plagiat merupakan tindakan tidak terpujirepository.usd.ac.id/32392/2/055314025_full.pdf · waduk...

i

PENGENALAN POLA DISTRIBUSI AIR BENDUNGAN

DENGAN METODE NAÏVE BAYESIAN

(Studi Kasus: Bendung Pengasih Dan Bendung Pekik Jamal

Di Waduk Sermo Kulon Progo)

Skripsi

Diajukan untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Komputer Jurusan Teknik In formatika

Disusun Oleh

Bernadete Floriska Nuhan

NIM : 055314025

Program Studi Teknik Informatika

Fakultas Sains dan Teknologi

Universitas Sanata Dharma

Yogyakarta

2012

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

ii

PATTERN RECOGNITION DISTRIBUTION OF WATER PLANT

USING NAÏVE BAYESIAN METHOD

(Case Study : Bendung Pengasih and Bendung Pekik Jamal

in Waduk Sermo Kulon Progo)

A Thesis

Presented as Partial Fulfillment of the Requirements

To Obtain the Engineering Bachelor Degree In Informatics Engineering

By


Student Id : 055314025

Informatics Engineering Study Program

Faculty of Science and Technology

Sanata Dharma University

Yogyakarta

2012


iii


iv


v

HALAMAN PERSEMBAHAN

“Segala perkara dapat kutanggung dalam Dia

yang memberi kekuatan kepadaku.”

Filipi 4:13

Skripsi ini Saya Persembahkan Untuk:

Tuhan Yesus Kristus

Keluarga Tercinta

Sahabat Terkasih

Terima kasih untuk segalanya


vi

PERNYATAAN KEASLIAN KARYA

Saya menyatakan dengan sesunggunhnya bahwa skripsi yang saya tulis ini tidak

memuat karya/bagian karya orang lain, kecuali yang telah disebutkan dalam kutipan

dan daftar pustaka, sebagaimana layaknya karya ilmiah

Yogyakarta, 8 Februari 2012

Penulis



vii

LEMBAR PERNYATAAN PERSETUJUAN

PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS

Yang bertanda tangan dibawah ini, saya mahasiswa Universitas Sanata Dharma :

Nama : Bernadete Floriska Nuhan

NIM : 055314025

Demi pengembangan pengetahuan, saya memberikan kepada perpustakaan

Universitas Sanata Dharma karya ilmiah yang berjudul:



Beserta perangkat yang diperlukan (bila ada). Dengan demikian saya memberikan

kepada perpustakaan Universitas Sanata Dharma hak untuk menyimpan,

mengalihkan dalam bentuk media lain, mengelolanya dalam bentuk pangkalan data,

mendistribusikan secara terbatas, dan mempublikasikan di internet adtau media lain

untuk kepentingan akademis tanpa perlu meminta ijin dari saya maupun

memberikan royalty kepada saya selama tetap mencn tumkan nama saya sebagai

penulis.

Demikian pernyataan ini saya buat dengan sebenarnya.

Yogyakarta, 8 Februari 2012

Yang menyatakan,



viii



Studi Kasus:

Bendung Pengasih dan Bendung Pekik Jamal di Waduk Sermo Kulon Progo

ABSTRAK

Skripsi ini dipresentasikan untuk mengoptimalkan pengaturan relase air

Waduk Sermo di Kulon Progo khususnya di Bendung Pengasih dan Bendung Pekik

Jamal berdasarkan kebutuhan pola tanam dan ketersediaan air. Untuk mencapai

tujuan optimalisasi tersebut digunakan metode Naive Bayes.

Studi kasus yang ditinjau dalam penelitian ini adalah Waduk Sermo sebagai

waduk multipurpose khususnya di Bendung Pengasih dan Bendung Pekik Jamal

untuk melayani kebutuhan air irigasi pada Daerah Irigasi Pengasih, dan Daerah

Irigasi Pekik Jamal yang terletak di Kabupaten Kulon Progo, Propinsi Daerah

Istimewa Yogyakarta.

Hasil keluaran optimalisasi sistem berupa distribusi air yang dapat

digunakan untuk menyusun pedoman operasi waduk. Dari hasil penelitian yang

diperoleh diharapkan kinerja dan keandalan operasi Waduk Sermo di Kulon Progo

dapat lebih ditingkatkan.


ix

PATTERN RECOGNITION DISTRIBUTION OF WATER PLANT

USING NAÏVE BAYESIAN METHOD

Case Study :

Bendung Pengasih and Bendung Pekik Jamal in Waduk Sermo Kulon Progo

ABSTRACT

This thesis is presented to optimize the settings at the Sermo Reservoir

water relase in Kulonprogo especially in the Pengasih weir and the Pekik Jamal

weir based on the needs of cropping pat terns and water availability. To achieve the

optimization goal is to use Naive Bayes method.

The case studies reviewed in this study is the Sermo Reservoir as a

multipurpose reservoir especially in the Pengasih weir and the Pekik Jamal weir to

serve the needs of irrigation water in the Irrigation Areas of Pengasih, and in the

Irrigation Areas of Pekik Jamal located in Kulonprogo, Province of Daerah

Istimewa Yogyakarta

The output of the optimization of water distribution systems are that can be

used to develop guidelines for reservoir operation. From the research results

obtained are expected performance and reliable operation of the Sermo Reservoir in

Kulonprogo can be further improved.


x

KATA PENGANTAR

Puji syukur ke hadirat Tuhan Yesus Kristus atas berkat dan rahmatNya

sehingga penulis dapat menyelesaikan tugas akhir dengan judul “ Pengenalan Pola

Distribusi Air Bendungan Dengan Metode Naïve Bayesian (Studi Kasus:

Bendung Pengasih Dan Bendung Pekik Jamal Di Waduk Sermo Kulon Progo)”

Pada kesempatan ini, penulis mengucapkan terima kasih sebesar -besarnya

kepada semua pihak yang turut member i dukungan dan bantuan hingga selesainya

skripsi ini:

1. Dr. C. Kuntoro Adi, SJ., M.A., M.S c., selaku dosen pembimbing atas

kesabaran, bimbingan, waktu, dan saran yang diberikan .

2. P.H. Prima Rosa, S.Si., M.Sc. dan Alb. Agung Hadhiatma S.T., M.T.,

selaku dosen penguji atas saran dan kritik yang diberikan.

3. Laboran laboratorium komputer atas bantuan kepada penulis ketika

melaksanakan ujian akhir.

4. Kedua orang tua, yaitu Bapak Frans Ro y Nuhan dan Mama Ch. Suwarni

yang selalu mendukung.

5. Kakak Alexander Jaga Nuhan yang selalu memberi semangat dan nasihat.

6. Yohanes Jatmikaning Satria yang selalu menghibur, menemani dan rela

menunggu untuk waktu yang tidak ditentukan selama bimbingan.

7. Teman seperjuangan Andrianus Ridoan Wibisono dan Estu

Karunianingtyas, terima kasih atas bantuannya.

8. Semua teman-teman yang telah memberikan dukungan dan semangat.


xi

9. Seluruh civitas akademika Teknik Informatika angkatan 2005 dan pihak -

pihak lain yang telah berjuang bersama dan saling memberi semangat.

