ISSN: 1978 - 8282
PENGEMBANGAN MODEL JARINGAN SYARAF TIRUAN UNTUK
PRAKIRAAN TINGGI MUKA AIR HARIAN
SUNGAI BENGAWAN SOLO STASIUN JURUG
Mina Pusporani1 Palgunadi2 Sri Huning A 3 mail@usahidsolo.
ABSTRAKSI
Bengawan Solo mempunyai Daerah Aliran Sungai (DAS) seluas 16.
100 km2- merupakan sungai yang terpanjang di Pulau Jawa sehingga membutuhkan suatu sistem pengelolaan yang baik.
Manajemen sungai merupakan salah satu bidang hidrologi operasional yang cukup Prakiraan aliran sungai dibutuhkan sebagai informasi dasar pada berbagai masalah yang berhubungan dengan desain dan operasi sistem-sistem sungai.
Jaringan syaraf tiruan (JST) telah dikenal dengan kemampuannya dalam mengidentifikasi fungsi-fungsi non-linear, antara lain proses hidrologi.
Dalam penelitian ini, model jaringan backpropagation digunakan untuk memprakirakan tinggi muka air .
harian Sungai Bengawan Solo stasiun Jurug.
Data tinggi muka air harian dan curah hujan harian digunakan sebagai data pelatihan dan Untuk menguji performa jaringan, dalam penelitian dibuat tiga model JST.
Ketiga model JST Ae BP1.
BP2, dan BP3 Ae merupakan multilayer perceptron dengan satu hidden BP1 memiliki input berupa tma .
dan curah hujan .
empat hari sebelum prakiraan dan output berupa prakiraan tma.
BP2 dengan input dan output yang sama hanya berbeda dalam satuan Ae tma .
dan curah hujan .
BP3 dengan input berupa selisih tma .
dan curah hujan .
serta output berupa prakiraan selisih tma.
Ketiga model dilatih menggunakan algoritma Levenberg-Marquardt dan jumlah hidden neuron yang beragam .
Nilai mse dan korelasi setiap jaringan dibandingkan untuk mendapatkan model dan parameter jaringan yang optimal.
Dari hasil penelitian didapat kesimpulan bahwa model jaringan yang paling optimal dalam kasus ini adalah model BP3 dengan satu hidden layer dan empat hidden neuron karena menghasilkan nilai error terkecil dibandingkan dengan model yang Kata Kunci : Backpropagation, jaringan syaraf tiruan.
Percepton.
PENDAHULUAN
Bengawan Solo merupakan sungai yang terpanjang di Pulau Jawa, yang meliputi Provinsi Jawa Tengah dan Jawa Timur.
Berdasarkan geografi.
Wilayah Sungai Bengawan Solo Dosen Jurusan Teknik Informatika.
Universitas Sahid Surakarta Jl.
Adi Sucipto 154 Surakarta Dosen Jurusan Teknik Informatika.
Universitas Sahid Surakarta Jl.
Adi Sucipto 154 Surakarta Dosen Jurusan Teknik Informatika.
Universitas Sahid Surakarta Jl.
Adi Sucipto 154 Surakarta Vol.
2 No.
1 - September 2008 ISSN: 1978 - 8282 dibagi menjadi Sub Satuan Wilayah Sungai (Sub SWS) Bengawan Solo Hulu dan Sub SWS Bengawan Solo Hilir.
Pemanfaatan air Bengawan Solo antara lain untuk irigasi, kebutuhan rumah tangga melalui PDAM dan non-PDAM, industri, dan pertanian.
Prakiraan aliran sungai dibutuhkan sebagai informasi dasar pada berbagai masalah yang berhubungan dengan desain dan operasi sistem-sistem sungai.
Dalam hal ini, hubungan antara curah hujan .
dan aliran permukaan .
telah dieksploitasi secara luas pada banyak model rainfall-runoff konseptual (Danh, 1.
Proses transformasi rainfall-runoff telah diketahui sebagai proses yang sangat kompleks dan non-linear (Alvisi, 2.
Jaringan syaraf tiruan (JST) bisa jadi adalah teknik yang paling berhasil saat ini dengan struktur matematis fleksibel yang mampu mengidentifikasi hubungan non-linear kompleks antara data input dan output (Dibike, 2.
