TRANSFORMASI KOORDINAT MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK RESILIENT (Studi Kasus: Daerah Jawa Bagian Barat) SUPRIYANTI

Transkripsi

1 TRANSFORMASI KOORDINAT MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK RESILIENT (Studi Kasus: Daerah Jawa Bagian Barat) SUPRIYANTI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2012

2 TRANSFORMASI KOORDINAT MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK RESILIENT (Studi Kasus: Daerah Jawa Bagian Barat) SUPRIYANTI Sripsi sebagai salah satu syarat untu memperoleh gelar Sarjana Komputer pada Departemen Ilmu Komputer DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2012

3 ABSTRACT SUPRIYANTI. Coordinate Transformation Using Neural Networ Resilient Bac-propagation. Under the supervision of AZIZ KUSTIYO. Genu datum, which is based on Bessel 1841 ellipsoid model, is a local datum used in Indonesia. On the other hand, World Geodetic System 1984 (WGS-84), a datum used in GPS measurement, is commonly used by the rest of the world. Therefore in order, to fully utilize WGS- 84, Genu datum has to be transformed to WGS-84 datum. A model is needed to transform coordinates from Genu datum into WGS-84 datum. This research discusses coordinate transformation using similarity transformation (4-parameter) and Resilient Bac-propagation Neural Networ. Similarity transformation is a traditional method for coordinate transformation. The Resilient Bac-propagation Neural Networ provides a new technology for coordinate transformation. Coordinate transformation in this research is conducted on West Java coordinate data. The data are split into two parts: a third are used as testing data and the rest are used as training data. The test results show that the coordinate transformation using Resilient Bacpropagation Neural Networ can be used as an alternative model to coordinate transform. Keyword: Coordinate Transformation, Genu Datum, Neural Networ, Resilient Bacpropagation, WGS-84Datum`

4 Judul Sripsi Nama NIM : Transformasi Koordinat Menggunaan Jaringan Syaraf Tiruan Propagasi Bali Resilient : Supriyanti : G Disetujui: Pembimbing, Aziz Kustiyo, S.Si, M.Kom NIP Dietahui: Ketua Departemen Ilmu Komputer, Dr. Ir. Agus Buono, M.Si, M.Kom NIP Tanggal Lulus:

5 Bismillaahirrahmaannirrahiim PRAKATA Assalamu alaium Warahmatullahi Wabaraatuh. Alhamdulillah, puji dan syuur penulis ucapan epada Allah Subhanahu wa Ta ala atas nimat iman dan Islam serta arunia yang tida henti-hentinya Ia berian, sehingga penulis dapat menyelesaian penyusunan tugas ahir ini. Selawat dan salam tida lupa saya curahan epada Nabi Muhammad Shallallahu Alaihi wa Sallam. Tulisan ini merupaan tulisan hasil penelitian ahir yang sebelumnya telah penulis lauan. Adapun penyusunan tugas ahir ini bertujuan untu melengapi prasyarat untu menyelesaian studi dan untu mendapatan gelar Sarjana Komputer pada Program Studi Ilmu Komputer, Departemen Ilmu Komputer, Institut Pertanian Bogor. Pada esempatan ini penulis mengucapan terima asih epada semua piha yang telah membantu penulis dalam menyelesaian tugas ahir ini, terutama epada: 1 Ayahanda Ismail, Ibunda Yusmarni, adi Rahmadani serta seluruh eluarga atas doa, cinta, restu, asih sayang, duungan, nasihat, dan perhatian yang diberian epada penulis 2 Bapa Aziz Kustiyo, S.Si, M.Kom selau dosen pembimbing yang telah memberian bimbingan, petunju, dan saran selama penelitian dan penyusunan sripsi ini 3 Dosen penguji Ibu Karlina Khiyarin Nisa, S.Si, M.T, dan Bapa Mushthofa, S.Kom, M.Sc. 4 Bapa Ir. Hafzal Hanief sebagai narasumber yang telah memberian arahan, saran, motivasi, dan semangat selama penelitian dan penyusunan sripsi ini 5 Teman-teman seperjuangan Aan, Fitri, Faza, Manda, Danar, dan Jilly atas erja sama dan bantuannya dalam penyelesaian tugas ahir 6 Teman-teman Ilom angatan 44 atas ebersamaan dan duungannya. 7 Teman-teman Primasista atas ebersamaan, persahabatan, semangat, dan bantuannya. 8 Seluruh Dosen, Staf Pengajar, dan Karyawan Departemen Ilmu Komputer. 9 Kepada semua piha lainnya yang tida bisa ditulisan satu persatu, yang telah memberian bantuan epada penulis. Semoga tulisan ini dapat dipahami dan memberian inspirasi bagi pembacanya dalam mengembangan ilmu pengetahuan yang bermanfaat. Penulis menyadari bahwa tulisan ini masih belum sempurna, arena itu penulis mohon maaf atas segala esalahan. Bogor, Februari 2012 Supriyanti

6 RIWAYAT HIDUP Penulis lahir di Buittinggi pada tanggal 17 Juli Penulis merupaan ana pertama dari dua bersaudara, dari Bapa Ismail dan Ibu Yusmarni. Pada tahun 2007, penulis lulus Seolah Menengah Umum Negeri 1 Kamang Mage, Kab. Agam, Sumatera Barat. Pada tahun yang sama, penulis lulus selesi masu Institut Pertanian Bogor (IPB) melalui jalur USMI pada Program Studi Ilmu Komputer, Faultas Matematia dan Ilmu Pengetahuan Alam. Penulis juga pernah melauan Prati Kerja Lapangan (PKL) di Badan Koordinasi Survei dan Pemetaan Nasional (Baosurtanal) pada tahun 2010.

7 DAFTAR ISI Halaman DAFTAR TABEL... vi DAFTAR GAMBAR... vi DAFTAR LAMPIRAN... vi PENDAHULUAN Latar Belaang... 1 Tujuan Penelitian... 1 Ruang Lingup Penelitian... 1 TINJAUAN PUSTAKA Datum Genu... 2 World Geodetic System 1984 (WGS-84)... 2 Global Positioning System (GPS)... 2 Similarity Transformation... 2 Jaringan Syaraf Tiruan... 3 Jaringan Syaraf Tiruan Propagasi Bali Resilient (JSTPBR)... 3 Mean Square Error (MSE)... 4 METODE PENELITIAN Pengambilan Data... 5 Pemilihan Data... 5 Data Latih dan Data Uji... 6 Pelatihan dengan JSTPBR... 6 Pengujian dengan Menggunaan JSTPBR... 6 Parameter Similarity Transformation... 7 Analisis Hasil... 7 HASIL DAN PEMBAHASAN Karateristi Data... 7 Menentuan Hidden Neuron JST yang Optimal Menentuan Nilai Parameter pada Similarity Ttransformation Perbandingan Nilai MSE Similarity Transformation dan JSTPBR Data Screening Kedua Perbandingan Nilai MSE Similarity Transformation dan JSTPBR Data Screening Ketiga Nilai MSE pada Pemilihan Data dengan Pencilan > 1.96 x Standar Deviasi Perbandingan Nilai MSE Data Screening Ketiga dengan Pencilan > 1 x Standar Deviasi dan Pencilan > 1.96 x Standar Deviasi KESIMPULAN DAN SARAN Kesimpulan Saran DAFTAR PUSTAKA LAMPIRAN v

