SIMULASI DAN PREDIKSI PASANG SURUT AIR LAUT MENGGUNKAN WAVELET-NEURAL-NETWORK (Studi Kasus : Perairan Tarempa) Diana Mahasisswa Program Studi Teknik Informatika, Universitas Maritim Raja Ali Haji Jl.Politeknik Senggarang, Tanjungpinang 29115 ABSTRAK Pasang surut air laut berpengaruh terhadap pengoptimalan pemanfaatan potensi laut dan segala aktifitasnya, seperti halnya bongkar muat kapal dipelabuhan dan kegiatan para nelayan. Pada penelitian ini akan digunakan 12.234 data pasang surut harian tunggal perairan Tarempa dengan posisi Lintang 03 o 13 05 U ( N ) dan Bujur 106 o 13 09 T ( E ) tahun 2013 dan 2014 yang diperoleh dari Hidro-Oseanografi TNI AL Tanjungpinang untuk membangun model prediksi menggunakan wavelet-neural network. Pembentukan model tersebut akan diuji dengan 4.150 data pasang surut tahun 2015. Hasil pengujian ini akan diukur tingkat akurasinya dengan menghitung error rata-rata menggunakan MSE (Means Square Error). Dimana dari hasil pengujian yang dilakukan didapat pemodelan terbaik pada iterasi ke-1000 dengan learning rate 0,1 dengan akurasi model sebesar 99,984%. Kata Kunci : Pasang Surut, Tarempa, wavelet-neural network, MSE (Means Square Error) 1. PENDAHULUAN Tarempa merupakan nama ibu kota dari Kabupaten Kepulauan Anambas yang memiliki luas daratan 590,14 km 2 sedangkan luas lautannya 46.074,00 km 2. (kepri.bps.go.id). penduduk Tarempa pada umumnya memiliki mata pencarian sebagai nelayan, karena wilayah Tarempa merupakan surga bagi ikan (Diego, 2014). Banyaknya perikanan yang ada pada perairan Tarempa menjadikan laut sebagai sektor unggulan dalam pembangunan daerah dan kesejahteraan kehidupan masyarakat setempat.. Untuk itu dibutuhkan pengoptimalan pemanfaatan potensi sumberdaya perairan yang dimiliki. Pengoptimalan potensi sumberdaya perairan dipengaruhi oleh fenomena pasang surut air laut, seperti halnya bongkar muat kapal di pelabuhan laut, kegiatan para nelayan, dan sebagainya. Pasang surut air laut setiap harinya tidak selalu sama, sehingga di perlukan prediksi pasang surut demi tercapainya pemanfaatan potensi sumberdaya perairan yang maksimal serta pembangunan daerah. Prediksi pasang surut dapat diprediksi berdasarkan data pasang surut yang telah lalu. Pada penelitiana ini, data yang digunakan adalah data prediksi pasang surut air laut harian tunggal (diurnal tide) perairan Tarempa tahun 2013, 2014 dan 2015 dengan posisi Lintang 03 o 13 05 U ( N ) dan Bujur 106 o 13 09 T ( E ) yang didapat dari Hidro- Oseanografi TNI-AL Tanjungpinang. Setelah data terkumpul, selanjutnya akan dibangun model prediksi pasang surut air laut menggunakan waveletneural network. Wavelet-Neural Network merupakan sebuah model gabungan (hybrid model) dari Transformasi Wavelet dan Neural Network. 1.1. Transformasi Wavelet 1 Transformasi wavelet merupakan suatu proses pengubahan data dalam bentuk lain agar mudah dianalisa. Proses transformasi wavelet dapat dilakukan dengan proses pererataan dan pengurangan secara berulang. 4 Perataan dilakukan dengan menghitung nilai rata-rata 2 pasang data menggunakan persamaan sebagai berikut :
sedangkan pengurangannya dilakukan dengan persamaan : Proses ini dinamakan dengan proses dekomposisi. 4 Sedangkan kebalikan dari proses dekomposisi dinamakan proses rekonstruksi. 