---

.

---

---

Metode dan Algoritma | Contoh Tugas Akhir Tesis Skripsi Teknik Informatika . Anda bisa melakukan konsultasi tentang Contoh Tugas Akhir Tesis Skripsi Teknik Informatika melalui form di samping kanan !!!

---

Contoh Tugas Akhir Tesis Skripsi Teknik Informatika

Latar belakang masalah

Badan Meteorologi dan Geofisika merupakan suatu lembaga pemerintahaan yang bertugas untuk memantau keadaan iklim dan cuaca di Indonesia. BMG juga bertugas meramalkan keadaan cuaca. Untuk meramalkan cuaca tersebut digunakan beberapa aplikasi yang telah tersedia. Aplikasi yang telah tersedia antara lain menggunakan metode ARIMA; merupakan metode yang mengolah data statistik masa lampau curah hujan yang ada, metode ANFIS; merupakan metode yang menggunakan jaringan saraf tiruan dan logika samar (fuzzy), dan metode WAVELET. 

Pada kenyataannya, menurut pihak BMG stasiun klimatologi Kenten (Palembang) tidak semua metode tersebut dapat bekerja secara optimal dalam meramal cuaca. Menurut pernyataan BMG metode yang paling optimal diantara ketiga itu adalah metode peramalan yang menggunakan ARIMA, sedangkan metode ANFIS yang bisa dikatakan lebih canggih karena menggunakan metode jaringan saraf tiruan malah tidak lebih baik daripada metode ARIMA, begitu juga metode WAVELET.  

Bedasarkan pernyataan diatas, maka penulis berencana untuk menggunakan metode propagasi balik, dimana metode ini juga menggunakan data time series untuk proses peramalan curah hujan (seperti halnya metoda ARIMA yang menggunakan data time series) untuk mengenali pola dari data curah hujan yang ada, tetapi tetap menggunakan jaringan saraf tiruan.

Dengan menggunakan teknologi di bidang Artificial Intellegence yaitu teknologi jaringan syaraf tiruan maka identifikasi pola data dari system peramalan curah hujan dapat dilakukan dengan metode pendekatan pembelajaran atau pelatihan yaitu untuk menentukan bobot penghubung antar simpul yang optimum. Keunggulan utama jaringan syaraf tiruan adalah kemampuan komputasi yang paralel dengan cara belajar dari pola-pola yang diajarkan. Berdasarkan kemampuan belajar yang dimilikinya, maka jaringan syaraf tiruan dapat dilatih untuk mempelajari dan menganalisa pola data masa lalu dan berusaha mencari suatu formula atau fungsi yang akan menghubungkan pola data masa lalu dengan keluaran yang diinginkan pada saat ini. 

Jaringan syaraf tiruan akan belajar mencari sendiri formula atau fungsi tersebut. Dengan kata lain, kaidah formula atau fungsi tidak perlu dirumuskan. Dengan adanya berbagai macam arsitektur jaringan dan pelatihan yang ada pada jaringan syaraf tiruan maka dapat dipilih arsitektur jaringan dan pelatihan yang digunakan agar jaringan syaraf tiruan dapat mempelajari dan menganalisa pola data masa lalu lebih tepat sehingga diperoleh keluaran yang lebih akurat (dengan kesalahan atau error yang minimum). 

Recurrent neural network merupakan modifikasi dari feed forward neural network yang sangat populer, dan tepat digunakan prediksi time series. Recurrent neural network mempunyai ciri yaitu menggunakan umpan balik dari output ke input. 

Berdasarkan spesifikasi diatas, penulis berharap dengan menggunakan recurrent neural network  dapat menghasilkan suatu sistem peramalan curah hujan akurat dan optimal.

Perumusan masalah

Beberapa permasalahan yang akan dibahas pada tugas akhir ini adalah :

1. Bagaimana meramal curah hujan menggunakan recurrent neural network?

2. Bagaimana menganalisa performansi dan akurasi hasil peramalan curah hujan menggunakan recurrent neural network berdasarkan parameter penelitiannya yaitu parameter jaringan saraf tiruan itu sendiri, antara lain learning rate, lapisan tersembunyi, fungsi aktivasi, bobot awal, dan galat, dibandingkan dengan data aktual yang tersedia?

Batasan masalah yang digunakan pada tugas akhir ini adalah :

1. Data yang digunakan adalah data curah hujan stasiun klimatologi Kenten kota Palembang.

2. Data yang digunakan adalah data antara tahun 1999-2008. Dimana data pelatihan sebesar 80% (1999-2006) sedangkan data pengujian dan validasi sebesar 20% (2007-2008).