Penulis menyadari bahwa masih banyak kekurangan yang terdapat pada

laporan tugas akhir ini. Saran dan kritik saya harapkan untuk perbaikan -perbaikan

pada masa yang akan datang.

Akhir kata, penulis berharap semoga sk ripsi ini bermanfaat bagi pembaca

dan pihak lain yang membutuhkan.

Yogyakarta, … Februari 2012

Penulis


xii

DAFTAR ISI

HALAMAN JUDUL ………………………………………………………….

HALAMAN JUDUL (Inggris)..……………………………………………….

HALAMAN PERSETUJUAN ………………………………………………..

HALAMAN PENGESAHAN ………………………………………………...

HALAMAN PERSEMBAHAN ………………………………………………

HALAMAN PERNYATAAN KEASLIAN KARYA ………………………...

HALAMAN PERSETUJUAN PUBLIKASI …………………………………

ABSTRAK ……………………………………………………………………

ABSTRACT …………………………………………………………………..

KATA PENGANTAR ………………………………………………………...

DAFTAR ISI …………………………………………………………………

DAFTAR GAMBAR …………………………………………………………

DAFTAR TABEL ……………………………………………………………

BAB I. PENDAHULUAN

1.1 Latar Belakang .............................................................................

1.2 Rumusan Masalah .......................................................................

1.3 Tujuan …………..........................................................................

1.4 Batasan Masalah ..........................................................................

1.5 Kegunaan ……….........................................................................

1.6 Metodelogi Penelitian ..................................................................

1.7 Sistematika Penulisan ................................................................. .

i

ii

iii

iv

v

vi

vii

viii

ix

x

xii

xv

xvi

1

2

2

3

3

4

5


xiii

BAB II. LANDASAN TEORI

2.1 Data Mining .................................................................................

2.2 Classification Dalam Data Mining...............................................

2.3 Metode Naive Bayesian Classification .......................................

2.3.1 Sejarah Thomas Bayes ..................................................

2.3.2 Teorema Bayes ..............................................................

2.3.3 Naive Bayesian ..............................................................

2.3.4 Probability Density Function ………………………...

2.4 Waduk …………………………………………………………

BAB III. DESAIN SISTEM

3.1 Data ……......................................................................................

3.2 Perhitungan Naïve Bayes .............................................................

3.3 Desain Sistem ..............................................................................

3.3.1 TahapPelatihan(Training) ……………………………

3.3.2 Tahap Pengujian(Testing) ……………………………

3.3.3 Tahap Pengenalan ……………………………………

3.3.4 Perhitungan Akurasi …………………………………

3.4 Desain User Interface ..................................................................

BAB IV. IMPLEMENTASI DAN ANALISA HASIL

4.1 Preprocessing ..............................................................................

4.2 Hasil Penelitian ………………… ...............................................

4.3 Analisa Hasil …………...............................................................

4.4 Implementasi User Interface …………………………………

4.4.1 Menu Utama …………………………………………

6

10

12

12

12

14

15

16

20

24

27

28

28

29

29

33

37

41

44

45

45


xiv

4.4.2 Informasi ……………………………………………

4.4.3 Akurasi ………………………………………………

4.4.4 Pengujian ……………………………………………

BAB V. PENUTUP

5.1 Kesimpulan …………................................................................

5.2 Saran ……………………………...............................................

DAFTAR PUSTAKA

LAMPIRAN

47

48

49

51

52

53

54


xv

DAFTAR GAMBAR

Gambar 2.1

Gambar 3.1

Gambar 3.2

Gambar 3.3

Gambar 3.4

Gambar 3.5

Gambar 3.6

Gambar 3.7

Gambar 3.8

Gambar 4.1

Gambar 4.2

Gambar 4.3

Gambar 4.4

Gambar 4.5

Langkah Penambangan Data ……………………………….

Garis Besar Sistem ………………………………………….

Tahap Pelatihan …………………………………………….

Tahap Pengujian ……………………………………………

Tahap Pengenalan …………………………………………..

Tampilan Awal ……………………………………………..

Halaman Informasi …………………………………………

Halaman Akurasi …………………………………………...

Halaman Pengujian …………………………………………

Menu Utama ………………………………………………..

Halaman Informasi …………………………………………

Halaman Akurasi …………………………………………...

Halaman Pengujian …………………………………………

Error Dialog ………………………………………………..

8

27

28

28

29

33

34

35

36

45

47

48

49

50


xvi

DAFTAR TABEL

Tabel 3.1

Tabel 3.2

Tabel 3.3

Tabel 3.4

Tabel 3.5

Tabel 3.6

Tabel 4.1

Tabel 4.2

Tabel 4.3

Tabel 4.4

Tabel 4.5

Tabel 4.6

Tabel 4.7

Tabel 4.8

Tabel 4.9

Tabel 4.10

Tabel 4.11

Tabel 4.12

Tabel 4.13

Tabel 4.14

Tabel 4.15

Tabel 4.16

Data Tahun 1999 ………………………………………

Pembagian Sample ……………………………………..

Percobaan ……………………………………………...

Data Cuaca dan Kondisi ……………………………….

Data Numerik Cuaca…………………………………...

Confusion Matrix ……………………………… …………...

Hasil Input ……………………………………………..

Output Periode 1 ……………………………………….

Presentase Output Kebutuhan per Bendung(Dalam %) ..

Pembagian Sample ………………………………………….

Percobaan ……………………………………………...

Confusion Matrix …………………………………………...

Tahun 1999 ………………………………………… ….

Tahun 2000 …………………………………………….

Tahun 2001 …………………………………………….

Tahun 2003 …………………………………………….

Tahun 2004 …………………………………………….

Tahun 1999 …………………………………………….

Tahun 2000 …………………………………………….

Tahun 2001 …………………………………………….

Tahun 2003 …………………………………………….

Tahun 2004 …………………………………………….

22

23

23

24

25

31

39

40

40

41

42

43

Lampiran-1

Lampiran-2

Lampiran-3

Lampiran-4

Lampiran-5

Lampiran-6

Lampiran-7

Lampiran-8

Lampiran-9

Lampiran-10


xvii

Tabel 4.17

Tabel 4.18

Tabel 4.19

Tabel 4.20

Data Input ……………………………………………

Output Periode 1 ………………………………………

Output periode 2 ………………………………………

Presentase Output Kebutuhan per Bendung(dalam %) ...

Lampiran-11

Lampiran-15

Lampiran-18

Lampiran-21


1

BAB I. PENDAHULUAN

1.1. Latar Belakang

Propinsi Daerah Istimewa Yogyakarta ditinjau dari sudut geografis memiliki

sebagian wilayah yang dilewati oleh aliran su ngai besar yang tergabung dalam

kesatuan Wilayah Sungai-Opak-Oyo dengan anak-anak sungainya. Sungai-sungai

tersebut mempunyai potensi sumber daya air permukaan yang selama ini menjadi

andalan untuk memenuhi kebutuhan dari berbagai kepentingan di wilayah Ku lon

Progo, Sleman, Kodya Yogyakarta dan Bantul.

