PERANCANGAN PREDIKTOR KETINGGIAN GELOMBANG DI PERAIRAN SUMATERA-JAWA BERBASIS ARTIFICIAL NEURAL NETWORK

Transkripsi

1 Yogakarta, 28 Maret 2015 PERANCANGAN PREDIKTOR KETINGGIAN GELOMBANG DI PERAIRAN SUMATERA-JAWA BERBASIS ARTIFICIAL NEURAL NETWORK Illa Rzanza 1, Aula St Asjah 2 1 Jurusan Teknk Fska, Fakultas Teknolog Industr, Insttut Teknolog Sepuluh Nopember Kampus ITS Keputh, Sukollo, Surabaa 60111, Jawa Tmur 2 Jurusan Teknk Fska, Fakultas Teknolog Industr, Insttut Teknolog Sepuluh Nopember Kampus ITS Keputh, Sukollo, Surabaa 60111, Jawa Tmur Emal: rzanza@ahoo.co.d, aulasa20@gmal.com ABSTRAKS Peraran Sumatera Jawa merupakan salah satu jalur padat pelaaran bak pelaaran domestk maupun nternasonal, sehngga menebabkan angka kecelakaan cukup tngg. Kecelakaan transportas laut sebesar 43.6% dsebabkan karena faktor alam sedangkan 56.4% dsebabkan karena faktor tekns dan manusa. Pada peneltan n dlakukan predks ketnggan gelombang d Peraran Sumatera Jawa pada tga ttk, dantarana ttk 1: 5 55'29.03"LS '42.88"BT; ttk 2: 3 13'51.03"LS 107 4'19.55"BT dan ttk 3: 0 37'32.06"LS '53.11"BT. Perancangan predktor ketnggan gelombang h+1 dlakukan dengan menggunakan Artfcal Neural Network algortma backpropagaton. Predktor n terdr dar tga masukan atu ketnggan gelombang pada saat h (m), kecepatan angn (m/s) dan arah angn (derajat). Hasl predks dperoleh nla RMSE terbak pada ttk 1 sebesar 0.070; ttk 2 sebesar dan ttk 3 sebesar dengan arstektur jarngan pada lapsan masukan, tersembun dan keluaran pada setap ttk masng-masng adalah ttk 1(3, 13, 1); ttk 2(3, 4, 1); ttk 3 (3, 6, 1). Kata Kunc: ketnggan gelombang, kecepatan angn, arah angn, backpropagaton ABSTRACT Sumatera Java Sea s one of the busest shp traffc, both of domestc and nternatonal shppng. Rate of shp accdent s hgh. 43.6% s caused b natural dsaster, 56.4% s caused b techncal and human error. Ths research predcts wave heght n Sumatera Java Sea. There are three ponts of observaton, pont 1 s 5 55'29.03"LS '42.88"BT; pont 2 s 3 13'51.03"LS 107 4'19.55"BT, and pont 3 s 0 37'32.06"LS '53.11"BT. Ths research uses Artfcal Neural Network methode wth backpropagaton algorthm. The predctor conssts of three nputs. The are wave heght, wnd speed, and wnd drecton. RMSE of ths predcton are pont ; pont ; and pont Ths network archtecture are consst of nput laer, hdden laer, output laer at each pont are pont 1 (3, 13, 1); pont 2(3, 4, 1); pont 3 (3, 6, 1). Kewords: wave heght, wnd speed, wnd drecton, backpropagaton 1. PENDAHULUAN 1.1 Pendahuluan Indonesa merupakan negara kepulauan ang memlk ndustr pelaaran dan menjad salah satu nfrastruktur negara ang menggerakkan dan menngkatkan perekonoman. Peraran Sumatera Jawa merupakan salah satu jalur padat pelaaran bak pelaaran domestk maupun pelaaran nternasonal, sehngga potens terjadna kecelakaan cukup tngg. Menurut Drektorat KPLP Dtjen Hubla dalam kurun waktu 5 tahun mula tahun 2007 sampa 2011 sebanak 43,6% kecelakaan laut dsebabkan karena faktor alam; 28,9% dsebabkan karena faktor tekns dan 27,5% dsebabkan karena faktor manusa. Sehngga nformas tentang konds cuaca laut terkn sangatlah dperlukan, terutama nformas mengena ketnggan gelombang ang serng menjad penebab terjadna kecelakaan. Kajan tentang predks cuaca laut selalu dlakukan terus-menerus untuk mendapatkan model predktor ang sesua dengan