JURUSAN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS UDAYANA DENPASAR

Transkripsi

1

2 Jurnal ILMU KOMPUTER Volume 7 Nomor 1, Aprl 2014 Daftar Is : PURWARUPA APLIKASI PERANGKAT BERGERAK UNTUK ALIHBAHASA KALIMAT BAHASA INGGRIS KE BAHASA BALI MENGGUNAKAN PENDEKATAN BERBASIS ATURAN Ngurah Agus Sanjaya ER, Agus Mulantara PENERAPAN JARINGAN SYARAF TIRUAN DALAM PRAKIRAAN HUJAN HARIAN DI DAERAH KUTA SELATAN PROVINSI BALI Ida Bagus Gede Bayu Pryanta, I Gede Sant Astawa ANALISA HUBUNGAN FREKUENSI DASAR ANTAR BILAH GAMELAN GANGSA PADA HASIL SINTESIS MENGGUNAKAN METODE MODIFIED FREQUENCY MODULATION Dewa Made Sr Arsa, I Made Wdartha, Agus Mulantara ANALISIS DAN PERBANDINGAN TEKNIK WATERMARKING CITRA DIGITAL MENGGUNAKAN METODE BLOCK BASED DCT DAN LSB I Dewa Made Bayu Atmaja Darmawan PENGEMBANGAN PENGKLASIFIKASI JENIS TANAMAN MENGGUNAKAN PENDEKATAN BACKPROPAGATION DAN NGUYEN-WIDROW Agus Mulantara, Ngurah Agus Sanjaya ER PROTOTIPE SISTEM IDENTIFIKASI KUNJUNGAN WISATAWAN DI BALI BERBASIS RFID (RADIO FREQUENCY IDENTIFICATION ) I Made Wdh Wrawan SISTEM INFORMASI GEOGRAFIS OBYEK WISATA BALI BERBASIS APLIKASI MOBILE DENGAN REPRESENTASI DATA SPASIAL MENGGUNAKAN XML SVG Ida Bagus Gede Dwdasmara JURUSAN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS UDAYANA DENPASAR

3

4 SUSUNAN DEWAN REDAKSI JURNAL ILMU KOMPUTER Jurusan Ilmu Komputer Fakultas Matematka dan Ilmu Pengetahuan Alam Unverstas Udayana Ketua Agus Mulantara, S.Kom, M.Kom Penyuntng Drs. Wayan Santyasa, M.S Ngurah Agus Sanjaya, S.Kom, M.Kom Cokorda Ra Ad Paramarta, S.T, M.M Ida Bagus Gede Dwdasmara, S.Kom.M.Cs Penyuntng Tamu Imas Stanggang, S.S, M.Kom (IPB) Ir. A.A. Gede Raka Dalem, M.Sc (Hons) Prof. Peter Hartel (Twente Unversty) Pelaksana I Made Wdartha, S.S, M.Kom Dra. Luh Gede Astut, M.Kom Gede Sant Astawa, ST, M.Cs Ida Bagus Mahendra, S.Kom, M.Kom Alamat Redaks Jurusan Ilmu Komputer Fakultas Matematka dan Ilmu Pengetahuan Alam Unverstas Udayana Kampus Bukt Jmbaran Badung Telpon Emal : journal@cs.unud.ac.d Webste : ISSN :