5 Salah satu keluarga wavelet adalah wavelet haar. Wavelet haar merupakan wavelet paling tua dan paling sederhana yang diperkenalkan oleh Alfred Haar pada tahun 1909. Adapun koefisien transfromasinya adalah sebagai berikut : (tapis high pass) (tapis low pass) dan 1.2. Neural Network (Jaringan Syaraf Tiruan) 2 Secara biologis jaringan syaraf merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia. A. Backpropagation Neural Network 2 Backpropagation merupakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobot-bobot yang terhubung dengan neuron-neuron yang ada pada lapisan tersembunyi. Algoritma backpropagation menggunakan error output untuk mengubah nilai bobot-bobotnya dalam arah mundur (backward). Untuk mendapatkan error ini, tahap perambat maju (forward propagation) harus dikerjakan terlebih dahulu. Pada saat perambat maju, neuron-neuron diaktifkan dengan menggunakan fungsi aktifasi (Kusumadewi dan Hartati, 2010). 2 Adapun fungsi aktifasi yang dapat dideferensiasikan seperti sigmoid : Arsitektur Jaringan Backpropagation (Kusumadewi dan Hartati, 2010). 3 Arsitektur Jaringan Backpropagation seperti diatas terdiri dari tiga unit (neurons) pada lapisan masukan, yaitu X 1, X 2, X 3 ; 1 lapisan tersembunyi dengan 2 neurons, yaitu Z 1, Z 2 ; serta 1 unit pada lapisan keluaran yaitu Y. Bobot yang menghubungkan X 1, X 2, X 3 dengan neuron pertama dan lapisan tersembunyi adalah V 11, V 21, dan V 31 (V ij : bobot yang menghubungkan neuron input ke-i ke neuron ke-j pada lapisan tersembunyi). Untuk b 11 dan b1 2 adalah bobot bias yang menuju ke neurons pertama dan kedua pada lapisan tersembunyi. Bobot yang menghubungkan Z 1, dan Z 2 dengan neuron pada lapisan keluaran adalah W 1 dan W 2. Bobot bias menghubungkan lapisan tersembunyi dengan lapisan keluaran. Fungsi aktivasi yang digunakan antara lapisan tersembunyi dengan lapisan keluaran adalah fungsi aktivasi yang akan ditentukan pada tahap kalibrasi. 2. METODELOGI PENELITIAN A. Pengumpulan Data Data yang digunakan dalam penelitian ini berupa data pasang surut air laut harian tunggal (diurnal tide) perairan Tarempa pada posisi Lintang 03 o 13 05 U ( N ) dan Bujur 106 o 13 09 T ( E ) yang didapat dari Hidro-Oseanografi TNI-AL Tanjungpinang. Adapun distribusi data yaitu sebagai berikut : 12.234 data pasang surut air laut perairan Tarempa tahun 2013-2014 yang digunakan sebagai data model (training).
4.150 data pasang surut air laut perairan Tarempa tahun 2015 sebagai data prediksi (testing). B. Pembangunan Model Wavelet-Neural Network 3 Wavelet-Neural Network merupakan sebuah model gabungan (hybrid model) dari Transformasi Wavelet dan Neural Network. Adapun proses pengolahan data menggunakan waveletneural network adalah sebagai berikut : Pengolahan data inputan pasang surut air laut dengan parameter waktu (jam) dan tinggi pasang surut (m) perairan tarempa menggunakan data sebanyakan 12.234 data model yang didapat dari data tinggi pasang surut air laut tahun 2013-2014 dan 4.150 data prediksi yang didapat dari data pasang surut air laut tahun 2015 pada posisi Lintang 03 o 13 05 U ( N ) dan Bujur 106 o 13 09 T (E) yang diperoleh dari Hidro-Oseanografi TNI AL Tanjungpinang yaitu : Data hendaknya dikelompokkan terlebih dahulu terhadap masing-masing variabel. Misalnya variabel waktu (jam) dikelompokkan dengan waktu (jam) terjadinya pasang surut training (data model) dan data waktu terjadinya pasang surut testing (data prediksi). Begitu juga untuk variabel tinggi pasang surut. Selanjutnya data yang telah dikelompokkan didekomposisi menggunakan wavelet haar. Dekomposisi wavelet haar merupakan proses pengubahan data dengan mencari nilai koefisisen perataan dan pengurangan secara berulang. Adapun alur proses dekomposisi menggunakan wavelet haar dapat digambarkan sebagai berikut : Gambar 4.1 Flowchart Proses Wavelet-Neural Network