konds d peraran Indonesa. Hal nlah ang mendorong kajan tentang predks cuaca laut perlu dkembangkan untuk mendapatkan hasl predks ang akurat. Sampa saat n telah banak dlakukan peneltan mengena peramalan cuaca laut dengan menggunakan metode kepakaran Artfcal Neural Network (Humng&Shengrong, 1992; Kamranzad et al, 2011; Km, 2012). Metode Artfcal Neural Network membutuhkan waktu komputasonal ang tdak terlalu lama dan merupakan metode komputas ang cocok untuk pemodelan gelombang (Deo&Nadu, 1999; Agrawal&Deo, 2002; Makarnsk, 2004; Eternad-Shahd&Mahjoob, 2009). Dsampng tu predks cuaca laut dengan menggunakan 315

2 Yogakarta, 28 Maret 2015 Artfcal Neural Network lebh akurat jka dbandngkan dengan Auto Regressve Model (Deo&Nadu, 1999; Jan&Deo, 2006). Peneltan n merancang predktor ketnggan gelombang laut h+1 d Peraran Sumatera-Jawa ang merupakan jalur padat pelaaran dengan menggunakan metode kepakaran Artfcal Neural Network. Peneltan n dharapkan dapat menghaslkan model predktor ang mampu mempredks ketnggan gelombang secara akurat dmana nformas ketnggan gelombang sangat dperlukan dalam pelaaran guna mengurang angka kecelakaan transportas laut. 1.2 Tnjauan Pustaka Gelombang Laut Gelombang laut dbedakan berdasarkan pembangktna menjad beberapa macam dantarana adalah gelombang ang dbangktkan oleh angn ang mengena permukaan ar laut; gelombang pasang surut ang dbangktkan oleh gaa tark benda langt terutama matahar terhadap bulan dan bum; dan gelombang tsunam ang dbangktkan oleh letusan gunung berap atau gempa d laut. Tetap dalam teknk panta, gelombang ang dakbatkan oleh angn adalah ang palng pentng dan serng terjad. Gelombang merupakan varabel laut ang kompleks dan memk karakterstk ang berbeda-beda sehngga memerlukan analss secara statstk (Tratmodjo, 1999; Castr, 2014). Gelombang ang palng berpengaruh dalam duna pelaaran adalah gelombang H 1/3 (Answorth, 2011). H 1/3 merupakan rata-rata 33.3% gelombang tertngg dar pencatatan gelombang. H 1/3 n dsebut juga ketnggan gelombang sgnfkan, dmana H 1/3 n adalah varabel ang sangat berpengaruh terhadap kelaakan pelaaran Angn Angn merupakan udara bergerak ang dsebabkan karena adana rotas bum dan perbedaan tekanan udara dsektarna. Perbedaan tekanan udara n dsebabkan oleh ketdaksembangan pemanasan cahaa matahar terhadap tempat-tempat d bum. Arah pergerakan angn n bergerak dar tempat ang bertekanan tngg menuju tempat ang bertekanan rendah. Dsampng memlk kecepatan, angn juga memlk arah ang dnatakan dalam satuan derajat. Sedangkan fetch merupakan daerah dmana kecepatan dan arah angn berada dalam keadaan konstan. Fetch n berpengaruh terhadap perode dan tngg gelombang ang dbangktkan. Fetch ang besar akan membangktkan gelombang dengan perode ang panjang. Arah angn mash bsa danggap konstan apabla perubahanna tdak lebh dar 15 0 dan kecepatan angn mash danggap konstan jka perubahanna tdak lebh dar 2,5 m/s (Tratmodjo, 1999). Laut Jawa merupakan laut ang memlk kedalaman kurang dar 200 m, dan termasuk dalam Daerah Ekman untuk dstrbus angnna, dmana d daerah tersebut kecepatan dan arah angn berubah sesua elevas karena adana gesekan dengan permukaan laut dan perbedaan temperatur antara ar dan udara Artfcal Neural Network Backpropagaton merupakan suatu algortma pada Artfcal Neural Network ang dapat dgunakan untuk melakukan predks angn