3. Arsitektur Recurrent Neural Networks menggunakan arsitektur Jordan Recurrent Neural Network.

4. Algoritma pelatihan menggunakan Backpropagation Through Time.

3. Tujuan

Berdasarkan permasalahan di atas, tujuan dari tugas akhir ini adalah:

Menganalisa performansi dan akurasi hasil prediksi curah hujan menggunakan recurrent neural networks berdasarkan parameter penelitiannya yaitu parameter jaringan saraf tiruan itu sendiri, antara lain learning rate, lapisan tersembunyi, fungsi aktivasi, bobot awal, dan galat, dibandingkan dengan data aktual yang tersedia.

Metodologi penyelesaian masalah

Metodologi yang akan digunakan untuk menyelesaikan tugas akhir ini adalah : 

1. Studi Literatur

Pada tahap ini, dilakukan pencarian informasi dan referensi mengenai topik yang dibahas, seperti tentang curah huajan, konsep algoritma dan cara kerja recurrent neural khususnya mengenai jaringan Jordan dan mengenai Backpropagation Through Time.

2. Pengumpulan Data

Pada tahap ini, dilakukan pengumpulan himpunan data curah hujan untuk kebutuhan perancangan sistem peramalan curah hujan dari Januari 1999 sampai dengan Desember 2008. 

3. Analisa Kebutuhan dan Perancangan Desain Sistem Aplikasi

Pada tahap ini, dilakukan analisis data hasil uji coba berbagai algoritma penunjang yang sudah ada, yaitu recurrent neural network. Dilanjutkan dengan pembuatan model konseptual yang sesuai dengan recurrent neural network untuk peramalan curah hujan.

4. Implementasi

Pada tahap ini, dilakukan implementasi (pengkodean) berdasarkan rancangan yang dilakukan pada tahap sebelumnya untuk dapat menghasilkan perangkat lunak yang dapat meramalkan curah hujan sesuai dengan metode recurrent neural networks.

5. Pengujian dan analisis hasil

Pada tahap ini, dilakukan pengujian dan analisis terhadap sistem aplikasi dengan cara mengolah himpunan data curah hujan pada waktu tertentu kemudian membandingkan hasil keluaran sistem dengan data curah hujan yang sebenarnya.

6. Penyusunan Laporan Tugas Akhir dan Kesimpulan Akhir

Pada tahap ini, dilakukan penyusunan laporan tugas akhir dan akan didapat suatu kesimpulan dari tugas akhir tersebut.

Tinjauan Pustaka

5.1 Metode CGF

Sistem peramalan yang dibuat menggunakan metode CGF sebagai engine utama sistem. Metode CGF ini memproses semua data nilai tukar mata uang yang telah terkumpul. Hasil dari proses metode CGF ini diharapkan membentuk suatu arsitektur jaringan yang dapat digunakan untuk meramalkan nilai tukar mata uang dengan tingkat akurasi yang baik. 

Gambar 3 1: Gambaran umum sistem peramalan CGF

Pada gambar 3-1 di atas memperlihatkan gambaran umum sistem peramalan CGF. Secara umum ada tiga proses yang dilakukan yaitu:

1. Proses pelatihan

Proses pelatihan menggunakan data yang diambil dari data penutupan nilai tukar mata uang. Data pelatihan yang masih bernilai ribuan dilakukan pre-processing sebelum diproses dengan metode CGF. 

Pada proses pelatihan terdapat target pelatihan yang dihubungkan dengan proses metode CGF. Hal ini dimaksudkan supaya sistem peramalan CGF dapat melakukan proses pelatihan sehingga membentuk arsitektur jaringan dan knowledge untuk menghasilkan keluaran yang bernilai sama atau hampir sama dengan target yang ingin dicapai.

2. Proses pengujian

Proses pengujian menggunakan data pengujian yang diambil dari data penutupan nilai tukar mata uang. Antara data pengujian dengan data pelatihan berbeda. Data pengujian ini, seperti halnya data pelatihan, masih bernilai ribuan dilakukan pre-processing sebelum diproses dengan metode CGF.

Pada proses pengujian terdapat target pengujian yang dihubungkan dengan proses metode CGF. Selain target pengujian juga arsitektur jaringan dan knowledge, hasil dari proses pelatihan, dihubungkan juga dengan proses metode CGF. Diharapkan proses pengujian dengan target pengujian dan arsitektur jaringan dapat menghasilkan hasil pengujian yang baik.