Dekomposisi Data menggunakan Wavelet Haar b. Tentukan banyak level (n) proses dekomposisi. c. Hitung nilai koefisien perataan dan pengurangan Hasil perataan di dekomposisi kembali menggunakan proses perataan dan pengurangan. Proses diulang hingga n level. d. Hasil dekomposisi disusun kembali berdasarkan hasil perataan dan pengurangan untuk menggantikan sekumpulan data asal dari unsurunsur (n) level dengan rata-rata yang telah didapat yang diikuti dengan sekumpulan koefisien-koefisien pengurangan yang ukurannya peningkatan pangkat dua (2 n ). Pemodelan Data Menggunakan Backpropagation Neural Network Gambar 2.2 Proses Dekomposisi data menggunakan Wavelet Haar Adapun proses yang dilalui sebagai berikut : a. Data input (data model dan data prediksi) digabungkan dengan masing-masing variabelnya. Gambar 2.2 Pemodelan data menggunakan backpropagation neural network
Adapun proses pemodelan menggunakan backpropagation neural network yang dilalui adalah sebagai berikut : Ambil data hasil dekomposisi Normalisasi data dalam range [0,1] dengan persamaan : Dimana : = Nilai data normal = Nilai data aktual = Nilai minimum data aktual keseluruhan =Nilai maksimum data aktual keseluruhan. hasil normalisasi data dipisah kembali antara data model (training) dan data prediksi (testing). Gunakan data model ( training) dalam pembangunan model. Inisialisasi bobot menggunakan Nguyen- Widrow Dimana metode ini akan menginisialisasi bobot-bobot lapisan dengan nilai antara -0,5 sampi 0,5. Sedangkan bobot-bobot dari lapisan input ke lapisan tersembunyi dirancang sedemikian rupa sehingga dapat meningkatkan kemampuan lapisan tersembunyi dalam melakukan proses pembelajaran. Metode Nguyen-widrow secara sederhana dapat diimplementasikan dengan prosedur sebagai berikut. Tetapkan : n = jumlah lapisan input P = jumlah lapisan tersembunyi. β = faktor penskalaan ( 0,7 (p) 1/n ) Inisialisasi bobot-bobot dari lapisan input ke lapisan tersembunyi : V ij bilangan random antara -0,5 sampai 0,5 (atau antara γ sampai γ). Hitung V j Dimana Inisialisasi ulang bobot-bobot : Set bias : b1 j = bilangan random antara. Inisialisasi Parameter (maksimum iterasi (epoch), jumlah Hidden layer, learning rate, dan target error ) yang akan digunakan untuk pembangunan model. Lakukan proses feedforward untuk menghitung keluarannya. Feedforward Tiap-tiap unit masukan menerima sinyal dan meneruskan sinyal tersebut ke semua unit pada lapisan yang ada diatasnya (lapisan tersembunyi). Tiap-tiap unit pada suatu lapisan tersembunyi menjumlahkan sinyal-sinyal input terbobot ; gunakan fungsi aktifasi untuk menghitung sinyal outputnya. Dan kirimkan sinyal tersebut ke semua unit dilapisan atasnya (unit-unit output). Tiap-tiap unit output menjumlahkan sinyal-sinyal input terbobot. gunakan fungsi aktifasi untuk menghitung sinyal keluaran yaitu : Dan kirimkan sinyal tersebut ke semua unit dilapisan atasnya (unit-unit output). Catatan : langkah (b) dilakukan sebanyak jumlah lapisan tersembunyi.
Lakukan perhitungan backpropagation untuk menghitung informasi error yang terjadi. Backpropagation Tiap-tiap unit output menerima target pola yang berhubungan dengan pola masukan pembelajaran, dan menghitung informasi error-nya : Perbaikan Bobot Tiap-tiap unit output memperbaiki bias dan bobotnya : Kemudian dihitung koreksi bobot (yang nantiya akan digunakan untuk memperbaiki nilai ) : Tiap-tiap unit tersembunyi ( ) memperbaiki bias dan bobotnya yaitu : hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai : Langkah (d) ini dilakukan sebanyak jumlah lapisan tersembunyi, yaitu menghitung informasi error dari suatu lapisan tersembunyi ke lapisan tersembunyi sebelumnya. Tiap-tiap unit tersembunyi menjumlahkan delta masukannya (dari-unit-unit yang berbeda yang berada pada lapisan diatasnya ) yaitu : Kalikan nilai ini dengan turunan dari fungsi aktifasinya untuk menghitung informasi error : Hitung bobot