Upload
lamcong
View
223
Download
1
Embed Size (px)
Citation preview
ANALISA PERAMALAN GELOMBANG MENGGUNAKAN JARINGAN SYARAF
TIRUAN PADA PERENCANAAN DERMAGA TUKS PT.PETROKIMIA GRESIK
(PERSERO)
Ummul Muhlisa1, Very Dermawan
2, Prima Hadi Wicaksono
2
1Mahasiswa Program Sarjana Teknik Jurusan Pengairan Universitas Brawijaya
2Dosen Jurusan Pengairan Fakultas Teknik Universitas Brawijaya
ABSTRAK
Salah satu faktor penting yang harus diperhatikan dalam perencanaan bangunan pantai seperti pada
proyek pembangunan dermaga TUKS (Terminal untuk Kepentingan Sendiri) baru milik PT. Petrokimia
Gresik (Persero) adalah gelombang. Dalam menentukan karakteristik gelombang, studi ini menggunakan cara
analitis yaitu dengan metode Joint North Sea Wave Program (Jonswap) dan Wilson. Karakteristik gelombang
juga dapat diketahui dengan menggunakan program bersistem Jaringan Syaraf Tiruan (JST). Tujuan dari
penelitian ini adalah untuk mengetahui hasil dari pemodelan JST terhadap hasil dari cara analitis.
Pemodelan JST menggunakan algoritma backpropagation dengan memanfaatkan fungsi-fungsi pada
software MATLAB R2010a. Ada 3 set pelatihan dan pengujian yang dilakukan, antara lain: pelatihan data
tahun 2002-2006 untuk memprediksi data tahun 2007-2009, pelatihan data tahun 2002 -2009 untuk
memprediksi tahun 2010 – 2011, serta pelatihan tahun 2002-2011 untuk memprediksi data tahun 2015. Pada
tahap pelatihan jaringan, data input dan prediksi berisi data harian yang meliputi fetch rerata dan maksimum,
arah angin rerata dan maksimum, tegangan angin rerata dan maksimum untuk JST-Jonswap serta koreksi
angin terhadap elevasi rerata dan maksimum untuk JST-Wilson. Sedang target dan keluaran (output) data
meliputi tinggi dan periode gelombang hasil dari metode Jonswap dan Wilson. Setelah jaringan tersebut
dianalisa, dengan cara yang sama membuat kembali jaringan baru dengan mengganti data tegangan angin
(UA) dengan data kecepatan angin (U) pada input. Kemudian bandingkan mana yang terbaik.
Dari kesemua model tersebut pemodelan dengan jaringan syaraf tiruan dapat dikatakan berhasil,
ditandai dengan nilai Kesalahan Relatif (KR) tahap pelatihan dan tahap prediksi dibawah 5% dan nilai Mean
Squared Error (MSE) nya yang hampir mendekati 10-10
. Jika dibandingkan, pada tahap pelatihan pemodelan
JST-Wilson memiliki nilai KR dan MSE rerata tinggi dan periode gelombang lebih kecil daripada pemodelan
JST-Jonswap. Jika kedua pemodelan tersebut dibandingkan kembali dengan hasil pemodelan yang
menginputkan data kecepatan angin (U), nilai KR dan MSE rerata tinggi dan periode gelombang model
dengan input kecepatan angin (U) itulah yang lebih kecil. Sehingga dalam kasus ini menunjukkan pemodelan
JST dengan kecepatan angin yang diambil dari bandara terdekat memberikan hasil dengan akurasi yang baik.
Kata kunci : Jaringan Syaraf Tiruan, Matlab R2010a, Jonswap, Wilson
ABSTRACT
Wave is one important factor that must be considered in the planning of coastal buildings, such as
design of PT. Petrokimia Gresik (Persero) private port. In determining of wave characteristics, analytical
method that be used in this study are Joint North Sea Wave Program (Jonswap) method and Wilson method.
Characteristics of wave can be determined by using Artificial Neural Network (ANN) program too. The
purpose of this study is to know the result of ANN modeling and analytical method on wave forecasting,
such as the height and the period of wave.
ANN modeling use backpropagation algorithm with ANN tools of MATLAB R2010a software. There
are 3 sets of training and testing conducted, consist of: training data in 2002-2006 to predicting the data in
2007-2009, training data in 2002 -2009 to predicting the data in 2010-2011, and training data in 2002-2011 to
predicting the data in 2015. In the network training phase, input and prediction data contain daily data which
include avarage and maximum fetch, avarage and maximum wind direction, average and maximum wind
stress for ANN-Jonswap, and average and maximum wind elevation correction for ANN-Wilson. Target and
output data contain height and period of wave which produced from the Jonswap and Wilson method. After
the network have analyzed, it was done with the same methodology by replacing windstress data with the
wind velocity data and the result data will be compared.