3. Proses peramalan

Setelah melakukan proses pelatihan dan proses pengujian diharapkan terbentuk suatu arsitektur jaringan dan knowledge untuk sistem peramalan CGF. Arsitektur jaringan dan knowledge inilah yang digunakan pada proses peramalan sehingga diharapkan proses peramalan yang dilakukan menghasilkan hasil peramalan dengan tingkat akurasi yang baik.

Metode CGF yang diterapkan pada pemrograman Matlab dijadikan suatu fungsi yang diberi nama ‘latih_cgf’. Pada fungsi ini terdapat beberapa masukan dan keluaran yang ditunjukkan oleh tabel 3-1 dan tabel 3-2.

Tabel 3 1: Masukan pada fungsi ‘latih_cgf’

Simbol masukan Nama masukan Tipe

Net Neural network -

Pd Vektor masukan Vektor

Tl Vektor target Vektor

Ai Masukan awal Skalar

Q Ukuran batch Skalar

TS Waktu untuk langkah Time

VV Matriks kosong [ ] atau struktur dari vektor validasi Matriks

TV Matriks kosong [ ] atau struktur dari vektor pengu-jian Matriks

Tabel 3 2: Keluaran pada fungsi ‘latih_cgf’

Simbol keluaran Nama keluaran Tipe

Net Jaringan hasil pelatihan -

TR Record pelatihan dari setiap epoch berakhir -

TR.epoch Nilai epoch Skalar

TR.perf Performansi pelatihan Skalar

TR.vperf Performansi validasi Skalar

TR.tperf Performansi pengujian Skalar

Ac Kumpulan layer keluaran untuk epoch terakhir -

El Layer error untuk epoch terakhir -

Gambar 3 2: Skema fungsi ‘latih_cgf’

Pada gambar 3-2 memperlihatkan setelah masukan ada inisialisasi bobot jaringan dan flag stop. Flag stop bernilai nol memberi tanda kalau proses ‘latih_cgf’ dapat dilakukan, sedangkan flag stop bernilai satu jika admin memberhentikan pelatihan walaupun pelatihan sedang berjalan dan mengakibatkan proses ‘latih_cgf’ berhenti.

Setelah inisialisasi terdapat seleksi epoch. Untuk epoch awal (epoch=0) maka melakukan beberapa langkah sebagai berikut:

1. Menghitung performansi awal (perf).

2. Menghitung gradien awal (gX) dan norm of gradient (normgX).

3. Menentukan awal arah pencarian (dX) dan awal lereng (dperf).

Setelah melakukan epoch awal, terjadi seleksi dimana proses ‘latih_cgf’ berhenti jika:

a. Performansi goal didapatkan: perf <= goal

b. Maksimum epoch tercapai: epoch == epochs

c. Maksimum waktu terlampaui: currentTime > time

d. Minimum gradien tercapai: normgX < min_grad

e. Minimum langkah tercapai: a == 0

f. Flag stop = 1 jika admin menghentikan pelatihan.

Kalau pelatihan tidak berhenti maka proses ‘latih_cgf’ kembali ke seleksi epoch untuk epoch selain nol sampai epoch yang terakhir maka dilakukan beberapa langkah sebagai berikut:

1. Menghitung perubahan performansi (ch_perf) dan norm of gradient (normgX).

2. Menghitung arah pencarian modifikasi parameter (Z).

3. Menghitung arah pencarian yang baru (dX).

4. Menyimpan arah pencarian baru (dX) dan norm of gradient.

5. Normalisasi arah pencarian (dX).

6. Memeriksa untuk arah lereng (dperf>=0).

7. Membuat record pelatihan (tr.perf).

Setelah pelatihan dilakukan sampai epoch yang terakhir maka proses ‘latih_cgf’ menghasilkan keluaran seperti yang terdapat pada tabel 3-2.

5.2 Jaringan syaraf tiruan

Pada jaringan syaraf tiruan untuk sistem peramalan CGF ada beberapa hal yang perlu diperhatikan:

1. Arsitektur jaringan (multi layer network) 

Gambar 3 3: Arsitektur jaringan layer jamak sistem peramalan CGF

Gambar 3-3 di atas memperlihatkan arsitektur jaringan layer jamak sistem peramalan CGF yang terdiri dari:

a. Layer masukan terdiri dari 15 unit data time series (X1, X2, …, X15), menggambarkan kalau data masukan yang digunakan pada sistem peramalan CGF sebanyak 15 buah data.