5 Vol. 7, No.1, Aprl 2014 ISSN PENERAPAN JARINGAN SYARAF TIRUAN DALAM PRAKIRAAN HUJAN HARIAN DI DAERAH KUTA SELATAN PROVINSI BALI Ida Bagus Gede Bayu Pryanta, I Gede Sant Astawa Jurusan Ilmu Komputer, FMIPA, Unverstas Udayana E-mal :sant.astawa@cs.unud.ac.d Abstrak Prakraan cuaca haran dapat dpengaruh oleh beberapa faktor, yatu pada suhu udara (temperatur), curah hujan (endapan), kelembapan udara (humdty), tekanan udara, serta arah dan kecepatan angn. Jarngan Syaraf Truan (JST) merupakan algortma yang secara umum sangat bak dalam permasalahan pengenalan pola. JST bekerja dengan menrukan jarngan syaraf manusa yang secara umum terdr dar jutaan smpul, dan setap smpul dapat menympan nformas-nformas khusus untuk membentuk sebuah tujuan dar sstem syaraf tersebut. Sehngga jumlah smpul (neuron) yang optmal pada sebuah jarngan JST serng menjad pertanyaan yang mendasar. Dar peneltan yang dlakukan, algortma JST untuk prakraan cuaca d wlayah Kuta Selatan, Bal yang drancang memlk sebuah layer tersembuny, memlk nla RMSE yang terkecl ketka jumlah neuron pada lapsan tersembuny berjumlah 8 neuron. Nla RMSE n ddapatkan saat jarngan mempelajar data peramalan tahun 2012 dan tahun 2013, dengan nla RMSE 0,098. Dan dar hasl pengujan menggunakan data peramalan d tahun 2014, ddapatkan akuras jarngan JST tersebut mencapa nla 72,45% Kata Kunc : Prakraan cuaca, JST, Neuron Abstract Daly weather forecast can be nfluenced by several factors, namely the temperature of the ar (temperature), ranfall (sedment), humdty of the ar (humdty), ar pressure, and wnd speed and drecton. Artfcal Neural Network (ANN) algorthm s generally very good at pattern recognton problems. JST works smulate human neural networks generally consst of mllons of vertces, and each node can keep a nformaton for the purpose of formng a neural system s. As the number of vertces (neurons) n an optmal network ANN has always been a fundamental queston. From the analyss done, the ANN algorthm to forecast the weather n the provnce of South Kuta, Bal planned has a hdden layer, has the smallest RMSE when the number of neurons n the hdden layer of 8 neurons. RMSE values are obtaned when the network learned forecastng data of 2012 and 2013, wth the RMSE And the test results usng data predcton n 2014, obtaned the accuracy of the ANN network reaches 72.45% Key word : forecast, ANN, Neuron PENDAHULUAN 1. Latar Belakang D daerah parwsata sepert Bal, kapan saja merupakan waktu yang tepat untuk berwsata dan menghabskan waktu bersama keluarga. Penghaslan terbesar para penyeda lokas wsata adalah ketka lokas mereka dkunjung banyak turs. Lokas wsata bas saja menjad sep pengunjung ketka hujan turun. Hal n yang menyebabkan banyaknya permntaan akan ramalan hujan setap harnya d BMKG wlayah III. Prakraan hujan haran menggunakan data satu har yang lalu untuk meramal cuaca satu har kedepan. Prakraan hujan haran n mengandalkan pengalaman forecaster dalam membaca pola data curah hujan arah angn dan kelembapan udara serta beberapa unsur cuaca lannya. Serng berkembangnya teknolog, peluang teknolog nformas (TI) untuk merambah ke semua bdang sangat besar. Pada bdang meteorolog msalnya dapat daplkaskan algortma pengenalan pola sepert jarngan syaraf truan sebaga algortma dalam pembuatan system pendukung keputusan prakraan hujan haran. Jarngan Syaraf Truan (JST) merupakan algortma yang secara umum sangat bak dalam permasalahan pengenalan pola. Namun pola cuaca bukanlah pola yang dapat dpelajar secara sederhana, dsebabkan oleh banyaknya faktor dan aturan yang mempengaruh cuaca d suatu daerah. Penggunaan algortma JST memungknkan sstem mempelajar hubungan