Alat pemodelan empiris ini didesain untuk mengemulasi kemampuan manusia dalam pengenalan pola melalui pemrosesan input multipel secara paralel (Aqil, 2.
Teknologi JST telah membuktikan banyak hasil menjanjikan dalam pemodelan sistem non-linear yang kompleks, dan aplikasinya dalam bidang hidrologi dan sumber daya air telah banyak dilaporkan, seperti prakiraan aliran sungai, prakiraan tinggi muka air, simulasi rainfall-runoff, dan prakiraan cuaca (Aqil.
Dalam penelitian ini, akan dikembangkan model JST untuk prakiraan tinggi muka air harian berdasarkan curah hujan dan tinggi muka air pada Sungai Bengawan Solo stasiun Jurug.
Penelitian ini bertujuan untuk mengetahui model jaringan JST backpropagation yang paling optimal dan pengaruh variabel-variabel ( jumlah hidden neuron, parameter input, dan satuan tm.
terhadap performansi JST.
Hasil penelitian ini diharapkan dapat membantu Perum Jasa Tirta I - sebagai pihak pengelola Sungai Bengawan Solo- dalam menentukan kebijakan langkah berkaitan dengan manajemen sungai.
II.
JARINGAN SYARAF TIRUAN
Definisi JST Jaringan Syaraf Tiruan adalah paradigma pemrosesan suatu informasi yang terinspirasi oleh sistem sel syaraf biologi, sama seperti otak yang memproses suatu informasi.
Elemen mendasar dari paradigma tersebut adalah struktur yang baru dari sistem pemrosesan informasi.
Jaringan Syaraf Tiruan, seperti manusia, belajar dari suatu Jaringan Syaraf Tiruan dibentuk untuk memecahkan suatu masalah tertentu seperti pengenalan pola atau klasifikasi karena proses pembelajaran.
Sistem jaringan syaraf tiruan merupakan suatu sistem yang memiliki pengetahuan dalam menganalisa suatu masalah dan melakukan pekerjaan-pekerjaan klasifikasi pola, pemodelan sistem dan memori asosiasi.
Klasifikasi pola digunakan untuk menganalisis pola-pola masukkan Vol.
2 No.
1 - September 2008 ISSN: 1978 - 8282 dengan cara mencari kemiripan pola-pola masukan.
Pemodelan sistem digunakan untuk pembuat simulasi sistem yang mampu menghasilkan keluaran dari suatu pola masukan yang akan disimulasikan.
Sedangkan memori asosiasi digunakan untuk menganalisis pola masukan yang tidak lengkap, misalnya pola masukan memiliki derau, terpotongpotong, rusak dan hanya bisa tampil sebagian (Yani, 2.
Model Dasar JST Jaringan syaraf tiruan (JST) adalah sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi.
JST dibentuk sebagai generalisasi model matematika dari jaringan syaraf biologi, dengan asumsi bahwa .
Pemrosesan informasi terjadi pada banyak elemen sederhana .
, .
Sinyal dikirimkan di antara neuron-neuron melalui penghubung-penghubung, dan .
Penghubung antar neuron memiliki bobot yang akan memperkuat atau memperlemah sinyal.
Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi .
iasanya bukan fungsi linie.
yang dikenakan pada jumlahan input yang diterima.
Besarnya output ini selanjutnya dibandingkan dengan suatu ambang batas.
JST ditentukan oleh tiga hal yaitu .
Pola hubungan antar neuron .
isebut arsitektur jaringa.
, .
Metode untuk menentukan bobot penghubung .
isebut metode training/learning/algoritm.
, dan .
Fungsi aktivasi.
Neuron adalah unit pemroses informasi yang menjadi dasar dalam pengoperasian jaringan syaraf tiruan.
Neuron terdiri atas tiga elemen pembentuk :
Himpunan unit Aeunit yang dihubungkan dengan jalur koneksi.
Jalur-jalur tersebut memiliki bobot/kekuatan yang berbeda-beda.
Bobot yang bernilai positif akan memperkuat sinyal dan yang negatif akan memperlemah sinyal yang dibawanya.
Jumlah, struktur, dan pola hubungan antar unit-unit tersebut akan menentukan arsitektur jaringan .
an juga model jaringan yang akan terbentu.
Suatu unit penjumlah yang akan menjumlahkan input-input sinyal yang sudah dikalikan dengan bobotnya.