dantarana untuk short-term wnd power karena mampu mengurang mean relatve error sektar 8% (Mao&Cao n.d.). Ddalam arstektur backpropagaton, setap unt ang berada dlapsan masukan terhubung dengan setap unt ang ada dlapsan tersembun. Begtu juga untuk lapsan tersembun. Setap unt ang ada dlapsan tersembun terhubung dengan setap unt ang ada dlapsan keluaran. Ouput pada jarngan awal dbandngkan dengan keluaran ang dharapkan dan parameter jarngan dsesuakan dengan error sehngga dapat memnmalkan error. Performans backpropagaton menngkat serng dengan ukuran data ang terseda (Nagahamulla et al, 2012). Gambar 1 Arstektur backpropagaton (Kusumadew, 2004) Gambar 1 menjelaskan tentang arstektur Artfcal Neural Network ang terdr dar 3 neuron pada lapsan masukan atu x1, x2, dan x3; 2 neuron pada lapsan tersembun atu z1 dan z2; dan 1 neuron pada lapsan keluaran atu. Bobot ang menghubungkan x1, x2, dan x3 dengan neuron pertama pada lapsan tersembun 316

3 Yogakarta, 28 Maret 2015 adalah v11, v21, dan v31 ang dnotaskan dengan vj, atu bobot ang menghubungkan neuron nput ke- ke neuron ke-j pada lapsan tersembun. Varabel b11 dan b12 adalah bobot bas ang menuju ke neuron pertama dan neuron kedua pada lapsan tersembun. Bobot ang menghubungkan z1 dan z2 dengan neuron pada lapsan keluaran adalah w1 dan w2. Varabel b2 adalah bobot bas ang menghubungkan lapsan tersembun dengan lapsan keluaran(kusumadew, 2004). Algortma backpropagaton dbag menjad bagan algortma atu algortma pelathan dan aplkas. Pada algortma pelathan dgunakan 3 tahap atu tahap umpan maju pola pelathan masukan, tahap propagas balk error dan tahap pengaturan bobot. Sedangkan pada algortma aplkas hana dgunakan tahap umpan maju. Artfcal Neural Network memlk beberapa keuntungan dantarana mampu dgunakan untuk meramalkan sstem ang nonlner; dapat mempermudah melakukan pemetaan keluaran sstem tanpa melalu proses ang rumt; mampu mempresentaskan nformas selama proses pelathan dan memlk kemampuan untuk mempelajar suatu proses berdasarkan data pelathan. (Nagahamulla et al, 2012) 1.3 Metodolog Peneltan Identfkas Masalah Tahap n dawal dengan proses dentfkas masalah ang melput stud lteratur dan stud lapangan tentang konds cuaca laut d Peraran Sumatera-Jawa. pengamatan n ddasarkan pada spektrum tngg gelombang ang data na dperoleh dar BMKG Martm Perak II Surabaa. Secara global wlaah Peraran Sumatera-Jawa sampa Selat Malaka n memlk perbedaan spektrum tngg gelombang ang tdak terlalu sgnfkan atu dantara 0 sampa 5 m. Sehngga dalam penentuan ttk-ttk pengamblan data pada peneltan n dbatas pada wlaah tersebut. Gambar 2 menjelaskan tentang pembagan ttkttk d Peraran Sumatera-Jawa sebanak 20 ttk. Ttk-ttk tersebut berada dalam koordnat derajat, ment, detk dan selanjutna dkonverskan ke dalam koordnat desmal untuk memudahkan dalam melakukan proses meshng. Penentuan ttk pengamatan dlakukan dengan Fnte Element 2D menggunakan bantuan software ANSYS vers 12.1 ang membag daerah peraran ang sudah dbatas oleh 20 ttk tersebut menjad beberapa elemen atau ang dkenal dengan proses meshng. Proses meshng atu proses pemodelan objek dengan membagna dalam elemen-elemen kecl ang terhubung oleh ttk-ttk (nodes) ang dgunakan oleh elemen-elemen tersebut dan sebaga batas dar objek. Faktor kedalaman laut dabakan dalam proses meshng, karena hana dtnjau dar geometr 2D