Untuk menghubungkan antara Sungai Progo dengan Sungai Opak

digunakan Saluran Induk Mataram yang juga berfungsi memberikan suplesi air

(saluran air tambahan) kepada sungai -sungai yang dilewatinya. Sedangkan un tuk

wilayah Kabupaten Gunung Kidul disamping memanfaatkan sumber daya air

permukaan dari Sungai Oyo dengan anak -anak sungainya, juga memanfaatkan

sumber daya air bawah tanah untuk memenuhi berbagai kepentingan.

Khusus untuk wilayah Kabupaten Kulon Progo ma sih mengandalkan

sumber air permukaan dari Waduk Sermo yang merupakan bendung sungai

Bogowoto di pegunungan Menoreh. Secara geografis Waduk Sermo terletak sekitar

-7.849234(latitude), 10.162659(longitude) atau terletak kurang lebih 7 km di

sebelah barat kota Wates dan 36 km di arah barat kota Yogyakarta.

Waduk Sermo sangat dibutuhkan untuk berbagi kegiatan masyarakat, baik

irigasi, domestik, maupun sentra industri di kabupaten kulon Progo. Selain itu,

Waduk Sermo juga melayani daerah Irigasi Wilayah Sungai Progo-Opak-Oyo

dengan luas aksisting 6.363 Ha melalui suplesi Saluran Induk Sermo Barat dan


2

Saluran Induk Sermo Timur. Tetapi kondisi sekarang ini daya tampung dari Waduk

Sermo semakin menurun akibat laju sedimentasi yang cukup tinggi (sebesar 0,334

juta m3/tahun), sedangkan kebutuhan air bagi masyrakat setempat untuk

kepentingan seperti irigasi, air baku cenderung semakin meningkat. Kurang

optimalnya pengalokasian air dari Waduk Sermo mengakibatkan masih banyak

Daerah Irigasi Sermo belum tercukupi kebutuha n airnya. Untuk itu diperlukan suatu

study mengenai optimasi pemanfaatan air Waduk Sermo khususnya untuk Bendung

Pengasih dan Bendung Pekik Jamal.

1.2. Rumusan Masasalah

Berdasarkan uraian dalam latar belakang masalah, rumusan masalah yang

dapat diambil adalah:

Bagaimana metode Naïve Bayes membantu dalam mengenali pola air

release Waduk Sermo khususnya di Bendung Pengasih dan Bendung Pekik

Jamal untuk memenuhi distribusi kebutuhan air di daerah irigasinya.

1.3. Tujuan

Tujuan dari penelitian ini adalah:

Menerapkan metode Naïve Bayes untuk mengenali pola penggunaan air

release Waduk Sermo khususnya dari Bendung Pengasih dan Bendung

Pekik Jamal yang jumlahnya terbatas agar distribusinya sesuai dengan

keperluan pengairan (prioritasnya).


3

1.4. Batasan Masalah

Batasan masalah yang diambil dalam skripsi ini meliputi:

1. Data input yang diolah merupakan data intake air dari Bendung


2. Data output yang diolah merupakan data kebutuhan air irigasi

berdasarkan pola musim tanam dari Bendung Pengasih dan Bendung

Pekik Jamal.

3. Data yang dihasilkan program aplikasi dispesifikasikan untuk

optimalisasi penggunaan air release Waduk Sermo yang ada di Bendung


4. Optimalisasi pengaturan air relase menggunakan metode Naïve Bayesian

Clasification.

5. Software yang digunakan adalah MATLAB.

1.5. Kegunaan

Adapun kegunaan dari penelitian ini adalah:

Dapat membantu petugas di Waduk Sermo khususnya di Bendung Pengasih

dan Bendung Pekik Jamal dalam memprediksi distribusi kebutuhan air yang

terbatas agar sesuai dengan kebutuhan(prioritasnya) daerah irigasi

berdasarkan pola tanamnya.


4

1.6. Metodologi Penelitian

Dalam menunjang pencarian fakta, pengumpulan data, dan penyelesaian

tuhas akhir, penulis akan menggunakan beberapa tahap, antara lain:

1. Metode Kearsipan/Documentation

Penulis melakukan pengumpulan data dengan cara membaca dan

mempelajari data yang sudah ada dan yang berhubungan dengan

permasalahan yang diteliti.

2. Metode Kepustakaan/Library

Penulis melakukan pengumpulan data data dengan cara membaca dan

mempelajari dari buku-buku pustaka yang telah ada untuk digunakan

sebagai referensi.

3. Metode Wawancara

Penulis melakukan wawancara secara langsung dengan petugas di

Waduk Sermo.

4. Metode Analisa Data dan Perancangan

Penulis melakukan analisis data untuk proses pelatihan (training)

maupun proses pengujian (testing) dan menentukan metode yang akan

digunakan.

5. Implementasi

Penulis mengimplementasikan algoritma dalam listing program, baik

untuk proses pelatihan (training) maupun proses pengujian (testing).


5

1.7. Sistematika penulisan

Untuk mempermudah penulisan tugas akhir ini, penulis menggunakan

sistematika tugas akhir sebagai berikut:

BAB I : Pendahuluan

Bab ini berisi tentang latar belakang, rumusan masalah, tujuan, batasan

masalah, metodologi penelitian dan sistematika penulisan.

BAB II : Landasan Teori

Bab ini berisi tentang penjelasan mengenai teori -teori yang digunakan.

BAB III: Desain Sistem

Bab ini berisi tentang desain sistem dan algoritma yang digunakan penulis

dalam penelitian.

BAB IV: Implementasi dan Analisa Hasil

Bab ini berisi tentang implementasi program, hasil implementasi serta

analisis hasil implementasi.

BAB V: Penutup

Bab ini berisi tentang kesimpulan dan saran untuk pengambangan dari

sistem aplikasi yang dibuat.

DAFTAR PUSTAKA

Berisi sumber-sumber pustaka yang digunakan penulis baik dari buku,

majalah, narasumber maupun dari data di Internet.


6

BAB II. LANDASAN TEORI

Bab ini akan membahas teori-teori yang digunakan untuk mendukung

penulisan tugas akhir sistem pemantauan bendungan dengan metode Naïve

Bayesian. Teori-teori yang dibahas mencakup pengertian data mining, klasifikasi

dalam data mining, klasifikasi metode Naïve Bayesian, pengertian waduk dan

sistem pemantauan waduk.

2.1 Data Mining

Data mining (penambangan datayang merupakan bagian dari Knowledge

Discovery in Database (KDD), adalah kegiatan yang meliputi pengumpulan,

pemakaian data historis untuk menemukan keteraturan, pola atau hubungan dalam

set data berukuran besar. Keluaran dari data mining ini bisa dipakai untuk

memperbaiki pengambilan keputusan di masa depan (Santosa, 2007).