Fungsi aktivasi yang akan menentukan apakah sinyal dari input neuron akan diteruskan ke neuron lain ataukah tidak (Siang, 2.
Arsitektur Jaringan Beberapa arsitektur jaringan yang sering dipakai dalam jaringan syaraf tiruan antara Jaringan layar tunggal .
ingle layer networ.
Dalam jaringan ini, sekumpulan input neuron dihubungkan langsung dengan sekumpulan Vol.
2 No.
1 - September 2008 ISSN: 1978 - 8282 Dalam beberapa model .
isal perceptro.
, hanya ada sebuah unit neuron Gambar 1.
Jaringan layar tunggal Jaringan layar jamak .
ultilayer networ.
Dalam jaringan ini, selain unit input dan output, ada unit-unit lain .
ering disebut layar Dimungkinkan pula ada beberapa layar tersembunyi.
Sama seperti pada unit input dan output, unit-unit dalam satu layar tidak saling berhubungan.
Gambar 2 .
Jaringan layar jamak Vol.
2 No.
1 - September 2008 ISSN: 1978 - 8282 Jaringan layar jamak dapat menyelesaikan masalah yang lebih kompleks dibandingkan dengan layar tunggal, meskipun kadangkala proses pelatihan lebih kompleks dan lama.
Jaringan reccurent Model jaringan reccurent mirip dengan jaringan layar tunggal ataupun ganda.
Hanya saja, ada neuron output yang memberikan sinyal pada unit input .
ering disebut feedback loo.
Fungsi Aktivasi Dalam jaringan syaraf tiruan, fungsi aktivasi dipakai untuk menentukan keluaran suatu Argumen fungsi aktivasi adalah net masukan .
ombinasi linier masukan dan Beberapa fungsi aktivasi yang sering dipakai adalah sebagai berikut :
Fungsi threshold .
mbang bata.
Untuk beberapa kasus, fungsi threshold yang dibuat tidak berharga 0 atau 1, tapi berharga -1 atau 1 .
ering disebut threshold bipola.
Fungsi sigmoid Gambar 3.
Fungsi sigmoid Vol.
2 No.
1 - September 2008 ISSN: 1978 - 8282 Fungsi sigmoid sering dipakai karena nilai fungsinya yang terletak antara 0 dan 1 dan dapat diturunkan dengan mudah.
fAo.
= f.
Ae f.
Fungsi identitas f.
= x Fungsi identitas sering dipakai apabila menginginkan keluaran jaringan berupa sembarang bilangan riil .
ukan hanya pada range .
, .
atau [-1, .
Bias Kadang-kadang dalam jaringan ditambahkan sebuah unit masukan yang nilainya selalu = 1.
Unit yang sedemikian itu disebut bias.
Bias dapat dipandang sebagai sebuah input yang nilainya = 1.
yi = wxi b Gambar 4.
Jaringan dengan satu bias pada input layer Perception Perceptron terdiri atas beberapa unit masukan .
itambah sebuah bia.
, dan memiliki sebuah unit keluaran.
Hanya saja fungsi aktivasi bukan merupakan fungsi biner .
tau bipola.
, tetapi memiliki kemungkinan nilai -1, 0, atau 1.
Gambar 5.
Single perceptron Vol.
2 No.
1 - September 2008 ISSN: 1978 - 8282 Untuk sebuah harga threshold y yang ditentukan :
1 jika net > y f.
= 0 jika y < net < y -1 jika net < - y secara geometris, fungsi aktivasi membentuk dua garis sekaligus, masing-masing dengan w1x1 w2x2 .
wnxn b = y dan .
w1x1 w2x2 .
wnxn b = -y Backpropagation Backpropagation adalah sebuah metode pelatihan .
jaringan syaraf multilayer yang sistematis.
Backpropagation menggunakan satu set pasangan nilai input dan output .
isebut pol.
Sebuah pola input diumpankan ke jaringan untuk menghasilkan sebuah output, yang kemudian dibandingkan dengan pola output aktual.
Jika tidak ada perbedaan antara output jaringan dan output aktual, maka pembelajaran tidak diperlukan.
Jika sebaliknya, bobot Ae yang mengekspresikan kontribusi input neuron kepada hidden neuron, dan hidden neuron kepada output Ae diubah .
engan arah terbalik dari output layer ke input laye.