The results of ANN models are close enough with Relative Error (RE) values are smaller than 5% and
the Mean Squared Error (MSE) values of them approach 10-10
. In comparison at the training phase, JST-
Wilson model has RE and MSE values of wave height and period is smaller than the JST-Jonswap model. If
these models results are compared with models that use wind velocity (U) as input data, RE and MSE values
of the models with wind velocity (U) as input is smaller. In this case, it is shown than ANN model with
windspeed data from nearby airport give good acuracy.
Keywords: Artificial Neural Network, Matlab R2010a, Jonswap, Wilson
1 PENDAHULUAN
Salah satu faktor yang harus dipertim-
bangkan dalam merencanakan suatu
bangunan pantai adalah gelombang laut-
nya. Dalam merencanakan bangunan-
bangunan pantai, faktor gelombang me-
mang menjadi faktor penting yang harus
diperhatikan mengingat perubahan garis
pantai juga dipengaruhi olehnya. Tak
terkecuali pada proyek perencanaan pem-
bangunan dermaga TUKS (Terminal
untuk Kepentingan Sendiri) baru milik
PT. Petrokimia Gresik (Persero) yang
teletak di Kabupaten Gresik.
Minimnya data gelombang laut men-
jadikan para perencana bangunan pantai
memanfaatkan data angin untuk mem-
bangkitkan tinggi dan periode gelom-
bang. Faktor-faktor yang menentukan
karak-teristik gelombang laut adalah
durasi angin (lamanya angin bertiup),
kecepatan angin bertiup, dan panjang
fetch. Cara analitis dalam pembangkitan
data gelombang laut yang sering di-
gunakan diantaranya metode Wilson dan
metode Joint North Sea Wave Program
(Jonswap).
Tuntutan dari berbagai pihak yang
membutuhkan informasi kondisi gelom-
bang laut yang lebih cepat, lengkap, dan
akurat menyebabkan adanya berbagai
pene-litian untuk menentukan metode
mana yang tepat dalam peramalan ge-
lombang. Kebutuhan ini mendorong ber-
kembangnya metode-metode prediksi ge-
lombang laut yang berbasis pemogram-
an. Salah satu metode pemograman yang
digunakan untuk memprediksi tinggi dan
periode signifikan gelombang laut adalah
menggunakan system Jaringan Syaraf
Tiruan (JST). Hal ini dikarenakan
jaringan syaraf tiruan memiliki
kemampuan untuk belajar dari pola-pola
data yang telah ada, seperti halnya
kemampuan yang dimiliki oleh otak
manusia. Penggunaan jaringan syaraf
tiruan telah dilakukan di berbagai bidang
dan wilayah prakiraan, baik pada bidang
prakiraan cuaca, prakiraan suhu udara,
serta prakiraan debit aliran sungai. Untuk
itu peramalan tinggi gelombang pada
perancanaan dermaga TUKS Baru PT.
Petrokimia di Gresik ini juga akan
menggunakan sistem JST. Jaringan syaraf
tiruan yang digunakan dalam kajian ini
menggunakan metode backpropagation
yang program-nya menggunakan
MATLAB R2010a. Menurut Anderson
(1989 dalam Fitria, 2010:11) metode
Backpropagation paling banyak dipakai
untuk melakukan prediksi nilai berdasar-
kan data time series. Data time series
pada studi ini diperoleh dari data kecepat-
an dan arah angin serta panjang fetch.
Dari data-data tersebut, maka sistem
jaringan syaraf tiruan akan mencoba
memprediksi tinggi gelombang yang
nantinya akan sangat membantu dalam
proses perencanaan dermaga TUKS baru
milik PT. Petrokimia Gresik (Persero).
Tujuan dari studi ini adalah untuk
mengetahui hasil pembangkitan
gelombang laut dengan cara analitis
menggunakan metode Jonswap, dan
metode Wilson serta hasil dari proses
pelatihan dan pengujian pada pemodelan
JST.
2 METODOLOGI STUDI
Studi ini akan meramalkan tinggi dan
periode gelombang pada perencanaan
dermaga TUKS Baru yang berada pada
pelabuhan milik PT. Petrokimia Gresik
(Persero). Pelabuhan ini terletak di Kabu-
paten Gresik, Provinsi Jawa Timur.
Lokasi Kabupaten Gresik terletak di
sebelah barat laut Kota Surabaya yang
merupakan Ibukota Provinsi Jawa Timur.
Peramalan gelombang akan dilakukan
dengan cara analitis menggunakan meto-
de Jonswap dan metode Wilson serta
dengan bantuan program komputer yang
bersistem Jaringan Syaraf Tiruan (JST).