Data mining adalah serangkaian proses untuk menggali nilai tambah berupa

informasi yang selama ini tidak diketahui secara manual dari suatu basisdata dengan

melakukan penggalian pola-pola dari data dengan tujuan untuk meman ipulasi data

menjadi informasi yang lebih berharga yang diperoleh dengan cara mengekstraksi

dan mengenali pola yang penting atau menarik data yang terdapat dalam

basisdata(http://www.metris-community.com/pengertian-data-mining-konsep-pdf/,

diakses tanggal 10 Novevember 2011)

Data mining adalah sekumpulan aktifitas yang dilakukan untuk menggali

pengetahuan dari sekumpulan data agar didapatkan model yang berarti. Dua tujuan

utama yang diperoleh dari data mining yaitu uraian ( description) dan prediksi


http://www.metris-community.com/pengertian-data-mining-konsep-pdf/

7

(prediction). Oleh karena itu ada kemungkinan kegiatan data mining diarahkan ke

dalam salah satu dari kategori berikut:

1. Data mining yang bersifat prediksi menghasilkan pemodelan dari sistem

yang diuraikan oleh keadaan data

2. Data mining yang bersifat deskripsi menghasilkan informasi yang baru dan

bersifat penting berdasarkan pada data yang tersedia.

Tujuan–tujuan tersebut dapat tercapai dengan penggunaan teknik data

mining. Berdasarkan tugas data mining, metode-metode yang biasa dipakai terdiri

dari:

1. Clasification adalah proses penemuan model yang bersifat prediksi dan

menggolongkan data item ke dalam beberapa kelas yang sudah dikenal.

2. Regression adalah proses penemuan model yang bersifa t prediksi dan

mampu memetakan data item dengan sebuah angka nyata( real value) dari

nilai variabel ramalan.

3. Clustering adalah suatu tugas deskriptif umum yang dipakai orang untuk

mencari serta mengidentifikasikan suatu himpunan yang terbatas untuk

cluster kategorial sehingga dapat menguraikan data.

4. Summarization adalah suatu tugas deskriptif tambahan yang melibatkan

metode untuk penemuan sebuah uraian ringkas dari keseluruhan atau

sebagian data.

5. Dependecy modeling adalah menemukan perubahan dan penyimpangan

yang paling penting dalam data.


8

Secara sederhana, penambangan data adalah langkah -langkah dalam

mendapatkan atau menemukan pengetahuan (Han&Kamber, 2006), sebagaimana

dilihat di Gambar 2.1 di bawah ini:

Gambar 2.1 Langkah Penambangan Data

(Sumber: Han&Kamber, 2006)

Penemuan pengetahuan ini merupakan sebuah proses seperti terlihat pada

gambar diatas dan terdiri dari urutan sebagai berikut:

1. Pembersihan Data (Data Cleaning)

Data-data yang telah terkumpul selanjutnya mengalami proses pembersihan

data yaitu proses menghilangkan noise, menstandarkan atribut -atribut,

merasionalkan struktur data, dan mengendalikan data yang hilang. Data

yang tidak konsisten dan banyak kekeliruan membuat hasil data mining

tidak. Adalah sangat penting membuat data konsisten.


9

2. Integrasi data(Data Integration)

Integrasi data merupakan penggabungan data dari berbagai tempat

penyimpanan ke dalam satu tempat penyimpanan yang baru. Integrasi data

perlu dilakukan secara cermat karena kesalahan pada integrasi data bisa

menghasilkan hasil yang menyimpang dan bahkan menyesatkan

pengambilan aksi nantinya.

3. Seleksi Data(Data Selection)

Data-data yang ada seringkali tidak semuanya dipakai, oleh karena itu hanya

data yang sesuai untuk dianalisa yang akan di ambil.

4. Transformasi Data (Data Transformation)

Data diubah atau digabung ke dalam format yang sesuai untuk diproses

dalam data mining. Yang termasuk dalam langkah transformasi data adalah

penghalusan(smooting) yaitu menghilangkan noise yang ada pada data,

pengumpulan(aggregation) yaitu mengaplikasikan kesimpulan pada data,

generalisasi(generalitation) yaitu mengganti data level rendah menjadi data

level tinggi, normalization yaitu mengemas data atribut ke dalam skala

kecil. Dan kontruksi atribut (attribute construction feature/feature

construction) yaitu mengkonstruksi dan menambahkan atribut baru untuk

membantu proses penambangan.

5. Penambangan Data(data mining)

Merupakan suatu proses utama saat metode diterapkan untuk mengekstrak

pola data.


10

6. Evaluasi Pola(pattern evaluation)

Untuk mengidentifikasikan pola-pola menarik ke dalam knowledge based

yang ditemukan. Dalam tahap ini hasil dari teknik data mining berupa pola-

pola yang khas maupun model prediksi di evaluasi untuk menilai apakah

hipotesa yang ada memang tercapai.

7. Presentasi pengetahuan(knowledge presentation)

Merupakan visualisasi dan penyajian pengetahuan mengenai metode yang

digunakan untuk memperoleh pengetahuan yang diperoleh pengguna.

2.2 Classification Dalam Data Mining

Clasification adalah proses penemuan model yang bersifat prediksi yang

menggolongkan data item ke dalam beberapa kelas yang sudah dikenal.

Clasification didasarkan pada algoritma induktif yang memberikan inputan berupa

kumpulan sampel yang terdiri dari atribut -atribut dan kelas-kelas yang sama.

Clasification mempunyai beberapa metode yang dapat disesuaikan dengan

kebutuhan apikasi yang dibangun.

Beberapa metode clasification yang sering digunakan adalah sebagai

berikut(Han&Kamber, 2006):

1. Clasification By Decision Tree Induction

Decision tree ialah sebuah flowchart yang seperti struktur pohon dimana

setiap titik merupakan atribut yang telah diuji. Setiap cabang merupakan

pembagian berdasarkan hasil uji dan titik akhir merupakan pembagian kelas

yang dihasilkan. Bagian awal dari pohon keputusan ini adalah titik akar.

Pada umumnya proses dari setiap pohon keputusan adalah mengadopsi


11

strategi pencarian top down untuk solusi ruang pencariannya. Pada proses

mengklasifikasikan sampel yang tidak diketahui, niali atribut akar akan diuji

pada pohon keputusan dengan cara melacakjalur dari akar sampai titik akhir

kemudian akan diprediksiakn kelas yang ditempati sampel baru itu.

2. Naïve Bayesian Clasification

Naïve Bayesian adalah klasifikasi model secara statistik. Naïve Bayesian

memprediksi dengan cara menghitung probabilitas tiap nilai pada atribut

untuk kelas tertentu, prediksi dilakukan denga perhitungan secara statistik

dengan sumber nilai pada atribut dari data -data yang ingin diprediksi.

3. Associative Clasification Model

Dalam penelitian data mining aturan associative adalah sebuah aturan yang

sangat penting untuk memecahkan berbagai masalah dalam klasifikasi dan

memiliki aktifitas tinggi dan pengembangannya. Associative Clasification

Model memiliki algoritma yang banyak dan masing -masing algoritma

memiliki kelebihan dan kekurangan maupun kecocokan untuk diterapkan

pada suatu kasus.

4. Clasification By Neural Network

Dasar dari neural network aslinya dikembangkan oleh ahli psikologis dan

ahli neurobiologist. Mereka menguji dan mengkomputasi analogi dari

syaraf-syaraf. Secara garis besar neural network dikondisikan sekumpulan

input output yang berhubungan dan setiap hubungan telah memiliki nilainya

masing-masing. Ketika dalam prosesnya neural network menguji kesamaan

bobot-bobot nilai dengan tujuan memprediksikan label kelas yang benar

untuk sampel yang baru.