b. Layer tersembunyi terdiri dari   unit tersembunyi, pada referensi [11] disebutkan bahwa tidak ada teori yang dengan pasti dapat dipakai untuk menentukan jumlah layer tersembunyi (dan unitnya). Tapi secara praktis dicoba jaringan yang kecil terlebih dahulu (misal terdiri dari satu layer tersembunyi dengan beberapa unit saja). Jika gagal (kesalahan tidak turun dalam epoch yang besar), maka jaringan diperbesar dengan menambahkan unit tersembunyi atau bahkan menambah layer tersembunyi.

c. Layer keluaran terdiri satu unit keluaran. Satu unit keluaran ini adalah hasil peramalan nilai tukar mata uang satu hari ke depan.

d. Antara layer masukan dengan layer tersembunyi ada beberapa bobot penghubung, misalnya V15p adalah bobot penghubung antara unit ke-15 layer masukan dengan unit ke-  layer tersembunyi. Antara layer tersembunyi dengan layer keluaran juga ada beberapa bobot penghubung, misal Wp1 adalah bobot penghubung antara unit ke-  layer tersembunyi dengan unit ke-1 layer keluaran.

2. Metode untuk menentukan bobot penghubung

Metode yang digunakan untuk menentukan bobot penghubung pada sistem peramalan CGF adalah algoritma gradien conjugate dengan metode fletcher-reeves (CGF = Conjugate Gradient Fletcher-reeves).

3. Fungsi aktivasi

Fungsi aktivasi yang digunakan pada sistem peramalan CGF adalah fungsi sigmoid biner (log-sigmoid transfer function). Nilai fungsi ini terletak antara 0 dan 1 dan dapat diturunkan dengan mudah.

5.3 Ilustrasi sistem

Sistem peramalan CGF terdiri dari tiga proses yaitu proses pelatihan, proses pengujian, dan proses peramalan. 

5.3.1 Proses pelatihan 

Gambar 3 5: Ilustrasi proses pelatihan sistem peramalan CGF

Gambar 3-5 di atas memperlihatkan ilustrasi sistem peramalan CGF pada proses pelatihan. Data pelatihan dan target pelatihan yang masih bernilai ribuan, dilakukan pre-processing. Setelah di pre-processing data pelatihan dimasukkan ke dalam proses CGF untuk diproses. Kemudian aristektur jaringan akan meng-update semua keluaran dan bobot. 

Error yang ditimbulkan akibat perbedaan antara keluaran proses CGF dengan target pelatihan kemudian dimasukkan kembali ke proses CGF. Pada akhir proses pelatihan menghasilkan knowledge dan arsitektur jaringan. Perancangan dari knowledge berupa matriks dimana baris ke-  merepresentasikan unit ke-  pada layer tujuan dan kolom ke-  merepresentasikan unit ke-  pada layer asal. Isi dari matriks berupa bobot-bobot yang menghubungkan unit dari layer asal ke layer tujuan.

5.3.2 Proses peramalan 

Gambar 3 6: Ilustrasi proses peramalan sistem peramalan CGF

Gambar 3-6 di atas memperlihatkan ilustrasi sistem peramalan CGF pada proses peramalan. Dimulai dari kumpulan data masukan time series dimasukkan ke dalam sistem peramalan CGF dan di pre-processing. Kemudian hasil pre-processing dimasukkan ke knowledge dan arsitektur yang dipakai. 

Setelah itu diproses dengan metode CGF dan dihasilkan keluaran berupa hasil peramalan. Selanjutnya hasil peramalan di post-processing supaya menjadi hasil peramalan real yang bernilai ribuan. Untuk menghitung MAPE (Mean Absolute Percentage Error) diperlukan suatu nilai aktual yang akan dibandingkan dengan hasil peramalan real.

---

ActionScript AS3 ASP.NET AJAX C / C++ C# Clipper COBOL ColdFusion DataFlex Delphi Emacs Lisp Fortran FoxPro Java J2ME JavaScript JScript Lingo MATLAB Perl PHP PostScript Python SQL VBScript Visual Basic 6.0 Visual Basic .NET Flash MySQL Oracle Android

---

Related Post :

---

Judul: Contoh Tugas Akhir Tesis Skripsi Teknik Informatika
Rating: 100% based on 99998 ratings. 5 user reviews.
Ditulis Oleh Anonim

Anda sedang membaca artikel tentang Contoh Tugas Akhir Tesis Skripsi Teknik Informatika, Semoga artikel tentang Contoh Tugas Akhir Tesis Skripsi Teknik Informatika ini sangat bermanfaat bagi teman-teman semua, jangan lupa untuk mengunjungi lagi melalui link Contoh Tugas Akhir Tesis Skripsi Teknik Informatika.

---