8 DAFTAR TABEL Halaman 1 Karater JST Hasil pengolahan data awal Nilai MSE data awal Hasil pengolahan data screening pertama Nilai MSE data screening pertama Hasil pengolahan data screening edua Nilai MSE data screening edua Hasil pengolahan data screening etiga Nilai MSE data screening etiga Nilai parameter dan nilai MSE dari data latih dan data uji menggunaan similarity transformation Hasil pengolahan data dengan pencilan > 1.96 x standar deviasi Hasil pengolahan data screening etiga dengan pencilan > 1 x standar deviasi dan pencilan > 1.96 x standar deviasi DAFTAR GAMBAR Halaman 1 Model JST sederhana (Fausett 1994) Grafi fungsi linear Model JST propagasi bali Alur metode penelitian Arsitetur JST Plot data awal Plot data screening pertama Plot data screening edua Plot data screening etiga Alur pemilihan data Rentang nilai dan pada data screening edua Rentang nilai dan pada data screening etiga Perbandingan nilai MSE data latih menggunaan similarity transformation dan JST pada data screening edua Perbandingan nilai MSE data uji menggunaan similarity transformation dan JST pada data screening edua Perbandingan nilai MSE data latih menggunaan similarity transformation dan JST pada data screening etiga Perbandingan nilai MSE data uji menggunaan similarity transformation dan JST pada data screening etiga Nilai MSE data latih pada data screening etiga dengan pencilan > 1.96 x standar deviasi Nilai MSE data uji pada data screening etiga dengan pencilan > 1.96 x standar deviasi DAFTAR LAMPIRAN Halaman 1 Algoritme JST resilient Data awal Data screening pertama Data screening edua Data screening etiga Tabel nilai MSE pada data screening edua Tabel nilai MSE pada data screening etiga Data screening etiga dengan pencilan > 1.96 x standar deviasi Tabel nilai MSE pada data ahir dengan pencilan > 1.96 x standar deviasi vi

9 1 Latar Belaang PENDAHULUAN Informasi loasi ditentuan berdasaran sistem oordinat yang mencaup dalam datum dan proyesi peta. Datum adalah umpulan parameter dan titi ontrol yang mendefinisian ellipsoid referensi yang digunaan serta hubungan geometrinya dietahui, bai melalui penguuran maupun penghitungan. Sistem proyesi peta adalah sistem yang dirancang untu merepresentasian permuaan dari suatu bidang lengung atau spheroid (misalnya bumi) pada suatu bidang datar (Puntodewo et al 2003). Indonesia memilii beberapa datum sebagai sistem referensi pemetaan, yaitu datum Genu, Indonesia Datum 1974, dan Datum Geodesi Nasional 1995 (DGN-95). Datum Genu menggunaan model ellipsoid Bessel 1841 yang ditentuan menggunaan metode triangulasi. Indonesia Datum 1974 menggunaan ellipsoid referensi SNI (Sferoid Nasional Indonesia) dengan pengamatan menggunaan metode Doppler. Seiring dengan emajuan tenologi satelit Global Positioning System (GPS), Indonesia menetapan datum yang digunaan adalah DGN-95. Datum ini ditentuan menggunaan pengamatan GPS dan menggunaan ellipsoid referensi World Geodetic System 1984 (WGS- 84) (Handoo & Abidin 2002). Datum Genu merupaan datum loal yang digunaan di Indonesia dengan menggunaan model ellipsoid Bessel 1841 (Aji & Ristandi 2010). Datum World Geodetic System 1984 (WGS-84) merupaan datum yang digunaan pada sistem penguuran GPS dan bersifat global. Oleh arena itu, agar dapat sepenuhnya memanfaatan WGS-84, Indonesia yang masih menggunaan referensi ellipsoid Bessel 1841 (datum Genu) perlu melauan transformasi datum menjadi datum WGS-84. Berdasaran Turgut (2010), negara-negara yang menggunaan datum yang berbeda sebagai basis oordinat harus melauan transformasi datum menjadi datum WGS-84. Transformasi oordinat merupaan permasalahan yang banya ditemui pada bidang geodesi, pemetaan, photogrammetry, teni survey, dan Geoghraphical Information Science (Felus & Schaffrin 2005). Sebuah model diperluan dalam melauan proses transformasi. Transformasi oordinat menggunaan similarity transformation dan jaringan syaraf tiruan pernah dilauan oleh Lao dan Yi (2006). Penelitian tersebut adalah A Study On Cadastral Coordinate Transformation Using Artificial Neural Networ. Pada penelitian tersebut, dilauan transformasi pada dua sistem oordinat casdatral yaitu TWD97 (Taiwan Datum 1997) dan TWD67 (Taiwan Datum 1967). Lao dan Yi membandingan nilai standar deviasi yang diperoleh jaringan syaraf tiruan (JST) propagasi bali dan similarity transformation. Kinerja transformasi oordinat casdatral TWD67 menjadi TDW97 menggunaan JST propagasi bali lebih bai daripada similarity transformation 4-paremeter dan 6-parameter. Penelitian lain yang pernah dilauan adalah Coordinate Transformation with Neural Networs and with Polynomials in Hungary (Zaletnyi 2004). Pada penelitian tersebut, dilauan transformasi oordinat WGS-84 menjadi EOV (datum yang digunaan di Hungaria) menggunaan JST propagasi bali dan polinomial. Transformasi dengan menggunaan JST propagasi bali lebih efetif digunaan daripada polinomial apabila data yang digunaan berjumlah besar. Transformasi oordinat yang dilauan pada penelitian ini adalah transformasi oordinat menggunaan model jaringan syaraf tiruan propagasi bali resilient pada data daerah Jawa bagian barat. Jaringan syaraf tiruan propagasi bali resilient (JSTPBR) adalah algoritme pelatihan JST yang bai dalam ecepatan onvergen dan tingat aurasinya (Chien & Szu 2010). Algoritme JSTPBR berusaha untu mengeliminasi besarnya efe dari turunan parsial dengan cara hanya menggunaan tanda turunannya saja dan mengabaian besarnya nilai turunan (Kusumadewi 2004). Tujuan Penelitian Penelitian ini bertujuan membuat model jaringan syaraf tiruan propagasi bali resilient (JSTPBR) untu transformasi data oordinat daerah Jawa bagian barat. Ruang Lingup Penelitian Ruang lingup dalam penelitian ini, yaitu: 1 Data yang aan ditransformasi merupaan data oordinat yang mengacu pada datum Genu.