12

5. K-Nearest Neighbour Classifiers

K-Nearest Neighbour Classifiers didasarkan pada analogi. Sampel uji

digambarkan dengan atribut numerik n -dimensional. Tiap sampel mewakili

satu titik di dalam ruang n-dimensional. Jika sebuah sampel uji yang baru

diberikan maka sebuah klasifier k-nearest neighbour clasifiers dapat

digunakan untuk memprediksi sampel uji dan mengklasifikasikannya ke

dalam kelas dari titik di dekatnya.

2.3 Metode Naïve Bayesian Classification

2.3.1 Sejarah Thomas Bayes

Pendeta Thomas Bayes (1702-1761) adalah seorang ahli theologi dan

matematika. Dimotivasi oleh kepercayaan religiusnya, dia menggagas argumen

mengenai keberadaan Tuhan yang dikenal dengan argument by design. Pada

dasarnya, isi argumen tersebut ialah: “tanpa mengasumsikan keberadaan akan

Tuhan, operasi dalam jagat raya adalah tidak sangat mungkin, oleh karena itu,

selama operasi dalam jagat raya merupakan sebuah fakta, sangatlah mungkin

bahwa Tuhan memang ada” . Untuk mendukung argumen ini, Bayes menghasilkan

sebuah teori matematika umum yang memperkenalkan kemungkinan probabilistic

inferences (frekuensi yang muncul pada percobaan awal ). Pusat dari teori ini ialah

teorema yang sekarang lebih dikenal sebagai Teorema Bayes .

2.3.2 Theorema Bayes

Teorema Bayes mengungkapkan hasil posterior probability sebanding

dengan hasil perkalian antara likelihood dengan prior probability. Posterior


13

probability adalah probabilitas bersyarat dari sebuah hipotesis jika diberikan data.

Likelihood adalah probabilitas bersyarat dari sebuah data jika diberik an hipotesis.

Prior probability adalah probabilitas bahwa hipotesis itu benar sebelum data

terlihat.

Misalnya D adalah kumpulan data training. Anggap h adalah hipotesis.

Untuk masalah yang berhubungan dengan klasifikasi, akan ditentukan P(h|D), yaitu

probabilitas bersyarat dimana probabilitas hipotesis h ditentukan oleh data D.

P(h|D) adalah posterior probability dari kondisi h terhadap D. P(D|h) adalah

posterior probability dari D berdasarkan h. P(h) adalah prior probability dari h.

P(D) adalah prior probability dari D. Dari probabilitas tersebut dapat dirumuskan

sebagai berikut:

(2.1)

dimana:

D adalah himpunan training data.

h adalah hipotesis.

P(h|D) adalah posterior probability, yaitu kemungkinan dari hipotesis h

setelah data training D muncul.

P(h) adalah prior probability dari hipotesis h, yaitu kemungkinan hipotesis

h bernilai benar sebelum data training D muncul.

P(D) adalah prior probability dari data training D. Kuantitas ini sering

berupa nilai konstan, .

P(D|h) adalah probabilitas dari D yang berasal dari hipotesis h, dan biasa

disebut dengan likelihood. Kuantitas ini mudah untuk dihitung selama


14

memberi nilai 1 ketika D dan h konsisten, dan memberikan nilai 0 ketika

tidak konsisten.

2.3.3 Naïve Bayesian

Dengan asumsi Naïve Bayesian dimana atribut-atribut dari data training

dianggap terpisah dan independen maka rumus 2.1 berubah menjadi seperti berikut

ini:

(2.2)

Dimana:

D adalah himpunan training data.

h adalah hipotesis.

P(h|D) adalah probabilitas dari hipotesis h setelah data training D

muncul(posterior probability).

P(h) adalah probabilitas dari hipotesis h sebelum data training D

muncul(prior probability).

P(D) adalah probabilitas dari data training D, dimana P(D) bernilai

irrelevant atau sama dengan kelas yang lain.

adalah probabilitas dari setiap D1, D2, Dn untuk

hipotesis h biasa disebut dengan likelihood.

Jika ada yang memiliki nilai=0, maka . Untuk

mencegah hal itu maka dilakukan penambahan nilai 1 ke setiap data training dalam

perhitungan sehingga probabilitas tidak bernilai 0. Langkah ini sering disebut

laplace estimator.


15

2.3.4 Probability Density Function

Probability density function atau sering disebut fungsi kepekatan

probabilitas merupakan fungsi yang diguna kan dalam statistika teoritis untuk

menjelaskan perilaku suatu probabilitas teoritis. Dikatakan sebagai fungsi

kepekatan probabilitas jika nilainya selalu positif untuk setiap data.

Untuk mengetahui kepekatan probabilitas perlu dihitung mean(µ) dan

standar deviasi(σ) dari tiap kelompok data.

Untuk menghitung nilai mean(µ) dan standar deviasi(σ) digunakan rumus

sebagai berikut:

(2.3)

(2.4)

Dimana:

adalah rata-rata data training setiap bulan per periode

adalah standar deviasi data training setiap bulan per periode

adalah data testing

adalah banyak data training setiap bulan per periode

Sehingga rumus probability density function adalah sebagai berikut:

(2.5)

Dimana:

adalah probability density function

adalah rata-rata data training setiap bulan per periode

adalah standar deviasi data training setiap bulan per periode

adalah data testing


16

2.4 Waduk

Waduk adalah kolam besar yang berfungsi sebagai tempat menyimpan

persediaan air yang dapat digunakan untuk memenuhi berbagai kebutuhan(Jayadi,

2005). Waduk dapat terjadi secara alami maupun dibuat manusia. Waduk buatan

dibangun dengan cara membuat bendungan di lokasi waduk yang kemudian dialiri

air sampai waduk tersebut penuh. (Sudjarwadi, 1987), secara prinsip waduk

mempunyai tugas untuk modifikasi distribusi air dari alam, dan menciptakan

distribusi air buatan yang dapat dikendalikan.

Bendungan atau dam adalah konstruksi bangunan yang digunakan untuk

menahan laju air menjadi waduk, danau, atau tempat rekreasi. Seringkali bendungan

juga digunakan untuk mengalirkan air ke sebuah Pembangkit Listrik Tenaga Air

(PLTA). Kebanyakan bendungan juga memiliki pintu air yang berfungsi untuk

membuang air yang tidak diinginkan secara bertahap atau

berkelanjutan(http://en.wikipedia.org/wiki/Bendungan, diakses tanggal: 27 Mei

2010).

Berdasarkan struktur dan bahan yang digunakan, struktur fisik bendungan

dapat diklasifikasikan sebagai dam kayu, embankment dam atau masonry dam

dengan berbagai subtipenya.

Berdasarkan tujuan dibuatnya, bendungan digunakan untuk menyediakan

aliran air irigasi atau penyediaan air di perkotaan, meningkatkan navigasi,

menghasilkan tenaga hidroelektrik, menciptakan tempat rekreasi , menciptakan

habitat untuk ikan dan hewan lainnya, pencegahan banjir dan menahan pembuangan

dari tempat industri seperti pertambangan atau pabrik. Hanya beberapa bendungan

yang dibangun untuk semua tujuan di atas.


http://en.wikipedia.org/wiki/Bendungan

17

Berdasarkan ketinggiannya, bendungan rendah memiliki ketinggian kurang

dari 30 m, bendungan sedang memiliki ketinggian antara 30-100 m, dan bendungan

tinggi memiliki ketinggian lebih dari 100 m.