keluaran Hitung error jaringan menggunakan MSE (Means Square Error) dengan persamaan : Dimana : menyatakan jumlah inputan adalah nilai kesalahan hasil ramalan yang diperoleh dari, dalam hal ini adalah nilai data aktual dan adalah nilai ramalan. Jika iterasi = max iterasi dan target error <= minimum error maka simpan bobot keluaran yang akan digunakan untuk prediksi. Simpan bobot keluaran. Kemudian hitung koreksi bobot (yang nantinya digunakan untuk memperbaiki nilai yaitu : hitung juga koreksi bias (yang nantinya digunakan untuk memperbaiki ) :
Prediksi Data Menggunakan Backpropagation Neural Network Dimana : menyatakan jumlah data adalah nilai kesalahan hasil ramalan yang diperoleh dari, Denormalisasi data Denormalisasi data hanya dilakukan terhadap data target prediksi dengan tujuan untuk mengembalikan data target hasil normalisasi. Adapun persamaan yang digunakan adalah : Dimana : = Nilai data normal = hasil output jaringan = data dengan nilai minimum = data dengan nilai maximum Hasil denormalisasi digunakan untuk proses rekonstruksi Rekonstruksi Data menggunakan Haar Wavelet Gambar 4.4 Prediksi data Menggunakan Backpropagation Neural Network Adapun proses prediksi sebagai berikut : Ambil data prediksi hasil normalisasi Ambil bobot hasil pemodelan Lakukan perhitungan feedforward untuk mendapatkan hasil prediksi Hasil prediksi divalidasi terhadap data aktual Hitung error rata-rata prediksi menggunakan MSE Gambar 4.4 Rekonstruksi data menggunakan Haar Wavelet
Proses rekonstruksi ini dilakukan untuk mengembalikan data yang telah di dekomposisi menjadi data awal. Tahapan proses rekonstruksi yaitu : Ambil data hasil denormalisasi Tentukan banyak level rekonstruksi (dimana banyak level rekonstruksi sama halnya dengan banyak level pada proses dekomposisi). Rekonstruksi data dengan menggunakan matrik invers, sehingga di dapat hasil rekonstruksi berupa data aktual. 3. PENGUJIAN METODE WAVELET NEURAL NETWORK Berdasarkan proses pemodelan wavelet-neural network dengan model jaringan 2-3-1 menggunakan parameter sebagai berikut : Maksimum Iterasi (epoch) : 1000 Hidden Layer : 3 Traget Error : 0,01 Dari parameter tersebut akan dilakukan pemodelan sebanyak 20 kali pemodelan dengan learning rate yang berbeda. Adapun hasil dari pemodelan tersebut dapat dilihat pada tabel 3.1 sebagai berikut : Tabel 3.1 Hasil Pemodelan dengan perubahan learning rate ( dan maksimum iterasi 10.000 Learning rate Iterasi Pemodelan ( (epoch) 1 0,01 4624 2 0,02 2000 3 0,03 1633 4 0,04 1107 5 0,05 846 6 0,06 830 7 0,07 378 8 0,08 604 9 0,09 429 10 0,10 1000 11 0,20 223 12 0,30 139 13 0,40 299 14 0,50 218 15 0,60 139 16 0,70 68 17 0,80 55 18 0,90 78 19 1,00 44 20 2,00 24 Dari tabel pemodelan diatas, didapat pelatihan pola tercepat pada iterasi ke-24 dengan learning-rate 2.00 Selanjutnya model yang dibentuk diuji untuk mendapatkan hasil keluaran yang sesuai dengan target atau output yang telah ditentukan untuk memastikan ketepatan hasil keluaran dengan output yang diharapkan. Pengujian dilakukan dengan menghitung error rata-rata menggunakan MSE (Means Square Error) untuk mendapatkan akurasi model. Adapun hasil akurasi model dapat dilihat pada tabel 3.2 sebagai berikut : Tabel 5.4 Hasil Pengujian Pemodelan MSE Akurasi Prediksi 1 0,772% 99.228% 2 0,412% 99.588% 3 1,515% 98.485% 4 0,860% 99.140% 5 0,623% 99.377% 6 0,410% 99.590% 7 0,433% 99.567% 8 0,610% 99.390% 9 0,180% 99.820% 10 0,016% 99.984% 11 0,401% 99.599% 12 0,852% 99.148% 13 1,273% 98.727% 14 0,496% 99.504% 15 0,797% 99.203% 16 0,066% 99.934% 17 0,373% 99.627%