saja. Metode meshng n menggunakan trangles best splt, tdak terdapat constran boundar Penentuan Koordnat Ttk Pengamatan Gambar 3 Hasl meshng Peraran Sumatera- Jawa Gambar 2 Peraran Sumatera-Jawa Peraran Sumatera-Jawa dtentukan sebanak 20 ttk, dmana ttk-ttk tersebut menjad batas peraran ang akan dtelt. Penentuan wlaah Gambar 3 menjelaskan tentang hasl dar proses meshng atu terdapat jumlah elemen sebanak 245; jumlah node sebanak 289 dan selanjutna akan dambl 3 ttk pengamatan, dmana dar ketga ttk tersebut akan dambl data cuaca laut. Tabel 1 menjelaskan tentang ttk koordnat pengamblan data. Penentuan ketga ttk tersebut berdasarkan pada spektrum tngg gelombang ang menunjukkan perwaklan dar spektrum 317

4 Yogakarta, 28 Maret 2015 tngg gelombang pada Peraran Sumatera-Jawa. Ketga ttk memlk karakter wlaah lautan ang berbeda-beda. Tabel 1 Ttk koordnat pengamblan data Ttk Koordnat '29.03"LS '42.88"BT 3 13'51.03"LS 107 4'19.55"BT 0 37'32.06"LS '53.11"BT Ttk 1 merupakan ttk ang dekat dengan daratan dengan jarak dar daratan Pulau Jawa sebesar 52,5 km. Ttk 1 memlk kedalaman laut sebesar 42 m. Ttk 2 merupakan ttk ang terletak dantara dua pulau atu Kepulauan Bangka Beltung dan Pulau Beltung tepatna 66 km dar Pulau Beltung dan 76.4 km dar Kepulauan Bangka Beltung. Ttk 2 memlk kedalaman laut sebesar 25 m. Ttk 3 merupakan ttk ang berada dlaut lepas dmana memlk jarak ang jauh dar pulau atu km dar Pulau Sumatera dan km dar Pulau Kalmantan. Ttk 3 memlk kedalaman laut sebesar 47 m Pengamblan Data Peneltan n dgunakan data ketnggan gelombang pada saat har h (m), kecepatan angn (m/s), dan arah angn (derajat) selama 2 tahun mula dar tahun 2013 sampa 2014 ang dperoleh dar BMKG Martm Perak II Perancangan Predktor Ketnggan Gelombang Perancangan predktor n dmula dengan tahap normalsas data untuk memudahkan dalam melakukan tranng pada dentfkas Artfcal Neural Network. Berkut merupakan Persamaan (1) normalsas data cuaca : mn (1) max mn dengan : = data setelah dnormalsas = data sebelum dnormalsas mn = data mnmum max = data maksmum Perancangan predktor dengan menggunakan Artfcal Neural Network sepert struktur jarngan pada Gambar 4. Dalam perancangan Artfcal Neural Network dtentukan pula parameter trannng melput penentuan jens fungs aktvas, bobot, neuron pada lapsan tersembun dan jumlah teras. Setelah dperoleh predktor ang memlk RMSE terbak, maka data hasl predks dubah lag ang bernla antara 0 dan 1 kemudan ddenormalsas agar menjad data dengan nla sebenarna dengan menggunakan Persamaan (2) : ( max mn ) mn (2) dengan : = data setelah dnormalsas = data sebelum dnormalsas mn = data mnm = data maksmum max Gambar 4 Struktur jarngan Artfcal Neural Network ketnggan gelombang Analss model Artfcal Neural Network Perancangan predktor ketnggan gelombang menggunakan Artfcal Neural Network algortma backpropagaton dengan masukan ketnggan gelombang pada saat har h (m), kecepatan angn (m/s), arah angn (derajat) (Jan et al, 2011). Keakuratan dar model predks adalah mengena seberapa dekat data hasl predks mendekat data real tme. Analss predktor dlakukan pada parameter Root Mean Square Error (RMSE) (Nagahamulla et al, 2012). RMSE dgunakan untuk menentukan ratarata kesalahan pada model ang telah drancang. Jka nla RMSE ang dhaslkan kecl, maka model ang telah drancang semakn vald dan sebalkna jka nla RMSE besar maka perlu dlakukan tnjau ulang pada model predktor dengan mengubah parameterna. Persamaan (3) merupakan persamaan untuk menentukan nla RMSE : RMSE n 1 ( n dengan : = data hasl observas 0 = data hasl smulas n = jumlah data 0 ) 2 (3) 318