10 2 2 Data oordinat hasil transformasi merupaan data oordinat yang mengacu pada datum WGS Data yang digunaan untu penelitian merupaan data oordinat Jawa bagian barat yang tergabung e dalam UTM 48S. Datum Genu TINJAUAN PUSTAKA Datum Genu merupaan datum loal yang digunaan di Indonesia yang menggunaan model ellipsoid Bessel 1841 (Aji & Ristandi 2010). Datum Genu disebut juga datum Batavia atau datum Jaarta yang merupaan datum untu titi-titi triangulasi Sumatera, Jawa, Bali, Lombo, sampai Nusa Tenggara. Wilayah laut yang menggunaan datum Genu ini adalah Sumatera, Jawa, Bali, sampai Nusa Tenggara. World Geodetic System 1984 (WGS-84) World Geodetic System 1984 (WGS-84) merupaan datum yang digunaan pada sistem penguuran GPS (Turgut 2010). Ellipsoid referensi WGS-84 bersifat global sehingga dapat digunaan dalam ontes global seperti pengamatan geraan lempeng (geodinamia), pengamatan bidang elautan, dan penentuan batas negara di darat dan laut. Datum WGS-84 merupaan eranga acuan yang digunaan oleh departemen pertahanan Ameria untu semua pemetaan, charting, survei, dan ebutuhan navigasi. Datum Indonesia yang menggunaan ellipsoid referensi WGS-84 adalah DGN-95 (Handoo & Abidin 2002). Global Positioning System (GPS) Global Positioning System adalah sistem radio navigasi dan penentuan posisi dengan menggunaan satelit. Sistem ini didesain untu memberian posisi dan ecepatan tiga dimensi dan informasi mengenai watu secara ontinu. Sistem GPS terdiri dari tiga segmen utama, yaitu: segmen angasa (space segmen) yang terdiri dari satelit-satelit GPS, segmen sistem ontrol (control segment) yang terdiri atas stasiun-stasiun pemonitor dan pengontrol satelit, dan segmen pemaai (user segment) yang terdiri dari pemaai GPS termasu alatalat penerima dan pengolah sinyal data GPS (Pratomo 2004). Global Positioning System (GPS) merupaan sistem yang biasa digunaan dalam Geodesi arena memberian informasi mengenai watu dan loasi dengan tingat aurasi yang tinggi sehingga banya digunaan sebagai tehni pemetaan. Datum WGS-84 merupaan datum yang digunaan pada sistem penguuran GPS (Turgut 2010). Similarity Transformation Transformasi oordinat merupaan permasalahan yang banya ditemui pada bidang geodesi, pemetaan, photogrammetry, teni survey, dan Geoghraphical Information Science (Felus & Schaffrin 2005). Transformasi oordinat ini digunaan untu mengonversi data spasial (peta, orthoimage, dan lainnya) dari satu sistem oordinat e oordinat lainnya. Satu set titi ontrol yang digunaan untu memperiraan parameter transformasi diuur dalam dua sistem oordinat. Kebutuhan untu mentransformasi data dari satu eranga referensi geodeti menjadi eranga referensi geodeti lainnya dapat diselesaian dengan menerapan transformasi oordinat (Mitsaai 2004). Terdapat beberapa model transformasi oordinat, salah satunya transformasi 4 parameter, yaitu parameter sala K, rotasi, translasi x 0, dan translasi y 0. Similarity transformation 2D juga dienal dengan transformasi Helmert, dengan rumus sebagai beriut: x t = ax 0 by 0 + x 0 y t = ay 0 + bx 0 + y 0 Transformasi Helmert juga bisa dirumusan dalam bentu matris sebagai beriut: [ ] [ ] [ ] [ ] dengan a = K cos, [ ] [ ] [ ] b = K sin, x 0 dan y 0 = x lama dan y lama, x t dan y t = x baru dan y baru. x 0 = T x dan y 0 = T y Minimal terdapat dua titi untu menentuan nilai parameter. Namun, semain banya titi yang diuur dibutuhan proses penyesuaian dalam menentuan parameter yang terbai adalah dengan metode least square. Metode least square digunaan untu mencari pendeatan urva garis penduga yang paling sempurna dengan cara meminimalan jumlah uadrat selisih jara tega siu-siu

11 3 antara titi oordinat plot data asli dan titi oordinat pada urva regresi untu tiap pasangan x dan y. Similarity transformation dapat diselesaian menggunaan metode least square dengan perhitungan sebagai beriut: [ ] [ ] Jaringan Syaraf Tiruan [ ] Sebuah jaringan syaraf tiruan (JST) adalah sebuah sistem pemrosesan informasi yang mempunyai arateristi serupa dengan jaringan syaraf biologis (Fausett 1994). Jaringan syaraf tiruan merupaan generalisasi dari pemodelan matematis syaraf biologis, berdasaran asumsi bahwa: 1 Pengolahan informasi dilauan oleh elemen-elemen sederhana yang disebut neuron. 2 Sinyal-sinyal disampaian antarneuron melalui suatu hubungan omuniasi. 3 Setiap hubungan omuniasi memilii bobot tertentu yang aan dialian dengan sinyal yang disampaian melalui hubungan tersebut. 4 Setiap neuron memilii fungsi ativasi yang aan menentuan sinyal output terhadap input yang diberian epadanya. Sebagai contoh, neuron Y diilustrasian pada Gambar 1 menerima input dari neuron X 1,..., X n. Bobot pada hubungan dari X 1,, dan Xn e neuron Y adalah w1,, wn. Input untu neuron e Y (y_in) adalah jumlah peralian antara sinyal X 1,, X n dengan bobotnya sebagai beriut : y_in = w 1 x w n x n = Nilai ativasi y dari neuron Y ditentuan oleh fungsi ativasi terhadap input yang diterimanya, y = f(y_in). Fungsi ativasi merupaan fungsi yang menentuan level ativasi, yani eadaan internal sebuah neuron dalam jaringan. Output ativasi ini biasanya diirim sebagai sinyal e semua neuron pada layer di atasnya. Jaringan Syaraf Tiruan Propagasi Bali Resilient (JSTPBR) Propagasi bali merupaan algoritme pembelajaran yang terawasi (supervised learning) dan biasanya digunaan oleh jaringan multilayer untu mengubah bobotbobot yang terhubung dengan semua neuron pada hidden layer (Kusumadewi 2004). Jaringan propagasi bali memilii arateristi sebagai beriut: 1 Jaringan multilayer a Arsitetur yang digunaan adalah jaringan multilayer, yaitu satu input layer, satu output layer, dan satu atau lebih hidden layer. JST propagasi bali dengan satu hidden layer ditunjuan oleh Gambar 2. Pada gambar tersebut, input layer ditunjuan oleh unit-unit X i, sementara output layer ditunjuan oleh unit-unit Y j. Hidden layer ditunjuan oleh unit-unit Z. b Setiap neuron pada suatu layer dalam jaringan propagasi bali mendapat sinyal input dari semua neuron pada layer sebelumnya beserta satu sinyal bias. 2 Fungsi ativasi Salah satu fungsi ativasi yang digunaan adalah fungsi linear (identitas). Fungsi linear memilii nilai yang sama dengan nilai inputnya. Grafi fungsi linear terdapat pada Gambar 2. Fungsi linear dirumusan sebagai beriut: ( ) Gambar 1 Model JST sederhana (Fausett 1994). Gambar 2 Grafi fungsi linear.