6 Pryanta, Astawa, Penerapan 8 antara faktor-faktor yang mempengaruh cuaca berdasarkan data-data yang pernah terjad, JST dkenal dengan kemampuan beradaptas yang sangat bagus, mempunya tolerans kesalahan yang tngg sehngga dapat daplkaskan pada data yang bersfat nosy. Yunar, S., & Setyawat, 2013 melakukan prakraan cuaca d Bandara Abdurahman Saleh dengan menggunakan algortma JST dan menghaslkan nla Mean Square Error terbak pada prakraan cuaca tahun Begtu pula peneltan Pangestut, D., & Rdok, 2013 yang menunjukkan kesuksesan pelathan JST yang drancangnya pada prakraan cuaca d kota Malang mencapa nla akuras 79,6%. Namun dalam peneltan-peneltan tersebut belum dkemukakan bagamana pengaruh jka jumlah neuron yang pada lapsan tersembuny dtambah, apakah jumlah neuron pada layer tersembuny dapat mempengaruh hasl pelathan JST. Selanjutnya dlakukan peneltan penggunaan algortma JST pada prakraan cuaca dengan mengambl stud kasus wlayah kuta selatan. Dalam peneltan n juga akan dlakukan analss statstk (SPSS) dalam pemlhan tga ftur yang berpengaruh palng sgnfkan dalam perubahan jumlah curah hujan d daerah kuta selatan provsns Bal. 2. Identfkas Masalah JST bekerja dengan menrukan jarngan syaraf manusa yang secara umum terdr dar jutaan smpul, dan setap smpul dapat menympan nformas-nformas khusus untuk membentuk sebuah tujuan dar sstem syaraf tersebut. Sehngga jumlah smpul (neuron) yang optmal pada sebuah jarngan JST serng menjad pertanyaan yang mendasar. Dsampng tu dar beberapa referens, penelt belum menemukan teor mengena jumlah layer tersembuny maupun jumlah neuron pada layer tersembuny yang bak. Sehngga tujuan dar peneltan n adalah untuk mengetahu pengaruh jumlah node dalam satu hdden layer pada kasus prakraan cuaca d wlayah Kuta Selatan, Bal. TINJAUAN PUSTAKA 1. Jarngan Syaraf Truan Menurut (Peterson & Rognvaldsson, 1991) pada jurnalnya yang berjudul An Introducton to Artfcal Neural Network, jarngan syaraf truan memlk tga lapsan utama yatu lapsan nput, hdden dan output. Ketga lapsan n dhubungkan dan setap data yang berpndah harus melewat jalur yang memlk nla bobot. Perhtungan akhr akan menghaslkan nla pada lapsan output. Input Layer atau lapsan masukan adalah lapsan yang akan menangan seluruh parameter yang akan dgunakan. Parameter n dapat berbentuk blangan asl ataupun blangan bner (0 dan 1) dan bpolar (1, 0 dan -1). Lapsan nput n akan mengrmkan nla menuju lapsan tersembuny dengan melewat masng-masng bobot untuk dproses lebh lanjut. Lapsan nput memlk node sejumlah dengan parameter yang dtetapkan, jad masng-masng node akan memuat satu nla dar parameter yang dwaklnya. Hdden Layer atau layer tersembuny berfungs sebaga penambahan operas logka dalam jarngan syaraf truan. Jumlah hdden layer mengakbatkan bertambahnya proses komputas yan terjad ddalam sstem jarngan namun tdak menjamn menngkatkan kemampuan jarngan dalam melakukan proses pembelajaran. Masng-masng lapsan (nput, hdden dan output) akan memlk node masng-masng. Jumlah node pada lapsan nput akan berbeda dengan jumlah node pada lapsan output. Hal n dkarenakan jumlah node pada lapsan nput akan mengkut jumlah parameter atau ftur yang dgunakan. Sementara jumlah node pada lapsan output akan menyesuakan dengan jumlah keluaran yang dngnkan. Output Layer merupakan lapsan yang mengeluarkan hasl akhr dar perhtungan dalam jarngan. Lapsan n mengeluarkan nla, nla n dapat berupa blangan bner atau bpolar. 2. Prakraan Hujan Haran Banyak hal yang mempengaruh perubahan cuaca yang terjad d sektar kta. Menurut Bayong (Tjasyono, 2004) ada beberapa hal yang dapat mempengaruh unsur yang berperan d dalam terjadnya perubahan cuaca sehar-har yatu radas matahar, daerah darat dan peraran, selang tekanan tngg dan rendah, massa udara, pegunungan, arus laut dan bada sklonk. Hal-hal tad akan memberkan pengaruh pada unsur cuaca yatu pada suhu udara (temperatur), curah hujan (endapan), kelembapan udara (humdty), tekanan udara, serta arah dan kecepatan angn. Bagan pengaruh dar kendal klm terhadap unsur klm sehngga menghaslkan jens cuaca dtunjukkan pada gambar 1. Gambar 1. Hubungan Unsur Iklm dengan Kendal Iklm Sumber : Buku Klmatolog (Tjasyono, 2004)