5 Yogakarta, 28 Maret PEMBAHASAN 2.1 Analss Data d Lokas Ttk Pengamblan Data Peneltan n dgunakan data cuaca laut selama 2 tahun mula dar tahun 2013 sampa Data tersebut dgunakan sebaga masukan pada Artfcal Neural Network atu ketnggan gelombang pada h (m), kecepatan angn (m/s) dan arah angn (derajat). Sebelum dlakukan perancangan predktor ketnggan gelombang terlebh dahulu dlakukan uj kecukupan data pada ketga varabel cuaca laut. Uj dlakukan untuk mengetahu apakah data ang dgunakan telah mencukup untuk dproses pelathan pada Artfcal Neural Network ataukah belum mencukup. Data dkatakan telah mencukup apabla nla dar hasl uj kecukupan data lebh besar dar jumlah data hasl pengamatan. Hasl uj kecukupan data pada ketga varabel cuaca laut telah memenuh kecukupan data sehngga data telah sap untuk dproses ke tahap selanjutna untuk dlakukan proses uj korelas antar ketga varabel cuaca laut tersebut. Uj korelas dlakukan untuk mengetahu kuat hubungan antar varabel. 2.2 Analss Karakterstk Peraran Sumatera-Jawa Berdasarkan Data Peraran Sumatera-Jawa ang merupakan daerah Paparan Sunda ang terletak dbagan barat Indonesa. Peraran Sumatera-Jawa termasuk dalam kategor peraran dangkal ang memlk kedalaman dasar laut rata-rata sebesar 130 m. Karakterstk laut secara umum ddasarkan pada kedalaman dasar laut ang dapat damat dar nla gars kontur pada peta batmetr. Berdasarkan data ang dperoleh dar BMKG Martm Perak II Surabaa, ketga ttk pengamatan d Peraran Sumatera-Jawa memlk nla ketnggan gelombang ang berbeda-beda sepert tampak pada Gambar 5. Tabel 2 Uj korelas varabel cuaca laut (R 2 ) Ketnggan Gelombang h (m) Kecepatan angn (m/s) Arah angn ( 0 ) Gambar 5 Grafk ketnggan gelombang d ttk pengamatan Ketnggan Gelombang h+1 (m) Tabel 2 merupakan uj korelas antar varabel cuaca laut. R 2 dsebut juga koefsen determnas dmana koefsen n merepresentaskan tngkat kebakan dar kesesuaan (goodness of ft) persamaan regres. Nla n merupakan persentase varas total dalam varabel terkat ang djelaskan oleh varabel bebas. Nla R 2 berksar antara 0 sampa 1. Varabel ang memlk nla mendekat 1 maka termasuk memlk korelas ang bak dan jka mendekat 0 maka memlk korelas ang kecl. Dar uj korelas tersebut dapat dsmpulkan bahwa hubungan antara ketnggan gelombang dengan kecepatan angn sangatlah kuat karena mendekat nla 1. Sedangkan varabel ketnggan gelombang h dan arah angn memlk nla korelas ang lebh kecl dbandngkan dengan kecepatan angn. Pada peneltan n nla R 2 dgunakan sebaga acuan dalam menentukan varabel masukan pada perancangan predktor Artfcal Neural Network. Gambar 6 Grafk kecepatan angn d ttk pengamatan Gambar 5 menjelaskan tentang besarna ketnggan gelombang d ketga ttk pengamatan pada tahun 2012 sampa Ttk 1 memlk ketnggan gelombang maksmum terbesar dbandngkan dengan ttk 2 dan 3 atu sebesar m. Sedangkan d ttk 2 ketnggan gelombang maksmum na sebesar m dan ttk 3 sebesar m. Gambar 6 menjelaskan tentang kecepatan angn d ttk 1, 2 dan 3 ang memlk tren kecepatan angn ang hampr sama dengan nla kecepatan angn ang berbeda. 319