12 4 Proses pelatihan jaringan propagasi bali melalui beberapa tahap, yaitu: 1 Feedforward Pada tahap ini, dilauan penghitungan nilai ativasi. Setiap neuron pada hidden layer dan output layer dihitung masingmasing nilai ativasinya sesuai dengan fungsi ativasi yang digunaan. 2 Propagasi bali galat Setiap output neuron menghitung informasi galat antara nilai output yang dihasilan dan nilai target. Informasi galat ini diiriman e layer di bawahnya (propagasi bali galat). 3 Penyesuaian bobot-bobot jaringan Setiap output neuron dan hidden neuron mengubah bias dan bobot-bobotnya sesuai dengan nilai galat. Model JST propagasi bali dengan satu hidden layer ditunjuan pada Gambar 3. Sebelum proses pelatihan dilauan, inisialisasi bobot awal merupaan satu hal yang perlu diperhatian, mengingat nilai bobot awal sangat mempengaruhi inerja ahir jaringan. Inisialisasi bobot awal dapat dilauan menggunaan metode Nguyen- Widrow. 1 1 v 01 X 1... X i... X m v0p v11v 0 v 1 v 1p v i1 vi v ip v m1 vm v mp w 01 w 0j w0n Z 1. w 11 w 1j w 1n Y w 1 w j Y j Z w n... w p1 w pj Z p w pn input layer hidden layer output layer Gambar 3 Model JST propagasi bali. Metode Nguyen-Widrow aan menginisialisasi bobot-bobot jaringan dengan nilai antara -0.5 sampai 0.5, sedangan bobotbobot dari input layer e hidden layer dirancang sedemiian rupa sehingga dapat meningatan emampuan hidden layer dalam melauan proses pelatihan (Kusumadewi 2004). Metode Nguyen- Widrow dilauan dengan menentuan... Y n terlebih dahulu fator pengali (β) yang didefinisian sebagai beriut: ( ) dengan n: jumlah unit input p: jumlah unit hidden emudian inisialisasian bobot-bobot dari input layer e hidden layer ( ) ( ) ( ) dengan V i (old) = nilai aca antara -0.5 sampai 0.5, i = 1, 2,..., m, = 1, 2,..., p, di sisi lain, bobot bias (V 0 ) diinisialisasi antara nilai β sampai dengan β. Jaringan syaraf tiruan propagasi bali resilient adalah algoritme yang bai dalam ecepatan onvergen dan tingat aurasinya (Chien & Szu 2010). Algoritme ini berusaha untu mengeliminasi besarnya efe dari turunan parsial dengan cara hanya menggunaan tanda turunannya saja dan mengabaian besarnya nilai turunan. Tanda turunan ini aan menentuan arah perbaian bobot-bobot. Besarnya perubahan setiap bobot ditentuan oleh suatu fator yang diatur pada parameter yang disebut Fator Nai (FN) atau Fator Turun (FT). Apabila gradien fungsi error berubah tanda dari satu iterasi e iterasi beriutnya, bobot aan berurang sebesar FT. Sebalinya, apabila gradien error tida berubah tanda dari satu iterasi e iterasi beriutnya, bobot aan bertambah sebesar FN. Apabila gradien error sama dengan 0, perubahan bobot sama dengan perubahan bobot sebelumnya (Kusumadewi 2004). Pada awal iterasi, besarnya perubahan bobot diinisialisasian dengan parameter delta0. Besarnya perubahan tida boleh melebihi batas masimum yang terdapat pada parameter deltamax. Apabila perubahan bobot melebihi masimum perubahan bobot, maa perubahan bobot aan di-set sama dengan masimum perubahan bobot. Algoritme JSTPBR dapat dilihat pada Lampiran 1. Mean Square Error (MSE) MSE merupaan salah satu cara untu menghitung esalahan dalam peramalan. Nilai MSE dihitung dengan cara menguadratan hasil esalahan peramalan. Nilai MSE

13 5 memilii beberapa elebihan diantaranya proses perhitungannya yang sederhana dan proses omputasinya mudah. Selain itu, perhitungan MSE juga hanya membutuhan memori yang sediit, bisa mengevaluasi setiap sampel, dan antara sampel tida saling tergantung satu sama lainnya (Wang & Bovi 2009). Rumus perhitungan MSE dapat dilihat sebagai beriut: ( ) Nilai x merupaan derajat bujur dan y derajat lintang. Mulai Studi Pustaa Pengambilan Data dengan n = jumlah titi, T = nilai atual, F = nilai predisi, hasil diataan bai etia nilai MSE mendeati 0. METODE PENELITIAN Pada penelitian ini, dilauan dua ali percobaan, yaitu percobaan menggunaan similarity transformation dan JSTPBR. Setiap percobaan dilauan 25 ali pengulangan masing-masing. Penelitian dimulai dengan melauan studi pustaa yang dilanjutan dengan pengambilan data berupa data oordinat. Setelah itu, dilauan pemilihan pada data agar hasil yang diperoleh bai. Data yang telah dilauan pemilihan emudian dibagi menjadi dua, yaitu data latih dan data uji. Pada data latih, ditentuan nilai parameter menggunaan metode similarity transformation. Pada data latih, juga dilauan pelatihan menggunaan JSTPBR. Data uji digunaan untu menguji pelatihan JST sedangan pada similarity transformation data uji juga digunaan untu menguji nilai parameter yang telah diperoleh data latih. Berdasaran pengujian JSTPBR dan pengujian parameter similarity transformation, diperoleh nilai MSE masingmasing. Langah terahir yang dilauan adalah analisis hasil dengan meilhat nilai MSE sebagai evaluasi apaah hasil yang diperoleh sudah bai. Alur metode penelitian dapat dilihat pada Gambar 4. Pengambilan Data Data yang digunaan berupa data oordinat daerah Jawa bagian barat. Data terdiri atas dua buah oordinat, yaitu x dan y. Similarity transformation Pengujian parameter tida Data latih Gambar 4 Alur metode penelitian. Pemilihan Data Pemilihan Data Pelatihan JSTPBR Pengujian JSTPBR MSE optimal? Analisis Hasil Selesai Data uji Pemilihan data dilauan sebelum data dibagi menjadi data latih dan data uji. Hal ini dilauan untu menghilangan esalahan blunder yang ada pada data. Kesalahan ini biasanya terjadi arena ecerobohan pada saat pengamatan misalnya esalahan dalam membaca alat uur atau esalahan dalam pencatatan hasil. ya

