaringan syaraf