18 0,810% 99.190% 19 0,405% 99.595% 20 0,500% 99.500% Berdasarkan tabel hasil pengujian di atas, dapat dilihat ketepatan data yang dilatih dengan output yang diharapkan terdapat pada iterasi ke 1000 dengan learning rate 0,1 dengan akurasi model sebesar 99,984%. 4. PENUTUP A. Kesimpulan Adapun kesimpulan yang dapat diambil dari penelitian ini adalah sebagai berikut : Sistem Simulasi dan Prediksi Pasang Surut Air Laut menggunakan gabungan (hybrid model) dari Transformasi Wavelet dan Neural Network telah berhasil dibangun dengan bahasa pemrograman java. Dari pengujian yang dilakukan terhadap model yang dibangun menggunakan wavelet neural network terbukti dengan pelatihan dan pengujiannya. Dimana tercapat tingkat akurasi sebesar 99,984%. B. Saran Ada beberapa saran yang perlu disampaikan dalam penelitian ini, dengan harapan akan menjadi saran yang bermanfaat dikemudian hari, diantarannya adalah sebagai berikut : Membangun model prediksi backpropagation dengan menambahkan momentum atau menggunakan Metode Resilient Backpropagation untuk meningkatkan laju pembelajaran. Diharapkan kedepannya untuk memprediksi pasang surut air laut menggunakan komponenkomponen pembangkit pasang surut. DAFTAR PUSTAKA Budiharto, W., Suhartono, D., 2014., Artificial Intelligence konsep dan penerapannya., Yogyakarta., Andi E. Bire, C., Cahyono, B., 2012., Denoising pada Citra Menggunakan Transformasi Wavelet., Seminar Nasional Teknologi Informasi dan Komunikasi Terapan 2012. Gupta, Sangeeta., Singh, Vijander., Mittal, Alok P., Rai, Asha., 2014 A Hybrid Model of Wavelet and Neural Network for Short Term Load Forecasting., International Journal of Electronic and Electrical Engineering, Volume 7, Number 4. 2014. Hansun, S., 2013., Penerapan WEMA dalam peramalan data IHSG., Ultimatics, Vol. No.2 Desember 2013. Hidayat, Rachmat., Suprapto., Meminimalisasi Nilai Error Peramalan dengan Algoritma Extreme Learning Machine., 2012., Jurnal Optimasi Sistem Industri., Vol. 11 No.1, April 2012 : 187-192. Indrabayu., Harun, N., Pallu, M S., Achmad, A., 2011., Prediksi Curah Hujan Di Wilayah Makasar Menggunakan Metode Wavelet-Neural Network., Jurnal Ilmiah Elektrikal Enjiniring Volume 09/ No.02/Mei -Agustus/ 2011. Indra, F, C, S., 2014., Jaringan Syaraf Tiruan Memprediksi Ketersediaan Bahan Bakar Solar dengan Menggunakan Metode Backpropagation., pelita informatika budi darma Volume : VIII, Nomor 1 Desember 2014. Indriani., Kurniawati, N., Hendri, M., 2010., Simulasi Pemodelan Arus Pasang Surut di Luar Kolam Pelabuhan Tanjung Periok Mengguunakan Perangkat Lunak SMS 8.1., Maspari Journal 01.(2010) Kusumadewi, S., Hartati, S., 2010., Neuro-Fuzzy integrasi sistem fuzzy dan jaringan syaraf., Yogyakarta, Graha Ilmu. Puput. S.P., 2011., Simulasi Pasang Surut Menggunakan Jaringan Syaraf Tiruan dengan Pendekatan Gaya Pembangkit Pasang Surut (Studi Kasus Taman
Nasional Bunaken)., Tesis Institut Teknologi Bandung. Purwitasari, D., Sulaiman, R., Menak, S, A., 2009., Teknik peramalan Data Time Series Berbasis Dekomposisi Wavelet dan Multy Layer Perceptron., Proceedings of CITEE, Agustus 4, 2009. Putra. D., 2010., Pengolahan Citra Digital., Yogyakarta., Andi. Rahman. A. H, 2012., Analisa perbandingan watermarking Image menggunakan Discrete Wavelet Transform., Skripsi Universitas Indonesia. Yusuf, E.A., Suprayogi, I., Lilis, Y.H., 2015., Model Hidrolgi Runtun Waktu untuk Peramalan Debit Sungai Menggunakan Metode Gabungan Transformasi Wavelet-Artificial Neural Network., Jom FTEKNIK Volume 2 No. 1 Februari 2015. Wyrtki, K., 1961., Phyical Oceanography of South East Asian Waters., Naga Report Vol. 2 Scripps., Institute Oceanography., California. Sutarno., 2010., Analisisi Perbandingan Transformasi Wavelet pada Pengenalan Citra Wajah., Jurnal Generic Vol.5 No.2 (Juli 2010).