14 6 Proses pemilihan data dilauan menggunaan distribusi Gaussian. Pembuangan pencilan dilauan dengan melihat standar deviasi dari selisih data lama dan baru. Perhitungan adalah sebagai beriut: 1 1 z 1 x 0 x 1 z 2 y 0 y 1 ( ) ( ) ( ) ( ) dengan = standar deviasi, = standar deviasi, Gambar 5 Arsitetur JST. Pelatihan dilauan dengan strutur yang ditunjuan pada Tabel 1. Tabel 1 Karater JST z n = rata-rata dari, = rata-rata dari. Arsitetur Karateristi Spesifiasi 1 hidden layer Selanjutnya, dilauan proses selesi data. Data yang tergolong dalam pencilan tida digunaan (dibuang). Proses pemilihan pencilan dilauan dengan cara sebagai beriut: ( ) ( ) Data Latih dan Data Uji Setelah dilauan praproses pada data, dilauan pembagian data, yaitu data latih dan data uji. Data dibagi menjadi 66.67% untu data latih dan 33.33% untu data uji sehingga terdapat 50 data latih dan 25 data uji. Data dipresentasian edalam matris. Uuran matris untu data latih yaitu 50 x 2, 50 merupaan jumlah data dan 2 merupaan jumlah oordinat yaitu oordinat x dan y. Pada data uji, matris beruuran 25 x 2, 25 merupaan jumlah data dan 2 merupaan jumlah oordinat. Pelatihan dengan JSTPBR Tahap selanjutnya yaitu melauan pelatihan JSTPBR pada data latih. Sebelum melauan pelatihan, terlebih dahulu ditentuan arsitetur JSTPBR yang terdiri dari 2 neuron input, 1 hidden layer, dan 2 neuron output. Neuron input berupa x genu dan y genu, neuron output berupa x WGS-84 dan y WGS-84. Arsitetur JST dapat dilihat pada Gambar 5. Neuron input 2 Hidden neuron 1, 2, 5, 10, 20 Output neuron 2 Inisialisasi bobot Fungsi ativasi Learning rate 0.01 delta deltamax 50 Toleransi galat 10-3 Fator Nai 1.2 Fator Turun 0.5 Masimum epoh 1000 Nguyen-Widrow Fungsi identitas Pengujian dengan Menggunaan JSTPBR Setelah dilauan pelatihan, dilauan pengujian pada data latih dan data uji. Hasil pelatihan berupa nilai MSE dari masingmasing data. Semain ecil nilai MSE maa hasil yang diperoleh pun semain bai. Rumus perhitungan MSE dapat dilihat sebagai beriut: ( ) dengan n jumlah titi, T nilai atual, F nilai predisi, hasil diataan bai etia nilai MSE mendeati 0.

15 7 Parameter Similarity Transformation Data latih dan data uji yang telah dipilih ditranformasi menggunaan similarity transformation. Berdasaran hasil transformasi, dapat ditentuan MSE dari masing-masing data. Nilai MSE ini aan digunaan untu menentuan inerja dari transformasi menggunaan JSTPBR. Sebelum menentuan nilai MSE yang harus dilauan adalah menentuan nilai 4-parameter, yaitu parameter sala K, rotasi, translasi x 0, dan translasi y 0. Similarity transformation 2D juga dienal dengan transformasi Helmert, dengan rumus sebagai beriut: x 2 = ax 1 by 1 + x 0 y 2 = ay 1 + bx 1 + y 0 dengan a = K cos, b = K sin, x 0 = T x dan y 0 = T y. Penentuan parameter similarity transformation menggunaan metode least square dengan perhitungan sebagai beriut: [ ] [ ] [ ] Formula tersebut dapat disederhanaan menjadi: Berdasaraan formula yang disederhanaan diperoleh nilai X yaitu: ( ) ( ) Pada penelitian ini, dilauan pengujian parameter yang telah diperoleh pada similarity transformation. Parameter yang telah diperoleh pada data latih aan digunaan pada data latih dan data uji untu menentuan hasil transformasi dan nilai MSE dari data latih dan data uji. Nilai MSE yang diperoleh aan digunaan sebagai tingat esalahan pada similarity transformation. Rumus perhitungan MSE dapat dilihat sebagai beriut: dengan n jumlah titi, F nilai predisi. Analisis Hasil ( ) T nilai atual, dan Pada tahap ini, dilauan analisis hasil dengan cara melauan perbandingan antara hasil yang diperoleh dengan metode similarity transformation dan JSTPBR. Kinerja JSTPBR diataan bai etia nilai MSE yang diperoleh lebih ecil dari metode similarity transformation dan mendeati 0. HASIL DAN PEMBAHASAN Karateristi Data Data oordinat yang digunaan merupaan titi seutu daerah Jawa bagian barat dengan jumlah data awal sebanya 177 data. Data awal dapat dilihat pada Lampiran 2. Pada percobaan ini, dilauan perhitungan nilai MSE pada data awal dan data yang telah dipilih (screening) untu mengetahui ondisi yang memilii inerja yang bai. Data awal memilii nilai standar deviasi, standar deviasi, rata-rata, dan rata-rata yang dapat dilihat pada Tabel 2. Tabel 2 Hasil pengolahan data awal Keterangan Nilai Standar deviasi Standar deviasi 9.39 Rata-rata Rata-rata Berdasaran Tabel 2, dapat dietahui penyebaran atau variasi dari data awal. Plot data awal dapat dilihat pada Gambar 6. Y x x 10 5 Gambar 6 Plot data awal. Data awal ini dibagi menjadi data latih dan data uji untu mengetahui inerja dari metode similarity transformation dan JSTPBR. Nilai MSE merupaan cara untu mengetahui inerja edua metode tersebut. Tabel 3 merupaan nilai MSE data awal. X

16 8 Tabel 3 Nilai MSE data awal Metode Data latih Data uji Similarity JSTPBR Berdasaran Tabel 3, dietahui bahwa nilai MSE yang diperoleh sangat besar. Nilai MSE yang diperoleh menggambaran inerja dari sistem tersebut. Oleh arena itu, perlu dilauan pemilihan pada data. Pemilihan data dilauan menggunaan distribusi Gaussian. Terdapat 132 data yang diperoleh setelah pemilihan (screening) pertama yang memilii nilai standar deviasi, standar deviasi, rata-rata, dan rata-rata yang dapat dilihat pada Tabel 4. Data screening pertama dapat dilihat pada Lampiran 3. Tabel 4 Hasil pengolahan data screening pertama Tabel 5 Nilai MSE data screening pertama Metode Data latih Data uji Similarity JSTPBR Berdasaran Tabel 5, dietahui bahwa nilai MSE yang diperoleh lebih bai dibandingan data awal, tetapi nilai MSE ini masih cuup besar. Oleh arena itu, perlu dilauan pemilihan ulang pada data screening pertama. Terdapat 75 data yang diperoleh setelah pemilihan ulang pada data screening pertama dengan nilai standar deviasi, standar deviasi, rata-rata, dan rata-rata yang dapat dilihat pada Tabel 6. Data screening edua dapat dilihat pada Lampiran 4. Tabel 6 Hasil pengolahan data screening edua Keterangan Nilai Keterangan Nilai Standar deviasi 4.47 Standar deviasi 3.46 Rata-rata Rata-rata Berdasaran Tabel 4, dapat dietahui penyebaran atau variasi dari data screening pertama. Plot data screening edua dapat dilihat pada Gambar 7. Standar deviasi 2.25 Standar deviasi 1.41 Rata-rata Rata-rata Berdasaran Tabel 6, dapat dietahui penyebaran atau variasi dari data screening edua. Plot data screening edua dapat dilihat pada Gambar 8. Y x X Y x x X x10 5 Gambar 7 Plot data screening pertama. Data screening pertama ini dibagi menjadi data latih dan data uji untu mengetahui inerja dari metode similarity transformation dan JSTPBR. Nilai MSE merupaan cara untu mengetahui inerja edua metode tersebut. Tabel 5 merupaan nilai MSE data screening pertama. Gambar 8 Plot data screening edua. Data screening edua ini dibagi menjadi data latih dan data uji untu mengetahui inerja dari metode similarity transformation dan JSTPBR. Nilai MSE merupaan cara untu mengetahui inerja edua metode tersebut. Tabel 7 merupaan nilai MSE data screening edua.