2.1 Data yang Diperlukan
Dalam kajian ini data yang diperlu-
kan adalah sebagai berikut:
1. Peta lokasi studi. Peta ini digunakan
untuk penentuan panjang daerah
pembangkitan gelombang atau fetch.
Peta yang didapat adalah peta dengan
skala 1:2000.
2. Data kecepatan dan arah angin. Data
angin digunakan untuk memprediksi
besarnya tinggi gelombang dan
periode gelombang apabila tidak ada
data pengukuran gelombang di laut
dalam yang terjadi pada daerah studi.
Data yang digunakan merupakan
data harian mulai dari pengukuran
tahun 2002 – 2011 dan 2015 yang
diambil dari Lapangan Udara Juanda
Surabaya.
2.2 Langkah Studi
Menganalisis panjang fetch berdasar-
kan peta lokasi studi.
Mengolah data angin, dengan me-
ngoreksi data kecepatan angin ter-
hadap elevasi, lokasi serta stabi-
litasnya.
Membangkitkan data gelombang dari
data angin yang sudah terkoreksi
dengan menggunakan cara analitis
dengan dua metode pembangkitan
gelombang yaitu metode Wilson, dan
metode Jonswap.
Meramalkan gelombang mengguna-
kan pemodelan sistem jaringan
syaraf tiruan yang dalam pe-
ngerjaannya dapat menggunakan
fungsi pada MATLAB.
Membandingkan tinggi gelombang
yang didapat dengan menghitung ke-
salahan relatif yang dihasilkan dari
hasil pembangkitan gelombang seca-
ra analitis menggunakan metode
Wilson dan metode Jonswap dengan
hasil yang didapat dari pemodelan
Jaringan Syaraf
2.3 Peramalan Gelombang Mengguna-
kan Metode JONSWAP
Adapun langkah-langkah yang dila-
kukan untuk perhitungan pembangkitan
dengan metode JONSWAP adalah seba-
gai berikut (Anonim, 2010: 5-8):
1. Diketahui : UA (Wind Stress Factor),
F (Panjang Fetch efektif), dan
(durasi = waktu bertiupnya angin).
2. Kondisi :
a. Fetch Limited (FL) = Lama
hembus angin (t) > tc
b. Duration Limited (DL) = Lama
hembus angin (t) < tc
Untuk Kondisi Fetch Limited (FL):
Hitung H dari persamaan berikut:
2433,00016,0
2/1
22
AA
mo
U
gF
U
gH
Hitung T dari persamaan berikut:
134,82857,0
3/1
22
AA
p
U
gF
U
gT
3. Untuk Kondisi Duration Limited
(DL):
• Hitung Fmin dari persamaan berikut
Fmin = g
U
U
gt A
A
22/3
2.
.8,68
• Hitung H dengan menggunakan
rumus H pada Persamaan 1, dengan
nilai F=Fmin
• Hitung T dengan menggunakan
rumus T pada Persamaan 2, dengan
nilai F=Fmin
4. Nilai H dan T yang didapat dari
pembangkitan data angin tersebut
adalah:
• Nilai H → H = H1/3 = Hs = Tinggi
Gelombang Signifikan
• Nilai T → T = Tp = Periode puncak
spectrum, dimana Ts ~ 0.95 Tp (Ts =
Periode Gelombang Signifikan)
Keterangan:
td = durasi angin
Hmo = tinggi gelombang signifikan (m)
TP = periode puncak gelombang (dt)
TS = periode gelombang signifikan
(dt)
= 0,95TP
UA = 0,71 U101,23
(faktor tegangan
angin m/dt)
(1)
(2)
(3)
U10 = kecepatan angin pada ketinggian
10 m (m/dt)
F = panjang fetch (m)
2.4 Peramalan Gelombang Mengguna-
kan Metode Wilson.
Metode Wilson mengemukakan ben-
tuk persamaan pembangkitan geombang
oleh angin dengan menggunakan nilai
U10. Komponen gelombang dapat
diselesaikan dengan Persamaan 4 dan 5
berikut (Akpinar, 2014):
Hs : tinggi gelombang (m)
Ts : periode gelombang (dt)
U10 : Kecepatan angin pada elevasi +10
m (m/dt)
F : panjang fetch (m)
Nilai fetch (F) yang digunakan
tergantung pada kondisi gelombang.
Gelombang dikatakan kondisi fetch
limited ketika durasi angin (t) > tmin atau
Feff ≤ Fmin. Perhitungan tinggi dan
periode gelombang pada kondisi ini
menggunakan Persamaan 4 dan 5 dengan
nilai F merupakan nilai fetch efektif
(Feff). Sebaliknya jika kondisi termasuk
duration limited (nilai t ≤ tmin) maka
nilai fetch yang digunakan pada
Persamaan 4 dan 5 adalah nilai fetch
minimum yang dihitung menggunakan
Persamaan 6 berikut.