6 Yogakarta, 28 Maret 2015 Gambar 7 Grafk arah angn d ttk pengamatan Gambar 7 menjelaskan tentang arah angn dketga ttk dmana ttk 3 memlk perubahan arah angn ang sgnfkan dbandngkan dengan ttk 1 dan ttk 2 ang perbedaan arah angn setap har tdak berubah-ubah secara sgnfkan. Berdasarkan Gambar 5, Gambar 6 dan Gambar 7 dapat dsmpulkan bahwa semakn besar kecepatan angn d suatu ttk, maka ketnggan gelombang ang dbangktkan juga semakn tngg. Hal n dsebabkan karena angn ang berhembus datas permukaan ar laut akan memndahkan energna ke ar laut. Kecepatan angn akan menmbulkan tegangan pada permukaan ar laut, sehngga permukaan ar laut ang semula tenang akan terganggu dan tmbul rak gelombang kecl datas permukaan ar laut. Apabla kecepatan angn bertambah, rak akan semakn besar dan apabla berhembus terus akan terbentuk gelombang. Dalam tnjauan pembangktan gelombang d laut, fetch dbatas oleh daratan ang mengellng laut. Ddaerah pembentukan gelombang, gelombang tdak hana dbangktkan dalam arah ang sama dengan arah angn tetap juga dalam berbaga sudut terhadap arah angn. Jad apabla kecepatan angn tngg dan memlk arah angn ang sama dalam artan sudut angn tdak berubah-ubah maka gelombang ang dbangktkan juga akan tngg. Arah angn mash bsa danggap konstan apabla perubahanna tdak lebh dar 15 0 dan kecepatan angn mash danggap konstan jka perubahanna tdak lebh dar 2,5 m/s (Tratmodjo, 1999). D Peraran Sumatera-Jawa khususna Laut Jawa termasuk dalam Daerah Ekman untuk dstrbus angnna, dmana ddaerah tersebut kecepatan dan arah angn berubah sesua elevas karena adana gesekan dengan permukaan laut dan perbedaan temperatur antara ar dan udara. Tabel 3 menjelaskan bahwa pada ttk 3 memlk rata-rata ketnggan gelombang ang tngg dbandngkan dengan ttk 1 dan ttk 2. Hal n dkarenakan ttk 3 terletak d laut lepas ang berhubungan langsung dengan Laut Cna sehngga untuk ketnggan gelombang d ttk 3 n lebh tngg dbandngkan dengan ttk 2 ang berada dantara pulau dan ttk 1 ang berada dekat dengan gars panta. Pada ttk 1 dan ttk 2 besarna ketnggan gelombang n dpengaruh juga oleh faktor cuaca darat dantarana faktor angn dar daratan. Pada ttk 2 ang lokasna terletak dantara 2 pulau memlk ketnggan gelombang ang kecl, hal n dsebabkan karena pulau menghalang dan menebabkan perubahan alran angn, arus laut, dan ketnggan gelombang. Tabel 3 Deskrps statstk ketnggan gelombang d ttk pengamatan Deskrp No Ttk 1 Ttk 2 Ttk 3 Statstk 1 Mean Medan Mode Standard Devaton Kurtoss Skewness Range Mnmum Maxmum Tabel 4 Deskrps statstk kecepatan angn d ttk pengamatan No Deskrp Ttk 1 Ttk 2 Ttk 3 Statstk 1 Mean Medan Mode Standard Devaton Kurtoss Skewness Range Mnmum Maksmum Perbedaaan nla ketnggan gelombang d Peraran Indonesa n berkatan erat dengan pola angn musman ang terjad d Indonesa. Ketka terjad Muson Asa dan Australa, rata-rata ketnggan gelombang lebh tngg dbandng pada masa peralhan dan puncak rata-rata gelombang tertngg terjad pada bulan Januar dan Jul. Rata-rata ketnggan gelombang d wlaah peraran terbuka lebh tngg 320