17 9 Tabel 7 Nilai MSE data screening edua Metode Data latih Data uji Similarity JSTPBR Berdasaran Tabel 7, dietahui bahwa nilai MSE yang diperoleh lebih bai dibandingan data awal dan data screening pertama, tetapi nilai MSE ini masih belum cuup bai. Oleh arena itu, perlu dilauan pemilihan ulang pada data screening edua. Terdapat 32 data yang diperoleh setelah pemilihan ulang pada data screening edua dengan nilai standar deviasi, standar deviasi, rata-rata, dan rata-rata yang dapat dilihat pada Tabel 8 dan plot data dapat dilihat pada Gambar 9. Data screening etiga dapat dilihat pada Lampiran 5. Tabel 8 Hasil pengolahan data screening etiga Keterangan Nilai Standar deviasi 1.03 Standar deviasi 1.97 Rata-rata Rata-rata Berdasaran Tabel 8, dapat dietahui penyebaran atau variasi dari data screening etiga. Plot data screening etiga dapat dilihat pada Gambar 9. Y x X Gambar 9 Plot data screening etiga. x10 5 Data screening etiga ini dibagi menjadi data latih dan data uji untu mengetahui inerja dari metode similarity transformation dan JSTPBR. Kinerja dari edua metode tersebut dapat dietahui dengan menghitung nilai MSE. Tabel 9 merupaan nilai MSE data screening etiga. Tabel 9 Nilai MSE data screening etiga Metode Data latih Data uji Similarity JSTPBR Berdasaran Tabel 9, dietahui bahwa nilai MSE yang diperoleh lebih bai dibandingan data awal, data screening pertama, dan data screening edua. Oleh arena itu, tida perlu dilauan pemilihan ulang pada data screening etiga. Berdasaran beberapa ali pemililihan data (screening), diperoleh hubungan antara standar deviasi dan dengan nilai MSE. Hal ini dapat dilihat dengan semain ecil standar deviasi dan, semain ecil pula nilai MSE yang diperoleh. Oleh arena itu, dietahui bahwa data yang memenuhi syarat untu ditransformasi merupaan data dengan standar deviasi dan 2. Batas standar deviasi data yang diperoleh aan digunaan dalam sistem pada tahapan pemilihan data. Alur pemilihan data yang digunaan oleh sistem dapat dilihat pada Gambar 10. tida Data Hitung x, y,, x, y stdev x, stdev y Buang pencilan stdev x & stdev y 2 Selesai Gambar 10 Alur pemilihan data. Pada penelitian ini, data yang digunaan adalah data screening edua dan firlter etiga. Berdasaran hasil yang didapatan pada data screening edua dan screening etiga, nilai MSE sangat tida seimbang. Hal ini dapat terjadi arena pemilihan data dan pembuangan pencilan. Pemilihan data juga dipengaruhi oleh rentang nilai dan. Perbandingan rentang nilai dan pada data screening edua dan screening etiga dapat dilihat pada Gambar 11 dan Gambar 12. ya

18 10 y Gambar 11 Rentang nilai dan pada data screening edua. Berdasaran Gambar 11, dapat dietahui bahwa rentang nilai berada antara , sedangan rentang nilai berada antara Hal ini menghasilan rata-rata , rata-rata 43.80, standar deviasi 2.25, dan standar deviasi y x x Gambar 12 Rentang nilai dan pada data screening etiga. Berdasaran Gambar 12, dapat dietahui bahwa rentang nilai berada antara , sedangan rentang nilai berada antara Hal ini menghasilan rata-rata , rata-rata 43.97, standar deviasi 1.03, dan standar deviasi Oleh arena itu, standar deviasi dan yang diperoleh pada data screening edua dan screening etiga dapat mempengaruhi nilai MSE. Semain ecil standar deviasi suatu data, emunginan terdapatnya esalahan semain ecil pula. Menentuan Hidden Neuron JST yang Optimal Pada penelitian ini, dilauan percobaan ombinasi perubahan hidden neuron JSTPBR. Hidden neuron optimal yang diperoleh pada percobaan aan digunaan untu percobaan beriutnya sehingga aan diperoleh model JST yang bai dan masimal. Percobaan dilauan dengan jumlah hidden neuron 1, 2, 5, dan 10 dengan masing-masing dilauan 5 ali pengulangan. Data yang digunaan untu menentuan jumlah hidden neuron yang optimal adalah data screening etiga. Berdasaran percobaan jumlah hidden neuron yang optimal adalah 2 dengan MSE data uji 0.56 dan MSE data latih Menentuan Nilai Parameter pada Similarity Ttransformation Pada penelitian ini, ditentuan terlebih dahulu 4 parameter yang memengaruhi transformasi pada data latih, yaitu parameter sala K, rotasi, translasi x 0, dan translasi y 0. Parameter yang diperoleh digunaan untu pengujian parameter pada data latih dan data uji dengan menentuan nilai MSE masing-masingnya. Parameter dan nilai MSE dari data uji pada data screening etiga yang diambil 5 dari 25 ali percobaan yang dapat dilihat pada Tabel 10. Tabel 10 Nilai parameter dan nilai MSE dari data latih dan data uji menggunaan similarity transformation Data a b T x T y MSE data uji E E E E E dengan a = K cos, b = K sin, x 0 = T x dan y 0 = T y. Berdasaran Tabel 10, dietahui bahwa nilai pada setiap data sama. Nilai MSE yang diperoleh berbanding lurus dengan nilai T x dan berbanding terbali dengan T y, etia nilai MSE yang diperoleh bai maa nilai T x semain ecil dan T y semain besar. Perbandingan Nilai MSE Similarity Transformation dan JSTPBR Data Screening Kedua Pada penelitian ini, dilauan perhitungan nilai MSE pada data screening edua. Perhitungan dilauan dengan cara mengambil data secara aca masing-masing

19 11 sebanya 25 ali. Nilai MSE diperoleh menggunaan JSTPBR dan similarity transformation. Perbandingan nilai MSE similarity transformation dan JSTPBR dapat dilihat pada Gambar 13 dan Gambar 14. Data nilai MSE pada data screening edua dapat dilihat pada Lampiran 6. Berdasaran Gambar 13 dan Gambar 14, dietahui bahwa MSE yang dihasilan oleh data screening edua tida stabil. Nilai MSE tida stabil arena etia MSE data latih ecil maa MSE data uji aan sangat besar. Hal ini tida hanya terjadi pada JSTPBR, tetapi juga pada similarity transformation. Berdasaran Gambar 13, dapat dilihat bahwa nilai MSE data latih yang diperoleh dari similarity transformation dan JSTPBR telah mendeati pada masing-masing data yang diaca. Namun, nilai MSE yang dihasilan tida stabil arena pada jumlah data yang sama perbedaan nilai MSE yang diperoleh masing-masing berbeda Nilai MSE JST Data latih Pengacaan Data Similarity Data latih Gambar 13 Perbandingan nilai MSE data latih menggunaan similarity transformation dan JST pada data screening edua Nilai MSE JST Data uji Pengacaan Data Similarity Data uji Gambar 14 Perbandingan nilai MSE data uji menggunaan similarity transformation dan JST pada data screening edua.