Berdasarkan fungsi spesifik, bendungan dapat dibedakan menjad i :

1. Bendungan Sadel merupakan sebuah dike, yaitu tembok yang dibangun

sepanjang sisi danau untuk melindungi tanah di sekelilingnya dari banjir.

Bentuk bendungan sadel lebih mirip dengan tanggul, yaitu tembok yang

dibuat sepanjang sisi sungai atau air terjun untuk melindungi tanah di

sekitarnya dari kebanjiran.

2. Bendungan Pengukur (overflow dam) dirancang untuk dilewati air.

Sedangkan Weir dam adalah sebuah tipe bendungan pengukur berukuran

kecil yang digunakan untuk mengukur input air.

3. Bendungan Pengecek (check dam) adalah bendungan kecil yang didisain

untuk mengurangi dan mengontrol arus erosi tanah.

4. Bendungan kering (dry dam) adalah bendungan yang didisain untuk

mengontrol banjir. Bendungan jenis ini biasanya selalu kering, dan hanya

akan menahan air apabila terdapat laju arus air yang dapat membanjiri

daerah dibawahnya.

5. Bendungan separuh (diversionary dam) adalah bendungan yang tidak

menutup sungai. Sebagian dari laju arus air ditampuh di danau terpisah yang

terletak di depan bendungan.

Sistem pemantauan bendungan (Hydrodam monitoring system) merupakan

suatu langkah pemantauan terhadap operasional waduk yang dig unakan sebagai


18

suatu kegiatan untuk mengontrol atau mengendalikan volume air didalam waduk

selama interval waktu yang ditinjau (Mays, L.W., 1996).

Tiga komponen penting dari sebuah sistem pemantauan bendungan

adalah(http://www.engineeredmonitoringsolutions.com/Performance_Optimization

_of_Dam_Monitoring_Systems.pdf, Barry Myers, P.E, diakses tanggal 10 Maret

2009 ):

1. Instrumentasi (instrumentation)

2. Pengumpulan data (data collection)

3. Manajemen data (data management)

Pada saat ini, terdapat banyak piranti yang tersedia untuk melakukan

perbaikan dalam tiga komponen penting diatas dan dapat mengoptimalkan sistem

pemantauan dari sebuah bendungan. Tingkat teknologi yang berlaku untuk proyek

bendungan tertentu sangat bervariasi dan tergantung pada tujuan sistem

pemantauan.

Proses pemantauan perbaikan secara manual dapat mulai dari penambahan

penanganan data elektronik dan manajemen data, sedangkan peman tauan perbaikan

secara otomatis digunakan untuk memonitor instrumen elektronik dengan suatu data

manajemen antarmuka. Keunggulan proses pemantauan perbaikan meliputi:

1. Meningkatkan keandalan data

2. Pengurangan tenaga kerja yang diperlukan untuk mengumpulkan dan

mengevaluasi data

3. Lebih tepat waktu sehingga memungkinkan proses koleksi data dapat

difokuskan pada hasil evaluasi data.


http://www.engineeredmonitoringsolutions.com/Performance_Optimization

19

4. Perubahan struktur kinerja dapat diidentifikasi pada waktu yang tepat dan

tindakan korektif dapat segera diambil.


20

BAB III. DESAIN SISTEM

Bab ini akan menguraikan desain sistem yang akan dibuat untuk

optimalisasi distribusi air di Bendung Pengasih dan Bendung Pekik Jamal sehingga

menghasilkan akurasi yang optimal.

3.1 Data

Setiap hari petugas di BPSDA (Balai Pengelolaan Sumber Daya Air) Sungai

Progo Opak Oyo melakukan pencatatan debit air. Hasil dari pencatatan tersebut

kemudian dikumpulkan menjadi 1 berdasarkan bulan. Dari kumpulan data tersebut

masih dibagi menjadi 2 yaitu periode pertama (tanggal 1 sampai tanggal 15) dan

periode kedua (tanggal 16 sampai tanggal 30/31), jadi setiap bulan terdiri dari 2

periode. Kemudian data masing-masing periode tersebut dihitung rata -ratanya,

sehingga data debit air setiap bulannya terdiri dari data debit air periode pertama

dan data debit air periode kedua.

Selain mencatat data debit air, BPSDA Sungai Progo Opak Oyo juga

mencatat data kebutuhan akan air. Cara pengumpulan data untuk kebutuhan air

sama dengan cara pencatatan debit air. Data kebutuhan air yang dicatat antara lain

untuk irigasi dan air minum.

Dalam penelitian ini data yang digunakan adalah data debit/ release air dari

Waduk Sermo khususnya Bendung Pengasih dan Bendung Pekik Jamal selama 5

yaitu tahun 1999, 2000, 2001, 2003, 2004. Setiap tahun terdiri dari 12 bulan dimana

setiap bulan terdapat 2 periode. Kedua bendung tersebut merupakan bendung yang

ada di Waduk Sermo.


21

Selain itu penelitian ini juga menggunakan data kebutuhan air untuk irigasi

berdasarkan pola tanam. Pola tanam ini terdiri dari tiga yaitu tanaman padi, tanaman

tebu, dan tanaman palawija. Dimana masing-masing pola tanaman mempunyai

kebutuhan yang berbeda. Tanaman padi ada 3 yaitu saat pengolahan tanah, saat

pertumbuhan dan saat panen. Tanaman tebu juga ada 3 yaitu saat mulai menanam,

saat tebu muda dan saat tebu tua. Tanam palawija ada 2 yaitu saat membutuhkan

banyak air dan saat membutuhkan sedikit air.

Berikut ini salah satu contoh data yang digunakan dalam penelitian ini.


22

Tabel 3.1 Data Tahun 1999

Periode 1999 kodeinput l/dt

Output l/dt

daerah irigasi pengasih (wates dan temon) daerah irigasi pekik jamal

Padi Tebu Palawija Padi Tebu Palawija

B1 B2 A B C D E F G H A B C D E F G H

Januari 1 3911.100 10057.300 487.500 1318.500 53.280 8.400 882.500 72.750 87.300 11.050 2.500

2 2000.300 2719.400 487.500 1318.500 45.390 53.280 8.400 518.750 29.750 11.050

Februari 1 2101.400 6184.300 856.850 45.390 53.280 4.200 6.900 743.625 29.750 11.050 6.000

2 2461.800 3305.700 988.875 773.250 42.000 45.390 52.920 4.500 6.900 834.750 4.680 3.000

Maret 1 2133.600 7393.900 912.9 26.280 4.500 150.750 486.200 4.680 4.950

2 2000.300 10285.600 27.000 295.8 254.700 97.240 27.360 1.200 597.550 4.680 6.000 4.950

April 1 2220.100 3810.900 1271.600 58.500 248.400 26.640 4.500 5.400 589.050 1.625 4.680