Karena pelatihan tersebut menggunakan output aktual, metode Backpropagation disebut juga metode pelatihan dengan supervisi (Danh, 1.
Algoritma Backpropagation terdiri atas tiga fase.
Fase pertama adalah fase maju, yaitu pola input dihitung maju mulai dari lapisan input hingga lapisan output menggunakan fungsi aktivasi yang ditentukan.
Fase kedua adalah fase mundur, yaitu berdasarkan selisih antara output jaringan dengan target yang diinginkan dipropagasikan mundur mulai dari garis yang berhubungan langsung dengan lapisan output.
Fase ketiga adalah modifikasi bobot untuk menurunkan error yang terjadi.
Gambar 6.
JST backpropagation dengan satu hidden layer Vol.
2 No.
1 - September 2008 ISSN: 1978 - 8282 Proses matematis pada fase maju :
Masing-masing unit masukan (Xi , i = 1,.
menerima sinyal masukan Xi dan sinyal tersebut disebarkan ke unit-unit berikutnya .
nit-unit lapisan tersembuny.
Masing-masing unit di lapisan tersembunyi dikalikan dengan bobot dan dijumlahkan serta ditambah dengan biasnya:
Kemudian menghitung sesuai dengan fungsi aktivasi yang digunakan:
Bila yang digunakan adalah fungsi sigmoid, maka bentuk fungsi tersebut adalah:
Kemudian mengirim sinyal tersebut ke semua unit keluaran Masing-masing unit keluaran .
k, k = 1,2,3,.
dikalikan dengan bobot dan .
Menghitung kembali sesuai dengan fungsi aktivasi Fase mundur :
Masing-masing unit keluaran (Yk, k = 1,.
menerima pola target sesuai dengan pola masukan saat pelatihan dan dihitung galatnya:
yk = .
k Au y.
_in.
Karena fAo .
_in.
= yk menggunakan fungsi sigmoid, maka:
Menghitung perbaikan bobot .
emudian untuk memperbaiki wj.
Vol.
2 No.
1 - September 2008 ISSN: 1978 - 8282 Menghitung perbaikan bias:
Dan menggunakan nilai yk pada semua unit lapisan sebelumnya .
idden laye.
Masing-masing bobot yang menghubungkan unit-unit lapisan keluaran dengan unitunit pada lapisan tersembunyi (Zj, j = 1,.
dikalikan delta dan dijumlahkan sebagai masukan ke unit-unit lapisan berikutnya.
Selanjutnya dikalikan dengan turunan dari fungsi aktivasinya untuk menghitung galat.
yj = y_inj f .
_in.
kemudian menghitung perbaikan bobot .
igunakan untuk memperbaiki vi.
yEvij = yyj xi kemudian menghitung perbaikan bias .
ntuk memperbaiki v0.
yEv0j = yyj Perbaikan bobot dan bias :
Masing-masing keluaran unit .
k, k=1,.
diperbaiki bias dan bobotnya wjk.
= wjk.
yEwjk masing-masing unit tersembunyi (Zj, j=1,.
diperbaiki bias dan bobotnya vij.
= vij.
yEvij Selanjutnya proses yang terjadi adalah proses iterasi dalam dengan syarat penghentian yang ditentukan (Fausett, 1.
Keterangan :
: unit ke-i pada lapisan masukan : nilai aktivasi dari unti X i : unit ke-j pada lapisan tersembunyi Z_inj : keluaran untuk unit Zj : nilai aktivasi dari unit Zj : unit ke-k pada lapisan keluaran Y_ink : net masukan untuk unit Yk : nilai aktivasi dari unit Yk Vol.
2 No.
1 - September 2008 ISSN: 1978 - 8282 wk0 : nilai bobot pada bias untuk unit Yk wkj : nilai bobot dari Zij ke unit Yk yEwkj : selisih antara wkj.
dengan wkj.
vi0 : nilai bobot pada bias untuk unit Zi vij : nilai bobot dari unit X i ke unit Zi yEvij : selisih antara vij.
dengan vij.
yk : faktor pengaturan nilai bobot pada lapisan keluaran yj : faktor pengaturan nilai bobot pada lapisan tersembunyi y : konstanta laju pelatihan .
earning rat.
0<y<1 i.