20 12 Sama halnya dengan nilai MSE yang diperoleh pada data latih yang terlihat pada Gambar 14, nilai MSE yang dihasilan pada data uji juga tida stabil atau tida membentu pola. Hal ini disebaban oleh standar deviasi dan yang cuup besar yaitu 2.25 dan Perbandingan Nilai MSE Similarity Transformation dan JSTPBR Data Screening Ketiga Pada penelitian ini, juga dilauan perhitungan nilai MSE pada data screening etiga. Perhitungan dilauan dengan cara mengambil data secara aca masing-masing sebanya 25 ali. Nilai MSE diperoleh dengan menggunaan JSTPBR dan similarity transformation. Perbandingan nilai MSE similarity transformation dan JSTPBR untu data latih data data uji pada data screening etiga dapat dilihat pada Gambar 15 dan Gambar 16. Nilai MSE pada data screening etiga dapat dilihat pada Lampiran 7. Berdasaran Gambar 15 dan Gambar 16, dietahui bahwa MSE yang dihasilan oleh data screening etiga stabil. Nilai MSE diataan stabil arena MSE data latih dan data uji mendeati sama. Hal ini tida hanya terjadi pada JSTPBR, tetapi juga pada similarity transformation menghasilan nilai yang serupa. Berdasaran Gambar 15, dapat dilihat bahwa nilai MSE data latih yang diperoleh dari similarity transformation dan JSTPBR telah mendeati pada masing-masing data yang diaca. Nilai MSE yang dihasilan stabil arena pada jumlah data yang sama perbedaan nilai MSE yang diperoleh tida jauh berbeda. Sesuai dengan nilai MSE yang dihasilan pada data latih, nilai MSE pada data uji yang ada pada Gambar 16 cenderung stabil. Hal ini disebaban pola data yang digunaan memilii standar deviasi dan yang cuup bai yaitu 1.03 dan Nilai MSE yang diperoleh pada data screening etiga menggunaan similarity transformation lebih bai dibandingan menggunaan JSTPBR. Hal ini sama dengan penelitian yang dilauan oleh Zaletnyi (2004), bahwa JST propagasi bali lebih efetif digunaan pada jumlah data yang lebih besar. Selain itu, penggunaan JST propagasi bali harus lebih bai, arena JST beerja berdasaran pola yang terbentu pada input. Hasil percobaan ini juga sama halnya dengan penelitian yang dilauan oleh Lao dan Yi (2006). Penelitian tersebut menyataan bahwa inerja transformasi oordinat menggunaan jaringan syaraf tiruan propagasi bali aan lebih bai hasilnya dibandingan similarity transformation 4-parameter dan 6- parameter etia data yang digunaan berjumlah banya. Pada penelitian tersebut, yang merupaan parameter ebaian dari inerja transformasi adalah nilai dari standar deviasi x dan standar deviasi y Nilai MSE Pengacaan Data JST Data latih Similarity Data latih Gambar 15 Perbandingan nilai MSE data latih menggunaan similarity transformation dan JST pada data screening etiga.

21 Nilai MSE JST Data uji Pengacaan Data Similarity Data uji Gambar 16 Perbandingan nilai MSE data uji menggunaan similarity transformation dan JST pada data screening etiga. Berdasaran percobaan ini, dietahui bahwa untu data dengan jumlah yang sediit dapat diselesaian secara langsung menggunaan metode tradisional (similarity transformation). Namun, untu jumlah data yang besar lebih bai menggunaan JSTPBR arena aan menghemat watu dan memperoleh hasil yang lebih bai dibandingan menggunaan similarity transformation. Nilai MSE pada Pemilihan Data dengan Pencilan > 1.96 x Standar Deviasi Berdasaran urva sebaran normal atau bau, untu menghilangan data sebesar 2.5% dari data terbesar dan 2.5% data terecil maa digunaan nilai z sebesar 1.96 (Walpole 1995). Oleh arena itu, proses pemilihan pencilan dapat dilauan dengan cara sebagai beriut: ( ) ( ) dengan = standar deviasi, = standar deviasi, = rata-rata dari, = rata-rata dari,, Pemilihan data dilauan sebanya tiga ali. Masing-masing hasil pemilihan data memilii jumlah data, standar deviasi, standar deviasi, rata-rata, dan rata-rata yang dapat dilihat pada Tabel 11. Tabel 11 Keterangan Standar deviasi Standar deviasi Hasil pengolahan data dengan pencilan > 1.96 x standar deviasi Screening pertama Screening edua Screening etiga Rata-rata Rata-rata Jumlah data Pada penelitian ini, dilauan perhitungan nilai MSE pada data screening etiga. Perhitungan dilauan dengan cara mengambil data secara aca masing-masing sebanya 25 ali. Nilai MSE diperoleh dengan menggunaan JSTPBR dan similarity transformation. Perbandingan nilai MSE similarity transformation dan JSTPBR dapat dilihat pada Gambar 17 dan Gambar 18. Data screening etiga dengan pencilan > 1.96 x standar deviasi dan nilai MSE pada data ahir terdapat pada Lampiran 8 dan Lampiran 9..

22 Nilai MSE Pengacaan Data JST Data latih Similarity Data latih Gambar 17 Nilai MSE data latih pada data screening etiga dengan pencilan > 1.96 x standar deviasi Nilai MSE JST Data uji Pengacaan Data Similarity Data uji Gambar 18 Nilai MSE data uji pada data screening etiga dengan pencilan > 1.96 x standar deviasi pola arena pada jumlah data yang sama perbedaan nilai MSE yang diperoleh masingmasing berbeda. Sama halnya dengan MSE yang diperoleh pada data latih, terlihat pada Gambar 18 MSE yang dihasilan pada data uji juga tida stabil. Berdasaran Gambar 17 dan Gambar 18 dietahui bahwa MSE yang dihasilan tida stabil. Nilai MSE tida stabil arena etia MSE data latih ecil maa MSE data uji aan sangat besar. Hal ini tida hanya terjadi pada JSTPBR, tetapi juga pada similarity transformation. Berdasaran Gambar 17, dapat dilihat bahwa nilai MSE data latih yang diperoleh dari similarity transformation dan JSTPBR telah mendeati pada masing-masing data yang diaca. Namun, nilai MSE yang dihasilan tida stabil atau tida membentu Perbandingan Nilai MSE Data Screening Ketiga dengan Pencilan > 1 x Standar Deviasi dan Pencilan > 1.96 x Standar Deviasi Berdasaran Gambar 16 dan Gambar 18, dietahui bahwa nilai MSE untu data screening etiga dengan pencilan > 1 x