7 9 Jurnal Ilmu Komputer Vol.VII, No. 1, Aprl 2014, hlm.7-11 Temperatur udara atau suhu udara merupakan salah satu unsur cuaca yang mengambl andl besar dalam mempengaruh perubahan cuaca d permukaan bum. Menurut buku Klmatolog (Tjasyono, 2004) untuk mendapatkan suhu udara dalam satu har dapat menggunakan persamaan untuk mencar rata-rata sepert yang durakan pada persamaan. T=... (1) Suhu udara dkatakan sangat berpengaruh karena suhu udara memcu terjadnya penguapan ar d permukaan bum ke atmosfer. Tekanan udara merupakan berat sebuah kolom udara persatuan luas d atas sebuah ttk (Tjasyono, 2004). Tekanan udara basanya berbandng terbalk dengan ketnggan. Semakn tngg dar permukaan bum maka tekanan akan semakn rendah dkarenakan udara yang berada d permukaan bum mendapat tekanan dar massa udara yang ada pada ketnggan yang lebh tngg. Pada bdang forecastng, jka terjad perubahan tekanan yang sgnfkan dalam satu har maka dpastkan akan turun hujan. Tekanan udara juga mengambl peran terhadap perubahan dan kecepatan arah angn. Udara dapat berubah menjad uap ar dalam beberapa bentuk yang berbeda. Uap ar dapat terbentuk sebaga embun jka udara berada datas ttk beku dan dbawah ttk embun. Udara dapat menjad embun akbat terkena suhu udara dngn pada malam har akbat hlangnya radas matahar. Uap ar juga dapat terbentuk sebaga kabut. Secara struktur kabut dan awan tdak berbeda jauh, perbedaan terjad dalam proses pembentukan dan lokas terjadnya (Tjasyono, 2004). Kabut terjad jka banyak embun yang terbentuk d permukaan bum sehngga menyebabkan adanya butr ar yang mengapung d permukaan bum. Kabut dapat dbedakan berdasarkan efek jarak pandangnya (Tjasyono, 2004), penggolongan kabut dapat dlhat pada tabel 1. Sumber : Klmatolog (Tjasyono, 2004) Tabel 1 Penggolongan kabut berdasarkan jarak pandang Golongan Kabut Padat Kabut Tebal Kabut Kabut Sedang Kabut Tps Benda tdak terlhat pada jarak 45 m 180 m 450 m 900 m 1800 m Sementara awan merupakan ttk ar yang terbentuk jka udara menjad dngn secara adabatk melalu udara yang nak dan mengembang. Banyaknya awan d langt dapat dhtung dengan menggunakan persen namun pada BMKG dnyatakan dengan perdelapanan. Jad langt akan dbag menjad delapan dan akan dhtung berapa bagan langt yang tertutup awan, semsal langt penuh dengan awan maka akan dnyatakan dengan skala 8/8. Jka langt cerah maka akan dnyatakan dengan skala 0/8. METODELOGI PENELITIAN 1. Pemlhan Ftur Ftur yang dsedakan dalam dataset Ogmet.com adalah temperature udara maksmum, temperature udara mnmum, temperature udara rata-rata, ttk embun, kelembaban udara, arah dan kecepatan angn, jumlah total awan dlangt, ntenstas cahaya matahar, curah hujan, tekanan udara permukaan serta jarak pandang. Pada peneltan n akan dplh ftur yang palng sgnfkan. Pemlhan ftur ddasar proses analsa statstk yang dlakukan dengan menggunakan dataset selama dua tahun. Analsa statstk yang dgunakan adalah analsa regres lnear berganda untuk mengetahu pengaruh suatu varable terhadap nla varable lannya, dalam hal n varable tujuan adalah curah hujan. Dar hasl analsa menggunakan data selama dua tahun (2013 dan 2012) dengan bantuan aplkas SPSS akan dcar formula untuk menentukan jumlah curah hujan yang terjad berdasarkan 11 faktor datas. Formula yang akan dhaslkan memlk notas dasar sebaga berkut : Y 596,99 0,581x 3,88x 4 1,814x 0,993x 8 5 0,948x 9 1 0,449x 0,071x 6 0,294x ,229x 0,699x 7 0,039x Dar persamaan tad dapat dlhat varabel yang memlk tngkat sgnfkans palng tngg (bak bernla postf maupun negatf) adalah varabel X3, X4, dan X8. X3 merupakan suhu rata-rata (Temp avg.) kemudan X4 merupakan ttk embun rata-rata (Td avg.) dan X8 adalah jumlah awan. 2. Perancangan Struktur Jarngan Syaraf Truan Jarngan syaraf truan yang dgunakan pada peneltan n adalah jarngan syaraf truan 11 3