𝑡𝑚𝑖𝑛 = 1,0
Dengan:
F : panjang fetch (km)
𝑡𝑚𝑖𝑛 : durasi minimum (jam)
U10 : Kecepatan angin pada elevasi
+10 m (m/dt)
2.5 Langkah Pemodelan JST dengan
Matlab R2010a
Adapun langkah pemodelan dengan
JST adalah sebagai berikut:
1. Membuka MATLAB R2010a
2. Membuat variable data pada
workspace yaitu input data, target
data serta prediksi data.
3. Memasukkan data-data tersebut
dengan format numeric dan tampilan
dibuat horizontal.
4. Memanggil sistem JST dengan me-
ngetik ‘nntool’ pada command
window.
5. Mengimpor variabel data yang telah
dibuat tadi, dan sesuaikan dengan
jenis data pada data manager.
6. Membuat jaringan dengan mengklik
create pada data manager lalu
aturlah fitur-fitur sesuai yang
diinginkan.
7. Klik jaringan yang baru dibuat, lalu
masuk menu train.
8. Aturlah pelatihan yang diinginkan.
Pada kajian ini pelatihan dilakukan
dengan menggunakan 10.000 epoch
dan target MSE sebesar 10-10
.
9. Pelatihan terhenti apabila perulang-
annya mencapai 10.000 atau MSE
nya telah lebih kecil dari targetnya.
10. Setelah pelatihan berhenti grafik bisa
kita lihat pada pilihan plots.
11. Setelah grafik-grafik pada plot
tersebut cukup bagus, maka masuk
ke menu simulate. Menu ini
berfungsi untuk mengeluarkan hasil
prediksi dari proses pelatihan tadi.
12. Setelah itu masuk ke menu adapt.
Lalu adaptasikan pelatihan tersebut
kedalam output pelatihan.
13. Kemudian eksport semua output
pelatihan dan pengujian pada data
manager. Sehingga data output
pelatihan dan pengujain tersebut
akan muncul di workspace.
14. Hitung kesalahan relatif dan MSE
dari hasil pemodelan tersebut.
15. Jika telah memenuhi syarat KR <5%
maka pemodelan dilanjutkan untuk
set selanjutnya.
3 ANALISA DAN PEMBAHASAN
3.1 Distribusi Arah Angin
Penentuan persentase angin tiap arah
digunakan untuk mengetahui arah angin
(4)
(6)
yang paling dominan dan mengetahui
jumlah persentase kejadian angin selama
10 tahun dari tahun 2002-2011. Data
kecepatan angin rerata selama 10 tahun
tersebut diklasifikasikan dalam enam ke-
las dengan interval 3 m/detik berdasarkan
arah angin. Sedang data kecepatan angin
maksimum diklasifikasikan menjadi 5 ke-
las dengan interval 5 m/detik.
Pengklasifikasiannya pun dapat dili-
hat pada Tabel 1 dan Gambar 1 untuk ke-
cepatan dan arah angin rerata serta Tabel
2 dan Gambar 2 untuk kecepatan dan a-
rah angin maksimum berikut:
Tabel 1. Frekuensi Kejadian Angin Rerata
Sumber: Hasil Perhitungan
Gambar 1. Mawar Angin Perairan Gresik
untuk Data Angin Rerata 10 Tahun
Tabel 2. Frekuensi Kejadian Angin
Maksimum
Sumber: Hasil Perhitungan
Gambar 2. Mawar Angin Perairan Gresik
untuk Data Angin Maksimum 10 tahun
Dari tabel distribusi diatas dapat
dilihat bahwa angin rerata paling banyak
terdistribusi dari arah timur dengan per-
sentase kejadian sebanyak 64,50%. Begi-
tu pula pada distribusi kejadian angin
maksimum, arah timur juga paling ba-
nyak mengalami kejadian angin yaitu
sebesar 56,45%. Sedang persentase keja-
dian angin paling minimum terjadi pada
arah selatan yaitu 0,74% untuk angin
rerata, serta untuk angin maksimum
paling minimum terjadi pada arah barat
daya yaitu sebesar 1,59%.
3.2 Panjang Fetch
Fetch adalah daerah pembentukan
gelombang yang diasumsikan memiliki
kecepatan dan arah angin yang relatif
konstan. Pertama yang harus dilakukan
untuk menentukan fetch rerata efektif
adalah menggambar garis fetch pada peta
lokasi studi. Garis fetch digambar dari
titik pengamatan dengan interval 5°.