23 15 standar deviasi lebih bai dibandingan dengan pencilan > 1.96 x standar deviasi. Hal ini dapat dilihat dari jumlah data, standar deviasi, standar deviasi, rata-rata, rata-rata, rata-rata nilai MSE JST, dan rata-rata nilai MSE similarity pada Tabel 12. Tabel 12 Keterangan Standar deviasi Standar deviasi Hasil pengolahan data screening etiga dengan pencilan > 1 x standar deviasi dan pencilan > 1.96 x standar deviasi Screening etiga dengan pencilan > 1 x standar deviasi Screening etiga dengan pencilan > 1.96 x standar deviasi Rata-rata Rata-rata Jumlah data Rata-rata MSE JSTPBR Rata-rata MSE similarity Berdasaran Tabel 12, dietahui bahwa data yang diperoleh dengan pencilan > 1 x standar deviasi lebih sediit dibandingan dengan pencilan > 1.96 x standar deviasi. Hal ini terjadi arena data dengan pencilan > 1 x standar deviasi data yang dihilangan sebesar 16% dari data terbesar dan 16 dari data terecil sehingga data yang digunaan hanya 68%. Pada data screening etiga dengan pencilan > 1.96 x standar deviasi masih terdapat beberapa pencilan. Pencilan yang masih terdapat pada data screening etiga dengan pencilan > 1.96 x standar deviasi dapat dieliminasi pada data screening etiga dengan pencilan > 1 x standar deviasi. KESIMPULAN DAN SARAN Kesimpulan Berdasaran hasil yang diperoleh dari percobaan pada edua model data, dapat disimpulan bahwa transformasi data oordinat dari datum Genu menjadi WGS-84 menggunaan jaringan syaraf tiruan propagasi bali resilient (JSTPBR) memberian inerja yang bai untu transformasi data oordinat daerah Jawa bagian. Nilai MSE yang bai dihasilan pada screening etiga dengan ratarata MSE data uji JSTPBR 0.59 dan similarity transformation Algoritme JSTPBR lebih efetif digunaan pada jumlah data yang lebih besar dibandingan similarity transformation. Nilai MSE untu data screening etiga dengan pencilan lebih dari satu ali standar deviasi lebih bai dibandingan dengan pencilan 1.96 ali standar deviasi. Nilai ratarata MSE yang diperoleh pada data screening etiga dengan pencilan lebih dari 1.96 ali standar deviasi untu data uji JSTPBR adalah dan similarity transformation adalah Saran Penelitian ini masih dapat diembangan untu menciptaan sistem baru yang lebih bai. Saran-saran bagi penelitian lebih lanjut antara lain: 1 Sebainya menggunaan data yang lebih banya sehingga jia dilauan screening masih tersedia banya data. 2 Percobaan dilauan dengan menggunaan metode pemilihan data yang lain seperti selang quartil, t-student dan lain sebagainya. DAFTAR PUSTAKA Aji HS, Ristandi E Old Wells Repositioning. Di dalam: Facing the Challenges Building the Capacity. FIG Congress 2010, Apr. Sydney. Australia. FS 3C. Chien SC, Szu LS Resilient Bacpropagation Neural Networ for Approximation 2-D GDOP. Proceedings of the International MultiConference of Engineers and Computer Scientists 2010; Hong Kong, Vol II, Mar Hong Kong. IMECS. Hlm Fausett L Fundamentals of Neural Networs. New Jersey:Prentice-Hall. Felus YA, Burhard S Performing Similarity Transformations Using The Error in Variable Model. Baltimore: ASPRS 2005 Annual Conference. Handoo EY, Abidin HZ Analisis transformasi datum dari datum Indonesia 1974 e datum geodesi nasional :3.Bandung. JBPTITBGD. Hlm

24 16 Kusumadewi S Membangun Jaringan Syaraf Tiruan Menggunaan Matlab & Excel Lin. Yogyaarta: Graha Ilmu. Lao SL, Yi JW A Study on Cadastral Coordinate Transformation Using Artificial Neural Networ. Taipei: Department of Land Economics National Chengchi University Mitsaai C Coordinate Transformations. [terhubung berala]. 2_mitsaai.pdf [1 Desember 2011]. Pratomo, DG Pendidian dan Pelatihan (dilat) Tenis Penguuran Data Pemetaan Kota. Surabaya: Faultas Teni Sipil dan Perencanaan Institut Tenologi Sepuluh Nopember. Puntodewo A, Dewi S, Tarigan J Sistem Informasi Geografis untu Pengelolaan Sumber Daya Alam. Jaarta: Center for International Forestry Research. Turgut B A bac-propagation artificial neural networ approach for threedimensional coordinate transformation. 5:21. Turey. Academic Journals. Hlm Walpole, ER Pengantar Statistia. Jaarta: Gramedia Pustaa Utama. Wang Z, Bovi AC Mean Square Error: Love It or Leave It?. IEEE Processing Magazine. Jan Hlm Zaletnyi MP Coordinate Transformation With Neural Networ and With Polynomials in Hungary. Budapest: Department of Geodesy and Surveying Budapest University of Technology and Economics.

25 LAMPIRAN

26 18 Lampiran 1 Algoritme JST resilient Langah 0. Inisiasi bobot Langah 1. Selama syarat henti salah, lauan langah 2-9 Langah 2. Untu setiap pasangan pelatihan (input dan target), lauan langah 3-8 Langah 3. Setiap unit input (X i, i=1,,n) menerima sinyal input x i dan menerusannya e seluruh unit pada lapisan diatasnya (hidden unit). Langah 4. Setiap unit tersembunyi (Z j, j=1,,p) menghitung total sinyal input terbobot, z _ in v x v, j 0 j n i1 lalu menghitung sinyal output dengan fungsi ativasi, z j in j f z _, i ij dan mengiriman sinyal ini e seluruh unit pada lapisan atasnya (lapisan output). Langah 5. Setiap unit output (Y, =1,,m) menghitung total sinyal input terbobot, p y _ in w0 z j w j, j1 lalu menghitung sinyal output dengan fungsi ativasi, y f y _ in Langah 6. Setiap unit output (Y, =1,, m) menerima sebuah pola target yang sesuai dengan pola input pelatihannya. Unit tersebut menghitung informasi esalahan, j ' t y f y _ in 2 z 2 j ( old) j ( old) j j emudian menghitung oresi bobot (digunaan untu mengubah w j nanti), w w j j FN; FT; w j min w ( old); j j j j, delta max w j w j ; 2 w j ; 2 0; 2 j j j 0 0 0

27 19 Lampiran 1 lanjutan hitung juga oresi bias (yang nantinya aan digunaan untu memperbaii nilai b2 ) b2 FN; FT; b2 ( old); b2 min b2, delta max b b2 ; b2 ; 0; Langah 7. Setiap unit tersembunyi (Z j, j=1,, p) menghitung selisih input (dari unit-unit pada layer atasnya) m _ in j w 1 j lalu mengaliannya dengan turunan fungsi ativasi untu menghitung informasi error 1 _ in f ' z _ in j 1 1 ij 1 j 1 j j x ( old) ij ij ( old) j j j j ij j j emudian hitung oresi bobot (yang nantinya aan digunaan untu memperbaii nilai v ij ) v v ij ij FN; FT; vij ( old); min v ij 1 ij 1 ij 1 ij, delta max v ij vij ; w j ; 0; ij ij ij hitung juga oresi bias (yang nantinya aan digunaan untu memperbaii nilai b1 j ) FN; 1 b 1j FT; 1 b1 j( old); 1 j j j b1 min b1, delta max j j