METODOLOGI PENELITIAN
Objek dan Data Penelitian Area yang dipilih untuk penelitian ini adalah daerah aliran sungai (DAS) Sungai Bengawan Solo, khususnya pada stasiun Jurug.
Bagian hulu dimulai dari Bendungan Wonogiri hingga Kali Madiun, bagian setelah itu merupakan hilir sungai.
Terdapat lima stasiun pengukur debit dan tinggi muka air di bagian hulu yang dioperasikan oleh Perum Jasa Tirta I, antara lain Juranggempal.
Bendungan Colo.
Serenan.
Jurug, dan Tangen, serta satu stasiun pengukur curah hujan di Pabelan.
Sungai Bengawan Solo memiliki enam anak sungai yang bermuara padanya mulai dari hulu hingga stasiun Jurug.
DAS ini memiliki dua musim yaitu musin hujan (November Ae Apri.
dan musin kemarau (Mei Ae Oktobe.
Data yang digunakan pada perancangan JST adalah data sekunder tinggi muka air ratarata harian dalam satuan meter yang diukur pada stasiun Jurug pada tahun 2006 dan data curah hujan harian dalam satuan milimeter yang diperoleh dari stasiun Pabelan pada tahun 2006.
Data yang ada dibagi menjadi dua kelompok, bulan Januari hingga November untuk pelatihan jaringan dan bulan Desember untuk pengujian.
Karakteristik data tinggi muka air dan curah hujan dapat dilihat pada Tabel 1.
Tabel 1.
Statistik deskriptif data pelatihan dan pengujian JST TMA .
Nilai Curah hujan .
TMA & curah hujan Data Pelatihan .
= .
Data Pengujian .
= .
Data Pelatihan .
= .
Data Pengujian .
= .
Data Pelatihan .
= .
Data Pengujian .
= .
Maksimum
6,33
Minimum
Rata-rata 2,53 2,45 5,51 12,92 4,02 7,69 Standard deviasi
6,33
14,04
19,42
10,06
14,68
Vol.
2 No.
1 - September 2008 0,85 ISSN: 1978 - 8282 Pengembangan Model Dalam penelitian ini, dikembangkan tiga model JST yang kesemuanya menggunakan arsitektur multilayer perceptron dengan satu hidden layer.
Arsitektur tersebut dipilih karena hidden layer diperlukan dalam mengidentifikasi fungsi rainfall-runoff yang sudah dikenal memiliki hubungan non-linear.
Model tersebut diberi label BP1.
BP2, dan BP3.
Input neuron berisi data tinggi muka air rata-rata harian dan curah hujan harian beberapa hari sebelumnya.
Ketiga model dilatih dengan jumlah hidden neuron yang bervariasi .
Output yang dihasilkan adalah prakiraan tinggi muka air harian.
Fungsi aktivasi yang digunakan pada studi ini adalah fungsi aktivasi hiperbolik tangen sigmoid pada hidden layer, dan fungsi aktivasi logsigmoid pada output layer , di mana x adalah elemen vektor dari lapisan sebelumnya.
Kedua fungsi aktivasi dipilih karena mereka menghasilkan hasil yang baik dan menunjukkan fleksibilitas tinggi tanpa perubahan parameter model yang berarti (Alvisi, 2.
Karena fungsi logsigmoid memiliki nilai maksimum = 1, maka data input dan target pi ditransformasikan sehingga semua polanya memiliki range yang sama dengan fungsi sigmoid yang dipakai melalui di mana .
min, pma.
adalah variasi range dari variabel input.
Model BP1 Am.
= f[Cm.
,Cm.
,Cm.
,Cm.
,Am.
,Am.
,Am.
,Am.
] Gambar 7.
Arsitektur BP1 Vol.
2 No.
1 - September 2008 ISSN: 1978 - 8282 Model BP2 A.
= f[C.
,C.
,C.
,C.
,A.
,A.
,A.
,A.
] Gambar 8.
Arsitektur BP2 Model BP3 dA.
= f[C.
,C.
,C.
,C.
,dA.
,dA.
,dA.
] Gambar 9.
Arsitektur BP3 Keterangan :
Am: tinggi muka air .
Cm : curah hujan .
A : tinggi muka air .
C : curah hujan .
: waktu .
dA : selisih tinggi muka air .