7 Yogakarta, 28 Maret 2015 dbandngkan dengan peraran antar pulau. Hal n dkarenakan adana perbedaan panjang fetch ang terbentuk d wlaah peraran tersebut. Tabel 4 menjelaskan tentang kecepatan angn d ttk 1 lebh tngg dbandngkan dengan kecepatan angn d ttk 2 sehngga menebabkan ketnggan gelombang d ttk 1 juga lebh tngg dar ketnggan gelombang d ttk 2. Hal n dkarenakan ada daratan pulau dsektar ttk 1 dan 2 sehngga menebabkan kecepatan angn menjad berkurang karena terhalang oleh pulau. Hal n berpengaruh terhadap ketnggan gelombang ang dbangktkan oleh angn. Tabel 5 Deskrps statstk arah angn d ttk pengamatan No Deskrps Statstk Ttk 1 Ttk 2 Ttk 3 1 Mean Medan Mode Standart Devaton Kurtoss Skewness Range Mnmum Maxmum Tabel 5 menjelaskan tentang arah angn d ketga ttk rata-rata arah angn berada pada arah Tenggara sampa ke Selatan. Arah angn d ttk 3 berada pada arah utara karena ttk 3 berbatasan langsung dengan laut lepas tanpa kehalang daratan. 2.3 Analss Perancangan Predktor Ketnggan Gelombang Perancangan predktor ketnggan gelombang dlakukan dengan menggunakan Artfcal Neural Network dengan algortma backpropagaton dan fungs aktvas tangen hperbolk pada setap lapsan tersembun dan lner untuk lapsan keluaran. Penggunaan fungs aktvas n dkarenakan untuk memperoleh error ang kecl pada predks ketnggan gelombang. Penentuan bobot terbak untuk predks ketnggan gelombang dlakukan dsetap ttk 1, 2, dan 3, dmana pembobotan untuk setap ttk memlk nla ang berbeda-beda begtu pula dengan jumlah lapsan tersembun pada setap Artfcal Neural Network d setap ttk juga berbeda-beda sepert terlhat pada Tabel 6. Tabel 6 merupakan arstektur terbak predctor ketnggan gelombang ang menghaslkan nla RMSE ang kecl. Pada ttk 1, nla RMSE terbak ddapatkan pada teras ke 1000 dengan jumlah lapsan tersembun sebanak 13. Pada ttk 2, nla RMSE terbak dperoleh pada teras ke 2000 dengan jumlah lapsan tersembun sebanak 4 dan pada ttk 3 dperoleh nla RMSE terbak pada teras ke 1000 dengan jumlah lapsan tersembun sebanak 6. Penentuan jumlah teras n ddasarkan pada nla RMSE, apabla sudah dperoleh nla RMSE ang terbak, maka secara otomats jumlah teras akan berhent. Penentuan jumlah lapsan tersembun n juga mempengaruh nla RMSE. Semakn banak jumlah lapsan tersembun bukan berart semakn bak nla RMSE na. Untuk tu perlu dlakukan beberapa kal pelathan dalam memperoleh nla RMSE terbak. Berdasarkan Tabel 7 nla RMSE ang palng bak terdapat pada predktor d ttk 3 atu sebesar Tabel 6 Arstektur Artfcal Neural Network Parameter Ttk 1 Ttk 2 Ttk 3 Jumlah Iteras Jumlah lapsan masukan Jumlah lapsan keluaran Jumlah lapsan tersembun Jumlah bas Tabel 7 Perbandngan RMSE setap ttk Ttk RMSE Trannng RMSE Valdas Ttk Ttk Ttk Gambar 8 Valdas ketnggan gelombang d ttk 1 321

8 Yogakarta, 28 Maret 2015 Gambar 9 Valdas ketnggan gelombang d ttk 2 Gambar 10 Valdas ketnggan gelombang d ttk 3 Gambar 8, Gambar 9, Gambar 10 menjelaskan bahwa data valdas mengkut tren data dar BMKG Martm. In menunjukkan bahwa arstektur jarngan Artfcal Neural Network ang sudah drancang mampu melakukan predks dengan bak dlhat dar nla RMSE na. Pada ketnggan gelombang d ttk 1 data valdas ketnggan gelombang maksmum sebesar m dan data BMKG Martm ketnggan gelombang bernla m. Pada ttk 2 data valdas ketnggan gelombang maksmal sebesar m dan untuk data BMKG Martm ketnggan gelombang maksmal sebesar m. Pada ttk 3 data valdas ketnggan gelombang maksmal sebesar m dan untuk data BMKG Martm ketnggan gelombang sebesar m. Adana perbedaan n dpengaruh oleh pembobotan pada saat melakukan trannng dan valdas. Berdasarkan data valdas pada Gambar 8, Gambar 9, Gambar 10 dapat dsmpulkan bahwa ketnggan gelombang terbesar berada pada ttk 1 ang letakna berada 