Adapun tabel perhitungan dan reka-
pitulasi panjang fetch dapat dilihat pada
Tabel 3 berikut. Tabel 3. Rekapitulasi Panjang Fetch
Sumber: Hasil Perhitungan
3.3 Rekapitulasi Tinggi dan Periode
Gelombang Metode Jonswap dan
Wilson
Setelah tinggi dan periode gelombang
dihitung, kedua hasilnya pun diban-
dingkan. Terdapat perbedaan dari hasil
tinggi dan periode gelombang yang di-
analisa menggunakan metode Jonswap
dan Wilson tersebut. Adapun rekapitulasi
tinggi dan periode gelombang setiap
tahun dari tahun 2002 hingga 2011 dan
juga tahun 2015 dapat dilihat pada Tabel
4 dan Tabel 5 berikut.
Tabel 4. Rekapitulasi Tinggi dan Periode Ge-
lombang Rerata
Sumber: Data perhitungan
Tabel 5. Rekapitulasi Tinggi dan Periode
Gelombang Maksimum
Sumber: Data perhitungan
Gelombang yang dihasilkan oleh
analisa Jonswap memiliki tinggi dan pe-
riode gelombang yang lebih besar jika di-
bandingkan dengan hasil analisa metode
Wilson. Dari rerata tahunan tinggi gelom-
bang dapat dilihat bahwa tinggi gelom-
bang rerata jonswap lebih besar 0,03 m
atau sekitar 16,5 % dan periode gelom-
bang lebih lama 0,06 detik atau sekitar
4,9% jika dibanding Wilson.
Kemudian jika dilihat dari analisa
metode Jonswap, tinggi gelombang pa-
ling maksimum terjadi pada tanggal 27
November 2003 dan 3 Februari 2004
yaitu sebesar 2,319 m. Pada hari yang
sama dengan menggunakan metode Wil-
son, tinggi gelombang juga mempunyai
ketinggian paling maksimum yaitu sebe-
sar 1,699 m. Jika dibandingkan, tinggi
gelombang maksimum metode Wilson
lebih kecil 26,7% dari hasil metode
Jonswap.
Sedang periode gelombang paling
maksimum dari metode Jonswap terjadi
pada tanggal yang sama yaitu 27
November 2003 dan 3 Februari 2004,
yaitu selama 6,018 detik sedang apabila
menggunakan metode Wilson, periode
gelombang terjadi selama 5,007 detik.
Sehingga perbedaannya hampir mencapai
1,01 detik, atau sekitar 16,8%.
3.4 Pemodelan JST dengan Matlab
Pada kajian ini sistem JST dapat di-
kelola dengan memanfaatkan fungsi pada
MATLAB R2010a. Selain cukup mudah
digunakan oleh pengguna, software ini
juga memiliki berbagai pilihan dalam al-
goritma pembelajaran misalnya percep-
tron, back-propagation dan lain seba-
gainya. Algoritma terbaik yang sering di-
pakai adalah backpropagation. Langkah
awal dalam pemodelan ini adalah mema-
sukkan input data pelatiahan, target data
pelatihan serta prediksi data untuk pengu-
jian. Adapun variabel input data meliputi:
x1 = Tegangan angin rerata (UA rerata)
untuk JST-Jonswap dan koreksi
angin terhadap elevasi (U10 rerata)
untuk JST-Wilson.
x2 = Tegangan angin maksimum (UA
maks) untuk JST-Jonswap dan
koreksi angin terhadap elevasi (U10
maks) untuk JST-Wilson.
x3 = Arah angin rerata
x4 = Arah angin maksimum
x5 = Fetch rerata
x6 = Fetch maksimum
Dan variabel output data meliputi:
o1 = Tinggi gelombang (Hs)
o2 = Periode gelombang (Ts)
Pada tahap pelatihan dan pengujian
jaringan, data input dan data prediksi
terdiri dari komponen data yang sama
yaitu x1, x2 hingga x6, yang membeda-
kannya hanya dari tahun saja yang di-
sesuaikan dengan tahun yang akan dilatih
dan diuji. Ada 3 set pelatihan dan
pengujian yang dilakukan yaitu: Set 1: training 2002-2006 prediksi 2007-2009
Set 2: training 2002-2009 prediksi 2010-2011
Set 3: training 2002-2011 prediksi: 2015
Perlu diingat bahwa hasil dari
prediksi set sebelumnya akan dijadikan
inputan data pada tahap pelatihan set
selanjutnya. Adapun untuk data target
disetiap pelatihan adalah berisi kompo-
nen variabel output o1 dan o2, yang
merupakan hasil perhitungan dengan me-
tode analitis yang dipilih yaitu Hs dan Ts
hasil metode Jonswap ataupun Wilson.