Model BP1 memiliki delapan input neuron terdiri atas empat data curah hujan .
dan empat data tinggi muka air .
empat hari berturut-turut sebelum hari yang diperkirakan.
Jumlah data antecedent sebanyak empat hari dipilih berdasarkan penelitian Elena Toth dan Armando Brath .
serta Rosmina Ahmad Bustami et al .
Variabel input untuk model ini memiliki range .
Vol.
2 No.
1 - September 2008 ISSN: 1978 - 8282 Model BP2 hampir sama dengan BP1, hanya data curah hujan dalam satuan centimeter dan data tinggi muka air dalam satuan desimeter sehingga range antara nilai maksimum dan minimun data lebih sempit dari model BP1 .
Pada model BP3 digunakan selisih tinggi muka air dua hari berurutan dengan maksud error pada jaringan hanya berpengaruh pada selisih tinggi muka air yang bernilai lebih kecil dari pada nilai tinggi muka air secara keseluruhan dengan range input [-22,9.
Ketika variabel output berupa selisih tinggi muka air, prakiraan tingi muka air adalah A.
dan error relatif hanya berpengaruh pada komponen kedua .
Sebaliknya, ketika variabel output langsung berupa tinggi muka air A.
, error relatif yang sama akan menghasilkan error absolut yang lebih besar.
Mekanisme Pelatihan Algoritma pelatihan yang digunakan adalah Levenberg-Marquardt yang bekerja optimal pada model JST dengan sedikit neuron (Alvisi, 2.
Learning rate .
yang digunakan dalam pelatihan 0,1 karena nilai learning rate yang terlalu besar dapat membuat algoritma menjadi tidak stabil dan mencapai titik minimum lokal (Siang, 2.
Nilai bobot dan bias awal diisi dengan bilangan acak kecil yang ditetapkan oleh MATLABA.
Bobot yang menghasilkan nilai turunan aktivasi yang kecil sedapat mungkin dihindari karena akan menyebabkan perubahan bobotnya menjadi sangat kecil.
Demikian pula nilai bobot awal tidak boleh terlalu besar karena nilai turunan fungsi aktivasinya menjadi sangat kecil Oleh karena itu, dalam standard backpropagation, bobot dan bias diisi dengan bilangan acak kecil (Siang, 2.
Penilaian terhadap pelatihan jaringan dilakukan berdasarkan mean squared error .
dengan rumus :
Setiap jaringan dilatih hingga gradien perubahan mse mendekati nilai minimum, yang berarti nilai mse optimal untuk jaringan tersebut sudah tercapai.
Untuk penghentian interasi ditetapkan dengan jumlah epoch sebanyak 1000.
Iterasi dilanjutkan lagi apabila nilai gradien perubahan mse belum mendekati nilai minimum.
Proses pelatihan jaringan dilakukan menggunakan software MATLABA 7.
Mekanisme Pengujian Semua model JST yang telah dilatih diuji dengan data uji, yaitu data tinggi muka air stasiun Jurug dan curah hujan stasiun Pabelan bulan Desember 2006.
Nilai tinggi muka air prakiraan JST dan data tinggi muka air aktual dihitung korelasinya.
Model jaringan yang menghasilkan nilai korelasi yang terbesar dan error absolut yang terkecil dipilih sebagai model jaringan yang paling optimal.
Vol.
2 No.
1 - September 2008 ISSN: 1978 - 8282 Nilai error yang kecil merepresentasikan ketepatan prediksi JST.
Namun, nilai error sebaiknya tidak digunakan sebagai satu-satunya kriteria untuk menentukan performa jaringan (Yao, 1.
Oleh karena itu, digunakan juga nilai korelasi antara nilai tinggi muka air prakiraan JST dengan nilai tinggi muka air aktual sehingga didapatkan JST yang memiliki ketepatan prediksi dan korelasi yang tinggi dengan nilai aktual.
Proses pengujian jaringan dilakukan dalam software MATLABA 7.
1, sementara korelasi data prakiraan dan data sebenarnya dilakukan dalam software MINITABA 14.
IV.
HASIL DAN PEMBAHASAN
1 Hasil Pelatihan JST Model BP1 Hasil pelatihan model BP1 dapat dilihat dalam Tabel 2.
Tabel 2.
