PERAMALAN KETINGGIAN MUKA AIR DENGAN JARINGAN SYARAF TIRUAN PERAMBATAN-BALIK
| Main Authors: | Setyawan, Herry Dharma, Setiyono, Budi, Isnanto, R.Rizal |
|---|---|
| Format: | Thesis NonPeerReviewed application/pdf |
| Terbitan: |
, 2011
|
| Subjects: | |
| Online Access: |
http://eprints.undip.ac.id/25353/1/M-L2F003506.pdf http://eprints.undip.ac.id/25353/2/M-L2F003506.pdf http://eprints.undip.ac.id/25353/ |
Daftar Isi:
- Banjir erat kaitannya dengan ketinggian muka air pada suatu daerah aliran sungai. Banjir bisa diantisipasi apabila diketahui tinggi permukaan air di waktu yang akan datang. Oleh sebab itu, perlu dilakukan penelitian untuk memprediksi tinggi permukaan air sehingga dapat digunakan untuk meramalkan terjadinya banjir. Dalam penelitian ini, sistem yang digunakan adalah sistem Jaringan Syaraf Tiruan Umpan-maju (Feedforward) dengan pelatihan Perambatan-balik (Backpropagation). Jaringan Syaraf Tiruan (JST) adalah model sistem komputasi yang berkembang sangat pesat yang dapat bekerja seperti sistem syaraf biologis yaitu dapat mengenali pola-pola yang telah diajarkan. Langkahlangkah penelitian meliputi analisis kebutuhan sistem, pengumpulan data, perancangan perangkat lunak, dan pengujian sistem. Pada penelitian ini, sebagai masukan JST adalah tinggi permukaan air dan curah hujan selama dua hari, sedangkan sebagai keluaran JST adalah tinggi permukaan air untuk satu dan dua jam kemudian. Perancangan perangkat lunak ini menggunakan bahasa pemrograman Delphi 7.0. Pengujian dilakukan untuk mencari arsitektur dan nilai parameter JST yang paling optimal pada proses pelatihan. Selain itu, pengujian dilakukan untuk mengetahui seberapa besar sistem mengenali data yang dimasukkan setelah melewati tahap pelatihan. Dari penelitian yang telah dilakukan, Jaringan Syaraf Tiruan Perambatan-balik yang sudah dilatih dengan data tinggi permukaan air dan curah hujan, dapat digunakan untuk memprediksikan tinggi permukaan air dengan rata-rata persentase kesalahan 1,97 % untuk prediksi satu jam ke depan dan 1,98 % untuk prediksi 2 jam ke depan. Pada pengujian arsitektur dan parameter pelatihan, didapatkan bahwa sistem akan optimal dengan 2 lapis tersembunyi dengan jumlah neuron 30 dan 25, laju pembelajaran 0,1 dan momentum 0,6. Kata Kunci : Tinggi muka air (Water level), Curah hujan (Rainfall), Jaringan Syaraf Tiruan (Artificial Neural Network), Umpan-maju (Feedforward), Perambatan-balik (Backpropagation)