Optimasi Jaringan Syaraf Tiruan Backpropagation Dengan Particle Swarm Optimization Untuk Prediksi Pasang Surut Air Laut

Penulis

  • Nerfita Nikentari Universitas Maritim Raja Ali Haji
  • Hendra Kurniawan Universitas Maritim Raja Ali Haji
  • Nola Ritha Universitas Maritim Raja Ali Haji
  • Denny Kurniawan Universitas Maritim Raja Ali Haji

DOI:

https://doi.org/10.25126/jtiik.2018551055

Kata Kunci:

particle swarm optimization, jaringan syaraf tiruan, prediksi, pasang surut air laut

Abstrak

Indonesia merupakan negara maritim yang lebih dari 70 % wilayahnya adalah lautan. Lautan memiliki banyak fenomena alam yang mempengaruhi kehidupan sehari-hari masyarakat bahari atau masyarakat yang hidup tergantung pada laut. Salah satu fenomena alam dari laut adalah pasang surut. Pasang surut air laut dalam hal ini tinggi memegang peranan penting pada masyarakat diberbagai aspek seperti transportasi, pariwisata dan ekonomi. Prediksi tinggi pasang surut air dapat bermanfaat untuk memudahkan segala aktifitas masyarakat bahari. Penelitian ini menggunakan metote Particle Swarm Optimization (PSO) dan Jaringan Syaraf Tiruan (JST) untuk prediksi tinggi pasang surut air laut. Metode Particle Swarm Optimization dan Neural Network memiliki beberapa parameter inputan seperti, jumlah neuron input, learning rate, swarm, c1,c2 inertia min, inertia max. Data yang digunakan sebanyak 1000 yang terbagi menjadi  700 data training dan 300 data testing. Hasil pengujian menunjukkan akurasi prediksi adalah 91.56 %  dengan menggunakan 90 swarm, learning rate 0,9 dan iterasi sebanyak 20 kali.

 

Abstract

Indonesia is a maritime country where 70% of its territory is  the ocean. Oceans have many natural phenomena that affect the daily lives of maritime communities or people who live dependent on the sea. One of the natural phenomena of the sea is tide level. Tide level plays an important role in the community both directly and indirectly such as transportation, tourism and the economy. Predictions of tide level can be useful to facilitate all marine activities. This study uses Particle Swarm Optimization (PSO) and Artificial Neural Networks (ANN) to forecast tide level. PSO is used to optimize the minimum error value on the network in order to get the ideal ANN network. The Particle Swarm Optimization and Neural Network methods have several input parameters such as number of input neurons, learning rate, swarm, c1, c2 inertia min, inertia max. The number of data being used in this reseach is 1000 which divided into 700 training data and 300 testing data. The test results shows the prediction accuracy level is 0. 078373 using 90 swarms, learning rate is 0.9 and iteration is 20 times.

 

Downloads

Download data is not yet available.

Referensi

BADRUL, M., 2013. Prediksi Hasil Pemilu Legislatif DKI Jakarta Dengan Metode Neural Network Berbasis Particle Swarm Optimization. Techno Nusa Mandiri, 9(1), pp. 37-47.

FADILAH., SURIPIN., dan SASONGKO. D.P.,2014. Menentukan Tipe Pasang Surut Dan Muka Air Rencana Perairan Lat Kabupaten Bengkulu Tengah Menggunakan Metode Admiralty. Maspari Journal. 6(1). pp. 1-12.

JAUHARI, D., HIMAWAN, A., dan DEWI, C. 2016. Prediksi Disribusi Air PDAM Menggunakan Metode Jaringan Syaraf Tiruan Backpropagation di PDAM Kota Malang. Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), 3(2), pp. 83-87.

JUNEJA, M., dan NAGAR, S. K. 2016. Particle Swarm Optimization Algorithm and Its Parameters: A review, 2016 International Conference on Control, Computing, Communication and Materials (ICCCCM). pp. 1-5.

KUSUMAWATI, D., WINARNO, W.W., dan ARIF, M.R., 2015. Prediksi Kelulusan Mahasiswa Menggunakan Metode Neural Network Dan Particle Swarm Optimization, Seminar Nasional Teknologi Informasi dan Multimedia, STMIK AMIKOM Yogyakarta, 6-8 Februari 2015.

NAYAK , S. C., MISRA, B.b., dan BEHERA, H.S., 2014. Impact of Data Normalization on Stock Index Forecasting, International Journal of Computer Information Systems and Industrial Management Applications, 6, pp. 257-269

PUJIANTO, A., KUSRINI., dan SUNYOTO, ADI. 2018. Perancangan Sistem Pendukung Keputusan Untuk Prediksi Penerima Beasiswa Menggunakan Metode Neural Network Backpropagation. Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), 5(2), pp. 157-162.

RAHARJO, J.S.D., 2013. Model artificial Neural Network Berbasis Particle Swarm Optimization Untuk Prediksi Laju Inflasi. Jurnal Sistem Komputer, 3(1), pp. 10-21.

SAKINAH, N. P., CHOLISSODIN, I., dan WIDODO. A.W., 2017. Prediksi Jumlah Permintaan Koran Menggunakan Metode Jaringan Syaraf Tiruan Backpropagatio. Jurnal Pengambangan Teknologi Informasi Dan Ilmu Komputar, 2(7), pp. 2612-2618

SUHENDRA, C.D., dan WARDOYO, R. 2015. Penentuan Arsitektur Jaringan Syaraf Tiruan Backpropagation (Bobot Awal dan Bias Awal) Menggunakan Algoritma Genetika. International Journal of Computing and Cybernatics Systems, 9(1), pp. 77-88.

Diterbitkan

30-10-2018

Terbitan

Bagian

Ilmu Komputer

Cara Mengutip

Optimasi Jaringan Syaraf Tiruan Backpropagation Dengan Particle Swarm Optimization Untuk Prediksi Pasang Surut Air Laut. (2018). Jurnal Teknologi Informasi Dan Ilmu Komputer, 5(5), 605-612. https://doi.org/10.25126/jtiik.2018551055