Hasil pelatihan model BP1
Hidden neuron
Gradien
0,85633800
0,85633800
0,00001121
0,00001035
0,00000645
0,00000546
0,00000393
0,00000301
1,93315e-012 3,0342e-007 2,08031e-006 1,10774e-005 1,28962e-006 1,29396e-007 7,03059e-006 Model BP2 Hasil pelatihan model BP2 dapat dilihat dalam Tabel 3.
Tabel 3.
Hasil pelatihan model BP2
Hidden neuron
Gradien
0,00303727
0,00199912
0,00235055
0,00159447
0,00174382
0,00109690
0,18480800
0,00041502
0,000998285
9,52685e-010 1,88155e-006 1,33604e-006 7,25357e-005 0,000222114 2,5893e-032 2,08228e-005 Vol.
2 No.
1 - September 2008 ISSN: 1978 - 8282 Model BP3 Hasil pelatihan model BP3 dapat dilihat dalam Tabel 4.
Tabel 4.
Hasil pelatihan model BP3 Hidden neuron Gradien 4,96504e-005 5,69474e-005 4,04911e-005 3,49326e-005 2,7522e-005 1,73947e-005 2,00082e-005 1,96478e-005 1,08868e-00 2,43572e-009 7,82241e-011 7,05494e-010 2,88485e-007 1,02691e-006 7,53881e-008 9,53003e-007 Perbandingan performa ketiga model JST dapat dilihat pada Tabel 5.
Tabel 5.
Perbandingan performa pelatihan BP1.
BP2, dan BP3 Hidden neuron Rata-rata error absolut BP1 .
BP2 .
BP3 .
Dari tabel di atas dapat dilihat bahwa dengan jumlah hidden neuron yang semakin banyak, error absolut jaringan pada fase pelatihan cenderung semakin kecil.
Pengujian JST Pengujian ketiga model JST dilakukan dengan 27 set data tinggi muka air stasiun Jurug dan curah hujan stasiun Pabelan bulan Desember 2006.
Pengujian dilakukan dalam lingkungan software MATLABA 7.
Parameter yang dinilai dalam proses pengujian Vol.
2 No.
1 - September 2008 ISSN: 1978 - 8282 antara lain.
Korelasi, dan mse nilai tinggi muka air prakiraan JST dengan data Model BP1 Hasil pengujian model BP1 dapat dilihat dalam Tabel 6.
Tabel 6.
Hasil pengujian model BP1
Hidden neuron
Korelasi
0,0080501
0,0080501
9,2992000
7,47400001
1,318700030
6,8811000
9,8872000
7,3221000
0,395
0,434
0,277
-0,100
0,275
0,287
Model BP2 Hasil pengujian model BP2 dapat dilihat dalam Tabel 7.
Tabel 7.
Hasil pengujian model BP2
Hidden neuron
Korelasi
778,7632
769,4621
619,8831
749,6946
909,6758
715,7946
11,5978
780,6696
0,754
0,569
0,516
0,577
0,589
0,409
0,350
Vol.
2 No.
1 - September 2008 ISSN: 1978 - 8282 Model BP3 Hasil pengujian model BP3 dapat dilihat dalam Tabel 8.
Tabel 8.
Hasil pengujian model BP3
Hidden neuron
Korelasi
103,5014
37,6029
117,2173
162,1188
47,4640
54,4122
100,7758
393,0124
-0,280
0,011
0,385
0,428
0,089
0,073
0,424
0,121
Dari ketiga tabel hasil pengujian di atas dapat dilihat bahwa nilai mse model BP2 dan BP3 lebih besar dari model BP1.
Hal itu dikarenakan output dari model BP2 dan BP3 berupa prakiraan tinggi muka air dalam satuan desimeter, sedangkan output model BP1 dalam satuan meter sehingga nilai error relatif dari model BP2 dan BP3 lebih Perbandingan performa jaringan pada fase pengujian dapat dilihat pada Tabel 9.
Tabel 9.
Perbandingan peforma pengujian BP1.
BP2, dan BP3 Hidden BP1 .
Rata-rata error BP2 .
Rata-rata error 0,395 0,434 0,277 -0,100 0,275 0,287 BP3 .
Rata-rata error
0,754 0,569 0,516 0,577 0,589 0,409 0,350 -0,280 0,011 0,385
0,428
0,089
0,073
0,424
0,121
Pada hasil pengujian model BP2 dengan 9 hidden neuron (BP2-.
didapatkan nilai Vol.
