SISTEM PERAMALAN KENAIKAN PERMUKAAN AIR DENGAN ARTIFICIAL NEURAL NETWORKS BACKPROPAGATION (STUDI KASUS: DESA TANJUNG JAYA, KELURAHAN SURABAYA, KECAMATAN SUNGAI SERUT, KOTA BENGKULU)

Susanti , Ili and Efendi, Rusdi and Gunawan, Gusta (2014) SISTEM PERAMALAN KENAIKAN PERMUKAAN AIR DENGAN ARTIFICIAL NEURAL NETWORKS BACKPROPAGATION (STUDI KASUS: DESA TANJUNG JAYA, KELURAHAN SURABAYA, KECAMATAN SUNGAI SERUT, KOTA BENGKULU). Undergraduated thesis, Universitas Bengkulu.

Preview	Archive (Thesis) I,II,III,II-14-ili-FT.pdf - Bibliography Available under License Creative Commons GNU GPL (Software). Download (1MB) | Preview
Preview	Archive (Thesis) IV,V,VI,LAMP,II-14-ili-FT.pdf - Bibliography Available under License Creative Commons GNU GPL (Software). Download (1MB) | Preview

Abstract

Penelitian ini bertujuan untuk meramalkan kenaikan permukaan air 1 (satu) jam kedepan. Dalam penelitian ini, sistem yang digunakan adalah sistem Jaringan Syaraf Tiruan Backpropagation dengan metode pelatihan dan pengujian Levenberg-Marquardt. Jaringan Syaraf Tiruan (JST) adalah model sistem komputasi yang berkembang sangat pesat yang dapat bekerja seperti syaraf biologis yaitu dapat mengenali pola-pola yang telah diajarkan. Langkah-langkah penelitian meliputi analisis kebutuhan sistem, pengumpulan data, perancangan perangkat lunak dan pengujian sistem. Pada penelitian ini, sebagai masukkan JST adalah data koefisien aliran, intensitas curah hujan, dan luas daerah aliran sungai yang diolah menjadi kenaikan permukaan air selama satu hari (24 jam), sedangkan sebagai keluaran JST adalah kenaikan permukaan air untuk satu jam kemudian. Perangkat lunak ini dibangun dengan menggunakan bahasa pemrograman Matlab R2008b. 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 dengan metode Backpropagation yang sudah dilatih dengan data koefisien aliran, intensitas curah hujan, dan luas daerah aliran sungai, dapat digunakan untuk memprediksi kenaikan permukaan air dengan persentase kesalahan 1.76625 %. Pada pengujian arsitektur dan parameter pelatihan, didapat bahwa sistem akan optimal dengan jumlah neuron 10 dan 5, laju pembelajaran 0.1 dan momentum 0.8.

Actions (login required)

View Item