Setelah kedua jaringan dengan ma-
sing-masing 3 set dibentuk, dengan cara
yang sama dibuat jaringan baru namun
dengan mengganti input x1 dan x2 yang
semula UA rerata dan UA maksimum
menjadi kecepatan angin (U) rerata dan
maksimum. Kemudian dari kesemua ja-
ringan yang terbentuk, bandingkan hasil
Kesalahan Relatif (KR) dan hasil Mean
Suared Error (MSE) nya sehingga dida-
patkan jaringan yang terbaik.
3.5 Hasil KR dan MSE Tahap Pelatih-
an
Hasil tahap pelatihan pada kedua me-
tode kemudian dibandingkan dengan
tinggi dan periode gelombang metode
Jonswap dan Wilson. Keberhasilan tahap
pelatihan dapat dilihat dari nilai Kesalah-
an Relatif (KR) dibawah 5% dan Mean
Suared Error (MSE) nya medekati 10-10
.
KR dihitung menggunakan Persamaan
(7) berikut (Hasibun,2007:40):
dengan:
Kr = kesalahan relatif (%)
Xa = nilai asli (Hs dan Ts cara anali-
tis)
Xb = aproksimasi (Hs dan Ts hasil
pemodelan)
MSE dihitung menggunakan
Persamaan 8 berikut (Winita, 2011:6):
Dengan:
Yt : nilai aktual pada periode waktu t.
Ŷ’t : nilai ramalan untuk periode waktu t.
n : Jumlah data
Rekapitulasi hasil perbandingan
antara pelatihan JST dan metode Jonswap
dapat dilihat pada Tabel 6 berikut:
(7)
(8)
Tabel 6. Perbandingan KR dan MSE pada pemodelan JST-Jonswap dengan U dan UA
Sumber: Hasil Perhitungan
Dengan melihat perhitungan diatas,
hasil pelatihan JST-Jonswap-U memiliki
nilai KR lebih kecil jika dibandingkan
dengan KR hasil pelatihan JST-Jonswap-
UA. Nilai KR rerata Hs dan Ts JST-
Jonswap-UA adalah sebesar 1,20% dan
0,26% sedang nilai KR rerata Hs dan Ts
JST-Jonswap-U hanya sebesar 0,33% dan
0,05%. Begitu pula dengan perbandingan
hasil MSE diatas, tabel tersebut me-
nunjukkan bahwa MSE Hs dan Ts dari
tahap pelatihan JST-Jonswap-U juga me-
miliki nilai yang lebih kecil. MSE Hs dan
Ts JST-Jonswap-U hanya sebesar 5,07x
10-6
dan 3,33 x 10-6
sedang untuk hasil
pelatihan Hs dan Ts JST- Jonswap-UA
adalah sebesar 3,42x10-5
dan 5,9 x10-5
.
Kedua model dapat dikatakan berhasil
karena telah mencapai target nilai KR <
5% dan MSE mendekati 10-10
.
Sedang untuk jaringan yang meng-
gunakan metode Wilson untuk targetnya,
maka KR dna MSE dapat dilihat pada
tahap pelatihan dapat dilihat pada Tabel 7
berikut.
Tabel 7. Perbandingan KR dan MSE pada pemodelan JST-Wilson dengan U dan U10
Sumber: Hasil Perhitungan
Melihat perhitungan diatas, hasil
pelatihan JST-Wilson-U juga memiliki
nilai KR lebih kecil jika dibandingkan
dengan KR hasil pelatihan JST-Wilson-
U10. Nilai KR rerata Hs dan Ts JST-
Wilson-U10 adalah sebesar 0,97% dan
0,15% sedang nilai KR rerata Hs dan Ts
JST-Wilson-U hanya sebesar 0,52% dan
0,07%. Begitu pula dengan perbandingan
hasil MSE diatas, tabel tersebut me-
nunjukkan bahwa MSE Hs dan Ts dari
tahap pelatihan JST-Wilson-U juga me-
miliki nilai yang lebih kecil. MSE Hs dan
Ts JST-Wilson-U hanya sebesar 4,13x
10-6
dan 1,24 x 10-5
sedang untuk hasil
pelatihan Hs dan Ts JST- Wilson-U10
adalah sebesar 1,06x10-5
dan 3,2 x 10-5
.
Dengan melihat nilai KR dan MSE
dari pelatihan tersebut dapat ditarik ke-
simpulan bahwa pemodelan mengguna-
kan Jaringan Syaraf Tiruan ini cukup
berhasil karena nilai rerata KRnya masih
dibawah 5% dan nilai MSEnya juga
sudah mendekati 10-10
. Dan jika
dibandingkan nilai KR dan MSE pemo-
delan dengan input kecepatan angin (U)
lebih kecil dari pada pemodelan dengan
menginputkan tegangan angin (U10).