52.5 km dar daratan Pulau Jawa. Hal n dkarenakan kecepatan angn d ttk 1 palng besar dbandngkan dengan kecepatan angn d ttk 2 dan ttk 3. Selan tu faktor letak ttk 1 ang berada tdak jauh dar daratan atu sektar 52.5 km dar Pulau Jawa menebabkan angn ang bertup dar daratan ke laut mempengaruh pembangktkan gelombang, dsampng tu juga fetch dsektar panta juga relatf besar sehngga menebabkan ketnggan gelombang d ttk 1 n palng besar. Konds d ttk 1 n hampr sama dengan konds d ttk 2. Hana saja ttk 2 berada dantara dua pulau ang jarakna 66 km dar Pulau Beltung dan 76.4 km dar Kepulauan Bangka Beltung. Sedangkan ttk 3 berada d laut lepas dmana terletak jauh dr daratan pulau tepatna km dar Pulau Sumatera dan km dar Pulau Kalmantan. Konds n menebabkan angn ang bertup tdak terhalang oleh daratan sehngga mean ketnggan gelombang ang dbangktkan oleh angn lebh besar jka dbandngkan dengan ttk 1 dan ttk 2. Tetap untuk nla maksmal ketnggan gelombang pada ttk 3 n lebh rendah dbandngkan dengan ttk 1 dan ttk 2. Hal n dkarenakan frekuens dar kecepatan angn ang bertup d ttk 3 lebh kecl dar pada d ttk 1 dan KESIMPULAN Berdasarkan analss dan pembahasan, maka dapat dsmpulkan bahwa : 1. Ketnggan gelombang d Peraran Sumatera- Jawa memlk korelas sebesar dengan kecepatan angn dan korelas sebesar dengan arah angn 2. Hasl predks dperoleh nla RMSE terbak pada ttk 1 sebesar 0.070; ttk 2 sebesar dan ttk 3 sebesar dengan arstektur jarngan pada lapsan masukan, tersembun dan keluaran pada setap ttk masng-masng adalah ttk 1(3, 13, 1); ttk 2 (3, 4, 1); ttk 3 (3, 6, 1). PUSTAKA Agrawal, J.D., Deo, M.C., Onlne wave predcton. Marne Structures 15, Answorth, T Sgnfcant Wave Heght. A closer look at wave forecasts. Castro, A et al Performance of Artfcal Neural Networks n nearshore wave power predcton. Appled Soft Computng 23, pp Deo, M.C., Nadu, C.S., Real Tme Wave Forecastng Usng Neural Networks. Ocean Engneerng 26, Etemad-Shahd, A., Mahjoob, J., Comparson between M5 Model Tree and Neural Networks for predcton of sgnfcant 322

9 Yogakarta, 28 Maret 2015 wave heght In Lake Superor. Ocean Engneerng 36, pp Humng, T. & Shengrong, X., Detecton of drecton and wavelength of ocean wave b power spectrum of ocean wave. pp Jan, P., Deo, M.C., Neural networks n ocean engneerng. Internatonal Journal of Shps and Offshore Structures 1. Pp Jan, P. et al., Real tme wave forecastng usng wnd tme hstor and numercal model. Ocean Modellng, 36(1-2), pp Kamranzad, B., Etemad-shahd, A. & Kazemnezhad, M.H., Wave heght forecastng In Daer the Persan Gulf. Ocean Engneerng. 38(1). pp Km, S.Y., A stud of a real-tme storm surge forecast sstem usng a Neural Network At The Sann Coast. Japan. Kusumadew, S., Membangun Jarngan Saraf Truan, Penerbt Graha Ilmu. Yogakarta. Mahjoob, J., Etemad-Shahd, A., Kazemnezhad, M.H., Hndcastng of wave parameters usng dfferent soft computng methods. Appled Ocean Research 30, Makarnsk, O., Improvng Wave Predctons Wth Artfcal Neural Networks. Ocean Engneerng 31, Mao, M. & Cao, Y. Improved fast short-term wnd power predcton model based on superposton of predcted error. Nagahamulla, H.R.K., Ratnaake, U.R. & Ratnaweera, A., An Ensemble of Artfcal Neural Networks n ranfall forecastng. Internatonal Conference on Advances n ICT for Emergng Regons (ICTer2012). pp Tratmodjo, B Teknk Panta. Yogakarta 323