2 No.
1 - September 2008 ISSN: 1978 - 8282 mse terkecil dibandingkan model BP2 dengan jumlah hidden neuron berbeda, namun nilai korelasinya tidak bisa didapatkan karena hasil prakiraan BP2-9 untuk berbagai input yang berbeda menghasilkan nilai prakiraan sama.
Grafik perbandingan nilai prakiraan BP2-9 dengan nilai aktual dapat dilihat pada Gambar 10.
Gambar 10.
Perbandingan nilai prakiraan BP2-9 dengan nilai aktual Pemilihan Model JST yang Optimal Dari Tabel 5.
dan Tabel 9.
dapat dilihat bahwa nilai error yang kecil pada tahap pelatihan belum tentu akan menghasilkan nilai error yang kecil juga pada tahap pengujian.
Hal itu karena jaringan yang lebih kompleks .
engan banyak hidden neuro.
dan terlalu terfiksir .
pada data pelatihan dapat menghasilkan error yang kecil pada tahap pelatihan, namun jaringan tersebut dapat menemui kesulitan dalam beradaptasi dengan data lain (Yao, 2.
Berdasarkan nilai error absolut yang terkecil, maka model JST yang dipilih untuk prakiraan tinggi muka air stasiun Jurug adalah model BP3 dengan 4 hidden neuron (BP3-.
Model tersebut menghasilkan nilai mse 37,5014 atau error absolut sebesar 6,13 dm dan korelasi sebesar 0,011.
Grafik perbandingan nilai prakiraan BP3-4 dengan hasil pengukuran di lapangan dapat dilihat pada Gambar11.
Gambar 11.
Perbandingan nilai prakiraan BP3-4 dengan nilai aktual Vol.
2 No.
1 - September 2008 ISSN: 1978 - 8282 Berikut parameter-parameter model BP3 dengan 4 hidden neuron :
Gambar 12.
Arsitektur BP3-4 Input Output Hidden layer Hidden neuron Fungsi aktivasi Hidden layer Output layer Bias input layer Bias hidden layer Bobot input layer Bobot hidden layer : C.
,C.
,C.
,C.
,dA.
,dA.
,dA.
: dA.
: tansig : logsig : [-16.
: [-33.
: .
2071 Ae : [-0.
KESIMPULAN
Dari hasil pelatihan dan pengujian ketiga model JST dengan parameter jaringan yang berbeda-beda, didapatkan model yang paling optimal untuk prakiraan tinggi muka air Sungai Bengawan Solo Stasiun Jurug, yaitu multiplayer perceptron dengan satu hidden layer dan empat hidden neuron (BP3-.
karena model tersebut menghasilkan nilai error terkecil dibandingkan model yang lain.
Penggunaan selisih tinggi muka air sebagai input dan output pada BP3 menghasilkan performa jaringan yang lebih baik dibandingkan dengan penggunaan tinggi muka air sebagi input dan output.
Perbedaan jumlah hidden neuron berpengaruh pada kemampuan jaringan dalam mengenali pola dan beradaptasi dengan pola baru.
Semakin banyak hidden neuron, semakin tinggi kemampuan jaringan dalam mengenali pola data pelatihan.
Namun jumlah hidden neuron yang terlalu besar menurunkan kemampuan adaptasi jaringan Vol.
2 No.
1 - September 2008 ISSN: 1978 - 8282 terhdap pola baru.
Oleh karena itu diperlukan pelatihan dan pengujian dengan jumlah hidden neuron yang berbeda-beda untuk menentukan jumlah hidden neuron yang sesuai.
Dari hasil pengujian ketiga model JST, diperoleh arsitektur optimal JST untuk prakiraan tinggi muka air Sungai Bengawan Solo yaitu multiplayer perceptron dengan satu hidden layer dan empat hidden neuron (BP3-.
dengan parameter-parameter jaringan sebagai berikut :
Input : C.
,C.
,C.
,C.
,dA.
,dA.
,dA.
Output : dA.
Hidden layer Hidden neuron Fungsi aktivasi Hidden layer : tansig Output layer : logsig Bias input layer : [-16.
Bias hidden layer : [-33.
Bobot input layer : .
2071 Ae Bobot hidden layer : [-0.
II.
DAFTAR PUSTAKA