3.6 Hasil Perhitungan KR dan MSE
Tahap Pengujian
Ketika tahap pelatihan dapat dikata-
kan berhasil dengan melihat nilai KR dan
MSE nya, maka jaringan bisa dilanjutkan
ketahap prediksi untuk tahun selanjutnya.
Adapun hasil prediksi pada pemodelan
yang menggunakan kecepatan angin (U)
dan tegangan angin (UA) dalam meng-
inputkan datanya dapat kita lihat pada
Tabel 8 berikut.
Tabel 8. Rekapitulasi KR dan MSE Hasil Pengujian Pemodelan JST dengan U dan UA/U10
Sumber: Hasil Perhitungan
Dari perhitugan rekapitulasi KR re-
rata diatas, hasil prediksi pemodelan JST-
Jonswap-U dan JST-Wilson-U memiliki
nilai KR lebih kecil dari hasil prediksi
pemodelan dengan menggunakan UA
ataupun U10. Nilai KR prediksi gelom-
bang hasil pemodelan JST-Jonswap-U
adalah sebesar 0,28% untuk Hs dan
0,05% untuk Ts dengan MSE sebesar 9,4
x 10-7
dan 1,5x10-6
. Sedang KR Hs dan
Ts JST-Jonswap-UA adalah sebesar1,15%
dan 0,26% dengan nilai MSEnya sebesar
5,8 x 10-5
dan 3,7 x 10-4
. Begitu pula de-
ngan JST-Wilson, pemodelan dengan
menginputkan langsung nilai kecepatan
angin (U) memiliki nilai KR dan MSE
lebih kecil dari pada jika menginputkan
nilai koreksi angin terhadap elevasi (U10)
nya. KR Hs dan Ts JST-Wilson-U hanya
sebesar 0,60% dan 0,07% dengan MSE
sebesar 2,8 x 10-6
dan 9,9 x 10-6
. Sedang
KR Hs dan Ts JST-Wilson-U10 adalah
sebesar 0,87% dan 0,15% dengan nilai
MSEnya sebesar 6,7 x 10-6
dan 2,7 x 10-5
.
Kecilnya nilai KR dan MSE prediksi
tersebut menunjukkan bahwa tinggi dan
periode gelombang yang dihasilkan oleh
pemodelan jaringan syaraf tiruan ini
sudah hampir menyamai analisa yang
dilakukan oleh kedua metode analitis
yaitu metode Jonswap dan Wilson.
4 KESIMPULAN DAN SARAN
Dari hasil perhitungan dan analisa
data pada bab sebelumnya, terdapat hal-
hal yang dapat disimpulkan sebagai
berikut:
1. Metode yang dipakai dalam pem-
bangkitkan gelombang pada kajian
ini adalah metode Wilson dan
metode Jonswap (Joint North Sea
Wave Program). Terdapat perbedaan
hasil tinggi dan periode gelombang
dari kedua metode tersebut. Tinggi
gelombang rerata metode Wilson
lebih kecil 16,5% dan periodenya
juga lebih kecil 4,9% dibanding ting-
gi dan periode gelombang rerata
Jonswap. Tinggi gelombang rerata
metode Jonswap adalah sebesar
0,176 m dengan periode selama 1,21
detik. Sedang tinggi gelombang rera-
ta metode Wilson adalah sebesar
0,15 m selama 1,15 detik. Jika dilihat
dari gelombang maksimum yang
dihasilkan, tinggi gelombang mak-
simum metode Jonswap terjadi pada
tanggal 27 November 2003 dan 3
Februari 2004 yaitu sebesar 2,32 m
dengan periode terjadinya selama
6,02 detik. Pada hari yang sama
gelombang maksimum metode Wil-
son juga terjadi yaitu sebesar 1,70 m
dengan periodenya 5,01 detik. Jika
dilihat dari perbandingan tinggi dan
periode gelombang maksimum ter-
sebut, metode Wilson juga memiliki
tinggi maksimum lebih kecil 26,7%
dan periode lebih kecil 16,8% dari
tinggi dan periode gelombang mak-
simum yang dihasilkan oleh metode
Jonswap.
2. Tinggi dan periode gelombang pada
tahap pelatihan Jaringan Syaraf
Tiruan (JST) cukup baik, ditandai
dengan nilai Kesalahan Relatif (KR)
pada model yang lebih kecil dari 5%
dan nilai Mean Squared Error
(MSE) nya yang mendekati 10-10
.