8 Pryanta, Astawa, Penerapan 10 dengan satu hdden layer, satu nput layer dan satu output layer. 1, 2, 3, sampa 10, ddapatkan data RMSE pada proses pelathan sepert gambar 3. Gambar 2. Struktur dasar jarngan syaraf truan Pada tap-tap layer akan terdapat node. Jumlah node pada nput layer sesua dengan jumlah ftur yang akan dgunakan yatu sebanyak tga ftur. Jumlah node pada output layer adalah satu karena akan menandakan kelas 1 dan 0 saja. Jumlah node pada hdden layer bersfat dnams. Struktur dasar JST yang akan dgunakan dapat dlhat pada gambar 7.1. Jumlah node pada hdden layer dmula dar 4 buah dan akan bertambah setelah mendapatkan satu solus optmal hngga berjumlah 10 node. 3. Akuras Sstem Akuras merupakan ketepatan sstem dalam meramal secara keseluruhan. Sepert yang telah djelaskan oleh The Centre for Australan Weather and Clmate Research, untuk melakukan verfkas prakraan cuaca dapat menggunakan beberapa persamaan Thread Score (ketepatan sstem dalam meramal terjadnya hujan). Thread Score dapat dhtung menggunakan persamaan (3). Bas merupakan penanda karakterstk sstem, dmana jka ndex bas > 1 artnya sstem over forecast atau cenderung mengatakan hujan sementara jka ndex bas < 1 artnya sstem under forecast atau cenderung mengatakan cerah. Index bas dapat dhtung menggunakan persamaan (4). hts...(3) TS hts msses false alarms bas hts hts false alarms msses HASIL DAN PEMBAHASAN...(4) Dengan menerapkan jarngan JST yang memlk jumlah neuron pada lapsan tersebuny sebanyak Gambar 3. Hasl RMSE pelathan JST dengan 10 tpe jumlah neuron Dar data RMSE yang terjad pada proses pelathan, dapat dtark sebuah kesmpulan bahwa RMSE terbak dmlk oleh jarngan JST dengan 8 neuron pada lapsan tersembuny yatu 0,098. Dengan menggunakan data pengujan yatudata prakraan cuaca pada tahun 2013 akhr sampa awal tahun 2014, ddapatkan akuras peramalan sebesar 72,45% KESIMPULAN DAN SARAN Algortma JST untuk prakraan cuaca d wlayah Kuta Selatan, Bal yang drancang memlk sebuah layer tersembuny, memlk nla RMSE yang terkecl ketka jumlah neuron pada lapsan tersembuny berjumlah 8 neuron. Nla RMSE n ddapatkan saat jarngan mempelajar data peramalan tahun 2012 dan tahun 2013, dengan nola RMSE 0,098. Dar hasl pengujan menggunakan data peramalan d tahun 2014, ddapatkan akuras jarngan JST tersebut mencapa nla 72,45%. Pada peneltan selanjutnya perlu danalsa lebh lanjut bagamana hubungan antara pemlhan jumlah dan jens faktor yang akan dgunakan dalam algortma JST, serta pengoptmalan tahap pembelajaran JST sehngga dapat memperbak RMSE pelathannya. DAFTAR PUSTAKA Bhandarl, D., Murthy, C. A., & Pal, S. K. (2012). Varance as a Stoppng Crteron for Genetc Algorthms. Fundamenta Informatcae, Gallagher, K., & Sambrdge, M. (1994). Genetc Algorthms : A Powerfull Tool For Large- Scale Nonlnear Optmzaton Problems. Computer and Geoscence, Pangestut, N. A., Dew, C., & Rdok, A. (2013). Implementas Pelathan Jarngan Syaraf

9 11 Jurnal Ilmu Komputer Vol.VII, No. 1, Aprl 2014, hlm.7-11 Truan dengan Algortma Genetka Untuk Peramalan Cuaca. Jurnal Ilmu Komputer Unverstas Brawjaya, 1-8. Peterson, C., & Rognvaldsson, T. (1991). An Introducton to Artfcal Neural Network. Departement of Theoretcal Physc, PS, D., & Subagyo, P. (1986). Statstk Induktf. Yogyakarta: BPFE. Razal, N. M., & Geraghty, J. (2011). Genetc Algorthm Performance wth Dfferent Selecton Strateges n Solvng TSP. World Congress on Engneerng, Thede, S. M. (2004). An Introducton to Genetc Algorthms. Journal Computng Scence n Collage Volume 20, Tjasyono, B. (2004). Klmatolog. Bandung: ITB. Yunar, R. J., S., D. R., & Setyawat, O. (2013). Perbakan Metode Prakraan Cuaca Bandara Abdulrahman Saleh dengan Algortma Neural Network Backpropagaton. EECCIS,