2 2067.200 3889.900 946.125 840.650 97.240 59.040 51.600 592.450 4.680 4.950

Mei 1 2342.800 3251.700 911.200 45.390 27.000 4.500 29.750 172.800 4.680

2 3033.100 1506.000 911.200 27.000 5.400 398.650 68.400 4.680 7.200 1.625

Juni 1 2283.600 731.900 566.100 11.050

2 1278.800 421.900 946.125 11.050

Juli 1 1317.600 347.100 487.050 213.300 64.440 88.200 186.150 156.000 4.680

2 811.300 361.100 366.350 141.300 42.120 8.500 51.600 118.150 180.000 4.680

Agustus 1 933.200 325.100 1035.300 123.600 11.250 37.200 72.345 217.800 7.200

2 2009.500 409.300 290.100 6.480 20.500 37.800 6.450 217.800 1.625 3.000

September 1 1961.700 961.300 375.750 45.390 39.960 206.340 635.625 1.800 1.000 26.100

2 1703.600 835.700 283.900 45.390 39.960 194.790 635.625 1.800 1.000 26.100

Oktober 1 3695.300 1079.500 487.050 91.008 88.200 380.040 628.150 4.680

2 3166.400 700.600 366.350 45.504 174.750 322.150 156.000 4.680

November 1 9737.900 1748.300 1698.750 324.700 121.550 364.500 352.750 217.800 4.680

2 1818.400 1865.900 290.100 20.500 37.800 11.050 7.200

Desember 1 2177.500 5199.400 973.125 1632.850 79.920 4.500 67.500 566.100 217.500 4.680

2 3170.300 675.600 1632.850 55.440 8.500 566.100 4.680


23

Pada sistem ini digunakan metode five fold cross validation untuk membagi

data menjadi 5 bagian. Dimana 4 bagian digunakan untuk training dan 1 bagian

digunakan utuk testing.

Terdapat 120 data dari data 5 tahun yang digunakan.

Dari perhitungan diperoleh 24 sample untuk setiap bagian yang merupakan

data dalam 1 tahun.

Tabel 3.2 Pembagian Sample

Tahun Jumlah sample

1 24 sample

2 24 sample

3 24 sample

4 24 sample

5 24 sample

Karena menggunakan metode five fold cross validation, maka dilakukan

percobaan untuk training dan testing sebanyak 5 kali. 4 tahun(96 sample)

digunakan untuk training dan 1 tahun (24 sample) digunakan untuk testing.

Tabel 3.3 Percobaan

Percobaan Training Testing

1 Tahun 1,2,3,4 Tahun 5






24

Pada Tabel 3.3 ditunjukkan banyaknya percobaan yang akan dilakukan dan

kelompok data yang digunakan sebagai data training dan data testing. Jika sample

tahun 1, 2, 3, dan 4 digunakan untuk data training, maka sample tahun 5 digunakan

untuk data testing begitu seterusnya sesuai tabel 3.3.

3.2 Perhitungan Naïve Bayes

Contoh penerapan metode Naïve Bayes untuk m enentukan main atau tidak

main. Data yang ada seperti dalam tabel dibawah ini :

Tabel 3.4 Data Cuaca dan Kondisi

Cuaca Temperatur Kelembaban Angin Kondisi

Cerah 85 85 Kecil Tidak

Cerah 80 90 Besar Tidak

Mendung 83 86 Kecil Main

Hujan 70 96 Kecil Main


Hujan 65 70 Besar Tidak

Mendung 64 65 Besar Main

Cerah 72 95 Kecil Tidak

Cerah 69 70 Kecil Main


Cerah 75 70 Besar Main

Mendung 72 90 Besar Main

Mendung 81 75 Kecil Main

Hujan 71 91 Besar Tidak

Dari data tersebut kemudian diringkas menjadi data numerik, maka hasilnya

seperti tabel berikut ini:


25

Tabel 3.5 Data Numerik Cuaca

Cuaca Temperatur Kelembaban angin kondisiMain Tidak Main Tidak Main Tidak Main Tidak Main Tidak

CerahMendungHujan

243

302

837068646975757281

8580657271

869680657080709075

8590709591

KecilBesar

63

23

9 5

CerahMendungHujan

2/94/93/9

3/50/52/5

mean

73st.dev

6.2

mean

74.6st.dev

9

mean

79.1st.dev

10.2

mean

86.2st.dev

9.7

KecilBesar

6/93/9

2/53/5

9/14 5/14

Dari tabel diatas didapat model sebagai berikut: Pcuaca(main|cerah)=2/9;

Pcuaca(main|mendung)=4/9; Pcuaca(main|hujan)=3/9; Pcuaca(tidak|cerah)=3/5;

Pcuaca(tidak|mendung)=0/5; Pcuaca(tidak|hujan)=2/5; rata-rata

temperatur(main)=73; standar deviasi temperature(main)=6.2; rata -rata

temperatur(tidak)=74.6; standar deviasi temperature(tidak)=9; rata -rata

kelembaban(main)=79.1; standar deviasi kelembaban(main)=10.2; rata -rata

kelembaban(tidak)=86.2; standar deviasi kelembaban(tidak)=9.7;

Pangin(main|kecil)=6/9; Pangin(main|besar)=3/5; Pangin(tidak|kecil)=2/5;

Pangin(tidak|besar)=3/5; Pkondisi(main)=9/14; Pkondisi(tidak)=5/14.

Dari model tersebut terdapat rata-rata(µ) dan standar deviasi ( ) yang biasa

digunakan untuk mengetahui probability density function atau sering disebut fungsi

kepekatan probabilitas.

Jika terdapat data cuaca cerah, temperature 66 dan kelembapan 90,

bagaimana dengan kondisinya?


26

Proses pengujiannya adalah sebagai berikut:

Langkah 1: menghitung probability density function

Langkah 2: menghitung likelihood

likelihood main =

likelihood tidak =

Langkah 3: menghitung probabilitas

Probabilitas main =

Probabilitas tidak =

Dari hasil probabilitas tersebut didapat has il bahwa pengujian untuk data

cuaca cerah, temperature 66, dan kelembaban 90 menghasilkan kondisi tidak main

karena probabilitas tidak lebih besar daripada probabilitas main.


27

3.3 Desain Sistem

Gambar 3.1 Garis Besar Sistem

Pada gambar 3.1 dijelaskan mengenai tahapan -tahapan yang dilakukan

dalam sistem yang dibuat. Dimulai dengan memasukkan debit air di bendung1 dan

bendung2. Kemudian masuk ke tahap training dan testing dengan metode Naïve

Bayesian, tahapan selanjutnya adalah tahap pengenalan. Hasil dari pengenalan

berupa bulan dan periode. Hasil tersebut di sesuaikan dengan model output yang

sudah ada. Kemudian dihitung debit air untuk perpola tanam berdasarkan

presentase yang ada.


28

3.3.1 Tahap Pelatihan (Training)

Gambar 3.2 Tahap Pelatihan

Data training diperoleh dari perhitungan menurut metode five fold. Data

kedua bendung diambil 4 tahun yang masing -masing bagian terdiri dari 24 sample.

Sebanyak 96 data sample digunakan untuk membentuk model Naïve Bayes.