Pemodelan yang targetnya adalah
Jonswao dan inputnya menggunakan
kecepatan angin (U), mempunyai KR
dan MSE paling kecil jika
dibandingkan dengan dengan pe-
modelan yang menginputkan tegang-
an angin (UA) dan pemodelan yang
menggunakan Wilson sebagai tar-
getnya. Adapun nilai KR dan MSE
hasil pelatihan adalah sebagai
berikut:
KR rerata Hs dan Ts JST-Wilson-U10
= 0,97% dan 0,15%
MSE Hs dan Ts JST-Wilson-U10
= 1,06x10-5
dan 3,2 x 10-5
KR rerata Hs dan Ts JST-Wilson-U
= 0,52% dan 0,07%
MSE Hs dan Ts JST-Wilson-U =
4,13x10-6
dan 1,24x10-5
KRrerata Hsdan Ts JST-Jonswap-UA
= 1,20% dan 0,26%
MSE Hs dan Ts JST-Jonswap-UA
= 3,42x10-5
dan 5,9 x10-5
KR rerata Hs dan Ts JST-Jonswap-U
= 0,33% dan 0,05%
MSE Hs dan Ts JST-Jonswap-U
= 5,07x10-6
dan 3,33x10-6
.
3. Hasil prediksi JST pada kedua meto-
de sangat baik, ditandai dengan telah
tercapainya target KR yang kurang
dari 5% dan MSE yang mendekati
10-10
pada pemodelan tersebut. Jika
dibandingkan, prediksi model JST-
Jonswap-U memiliki nilai KR dan
MSE paling kecil dibanding hasil
prediksi pemodelan lainnya. Nilai
KR dan MSE hasil prediksi model
adalah sebagai berikut:
KR rerata Hs dan Ts JST-Wilson-U10
= 0,87% dan 0,15%
MSE Hs dan Ts JST-Wilson-U10
= 6,7 x 10-6
dan 2,7 x 10-5
KR rerata Hs dan Ts JST-Wilson-U
= 0,60% dan 0,07%
MSE Hs dan Ts JST-Wilson-U
= 2,8 x 10-6
dan 9,9 x 10-6
KRrerata Hsdan Ts JST-Jonswap-UA
= 1,15% dan 0,26%
MSE Hs dan Ts JST-Jonswap-UA
= 5,8 x 10-5
dan 3,7 x 10-4
KR rerata Hs dan Ts JST-Jonswap-U
= 0,28% dan 0,05%
MSE Hs dan Ts JST-Jonswap-U
= 9,4 x 10-7
dan 1,5x10-6
Dari hasil kajian studi yang dilaku-
kan ada beberapa saran yang diajukan
penyusun agar studi selanjutnya bisa
lebih baik, antara lain:
Keberadaan data asli yang diambil di
lapangan akan sangat membantu da-
lam penentuan metode pembangkitan
gelombang yang tepat pada daerah
studi. Selain itu kajian yang lebih
mendalam terhadap metode pem-
bangkitan gelombang bisa dilakukan
untuk memecahkan faktor penyebab
adanya perbedaan terhadap tinggi
dan periode gelombang yang dihasil-
kan.
Kajian ini juga perlu dilanjutkan
dengan menggunakan arsitektur dan
parameter yang berbeda dari yang
penyusun lakukan. Dengan lebih ba-
nyak variasi pemodelan JST, diha-
rapkan dapat menghasilkan model
jaringan yang lebih optimal.
Penelitian lebih lanjut diharapkan
mampu mengaplikasikan jaringan
syaraf tiruan kedalam metode-
metode lain dengan data yang
berbeda dan dengan program yang
berbeda pula, sehingga menambah
khasanah keilmuan.
DAFTAR PUSTAKA
Akpinar, Adem. 2014. Performance Eva-
luation of Parametric Models
in the Hindcasting of Wave Pa-
rameters Along The South
Coast of Black Sea. Indian
Journal of Marine Sciences.
899-914.
Anonim. 2010. Modul Peningkatan Ke-
mampuan Perencanaan Tek-nis
Pengaman Pantai. Jakarta Sela-
tan: Kementerian Pekerjaan
Umum Direktorat Jederal Sum-
ber Daya Air Direktorat Rawa
dan Pantai.
Hasibuan, Zainal A. PhD. 2007.
Metodologi Penelitian Pada
Bidang Ilmu Komputer Dan
Teknologi Informasi. Depok:
Fasilkom Universitas Indonesia
Winita. 2011. Pemilihan Teknik
Peramalan dan Penentuan Ke-
salahan Peramalan. http://wini-
ta.staff.mipa.uns.ac.id.[Online]
2011. [Dikutip: 16 11 2015.]
http://winita.staff.mipa.uns.ac.i
d/files/2011/09/pemilihan-
teknik-peramalan.pdf.
Yunanti, Fitria. 2010. Aplikasi Jaringan
Syaraf Tiruan untuk Mempre-
diksi Prestasi Siswa SMU
dengan Metode Backpropaga-
tion. Yogyakarta