Model yang terbentuk kemudian dilakukan proses training dan menghasilkan

probabilitas.

3.3.2 Tahap Pengujian (Testing)

Gambar 3.3 Tahap Pengujian

Data testing diperoleh dari perhitungan five fold. Data kedua bendung

diambil 4 tahun yang masing-masing bagian terdiri dari 24 sample.


29

Dengan 24 data sample klasifikasi dilakukan dengan cara membandingkan

model Naïve Bayes yang telah terbentuk pada tahap training dengan data testing.

Dari tahap klasifikasi, dihasilkan jumlah bulan per periode yang benar dalam

pengenalannya.

3.3.3 Tahap Pengenalan

Pengenalan dilakukan dengan mengambil nilai likelihood terbesar yang

diperoleh dari tahap training. Hasil dari tahap pengenalan berupa bulan dan periode

yang sesuai. Kemudian dari data pengenalan tersebut dibandingkan dengan model

output yang sudah ada dan menghasilkan data debit air untuk setiap pola tanam.

Gambar di bawah ini merupakan tahapan pengenalan.

Gambar 3.4 Tahap Pengenalan

3.3.4 Perhitungan Akurasi

Karena menggunakan metode five fold dalam pembagian data, maka

dilakukan 5 kali percobaan training dan testing. Hasil dari percobaan berupa


30

confusion matrix. Confusion matrix menunjukkan data yang dikenali sesuai dengan

kelompok data.

Dari hasil klasifikasi dilakukan perhitungan berapa bulan Januari periode

pertama yang dikenali sebagai Januari periode pertama dan Januari periode kedua;

Januari periode kedua yang dikenali sebagai Januari periode pertama dan Januari

periode kedua; Februari periode pertama dik enali sebagai Februari periode pertama

dan Februari periode kedua; Februari periode kedua dikenali sebagai Februari

periode pertama dan Februari periode kedua; Maret periode pertama dikenali

sebagai Maret periode pertama dan Maret periode kedua; Maret peri ode kedua

dikenali sebagai Maret periode pertama dan Maret periode kedua; April periode

pertama dikenali sebagai April periode pertama dan April periode kedua; April

periode kedua dikenali sebagai April periode pertama dan April periode kedua; Mei

periode pertama dikenali sebagai Mei periode pertama dan Mei periode kedua; Mei

periode kedua dikenali sebagai Mei periode pertama dan Mei periode kedua dan

seterusnya sampai bulan Desember.

Confusion matrix yang dihasilkan dari kelima percobaan tersebut disajikan

dalam tabel berikut ini :


31

Tabel 3.6 Confusion Matrix

11 12 21 22 31 32 41 42 51 52 61 62 71 72 81 82 91 92 101 102 111 112 121 12211 x 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 012 0 x 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 021 0 0 x 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 022 0 0 x 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 031 0 0 0 0 x 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 032 0 0 0 0 0 x 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 041 0 0 0 0 0 0 x 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 042 0 0 0 0 0 0 0 x 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 051 0 0 0 0 0 0 0 0 x 0 0 0 0 0 0 0 0 0 0 0 0 0 0 052 0 0 0 0 0 0 0 0 0 x 0 0 0 0 0 0 0 0 0 0 0 0 0 061 0 0 0 0 0 0 0 0 0 0 x 0 0 0 0 0 0 0 0 0 0 0 0 062 0 0 0 0 0 0 0 0 0 0 0 x 0 0 0 0 0 0 0 0 0 0 0 071 0 0 0 0 0 0 0 0 0 0 0 0 x 0 0 0 0 0 0 0 0 0 0 072 0 0 0 0 0 0 0 0 0 0 0 0 0 x 0 0 0 0 0 0 0 0 0 081 0 0 0 0 0 0 0 0 0 0 0 0 0 0 x 0 0 0 0 0 0 0 0 082 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 x 0 0 0 0 0 0 0 091 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 X 0 0 0 0 0 0 092 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 x 0 0 0 0 0 0101 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 x 0 0 0 0 0102 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 x 0 0 0 0111 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 x 0 0 0112 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 x 0 0121 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 x 0122 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 x


32

Keterangan:

11 adalah bulan Januari periode pertama

12 adalah bulan Januari periode kedua

21 adalah bulan Februari periode pertama

22 adalah bulan Februari periode kedua

31 adalah bulan Maret periode pertama

32 adalah bulan Maret periode kedua

41 adalah bulan April periode pertama

42 adalah bulan April periode kedua

51 adalah bulan Mei periode pertama

52 adalah bulan Mei periode kedua

61 adalah bulan Juni periode pertama

62 adalah bulan Juni periode kedua

71 adalah bulan Juli periode pertama

72 adalah bulan Juli periode kedua

81 adalah bulan Agustus periode pertama

82 adalah bulan Agustus periode kedua

91 adalah bulan September periode pertama

92 adalah bulan September periode kedua

101 adalah bulan Oktober periode pertama

102 adalah bulan Oktober periode kedua

111 adalah bulan November periode pertama

112 adalah bulan November periode kedua

121 adalah bulan Desember periode pertama

32PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

33

122 adalah bulan Desember periode kedua

Dari confusion matrix dihitung besar akurasi. Perhitungan akurasi dilakukan

untuk melihat seberapa optimal metode Naïve Bayesian dalam mengenali data

bendung.

Dimana:

adalah jumlah angka pada diagonal matriks.

adalah keseluruhan data yang digunakan untuk

pengujian/testing.

3.4 Desain User Interface

Berkut ini adalah contoh untuk user interface dari sistem yang akan

dibangun. User interface dibuat sedemikian sederhana agar user mudah dalam

pemakaiannya.

1. Tampilan Awal

Gambar 3.5 Tampilan Awal


34

Gambar 3.2 menunjukkan tampilan awal aplikasi yang akan dibuat.

Terdapat 4 tombol dalam halaman ini, yaitu: tombol informasi, tombol

akurasi, tombol pengujian, dan tombol keluar.

2. Halaman Informasi

Gambar 3.6 Halaman Informasi

Gambar 3.3 menunjukkan halaman informasi. Kotak informasi sistem

digunakan untuk memberikan informasi tentang program yaang ada,

sedangkan kotak bantuan digunakan untuk memberi petunjuk

penggunaan sistem kepada pengguna. Tombol keluar digunakan untuk

keluar dari halaman informasi.


35

3. Halaman Akurasi

Gambar 3.7 Halaman Akurasi

Gambar 3.4 menunjukkan halaman informasi. Kotak data digunakan

untuk menampilkan data yang digunakan untuk testing maupun training.

Kotak hasil digunakan untuk menampilkan jumlah data yang benar dan

hasil akurasi sistem. Kotak confusion matrix digunakan untuk

menampilkan matriks hasil dari sistem. Kotak proses untuk tombol

proses yang digunakan untuk menjalankan proses akurasi. Kotak keluar

merupakan tombol keluar digunakan untuk keluar dari halaman akurasi.


36

4. Halaman Pengujian

Gambar 3.8 Halaman Pengujian

Gambar 3.5 menunjukkan halaman pengujian. Kotak data input berisi

masukkan data bendung1 dan bendung2. Kotak pengenalan berisi hasil

pengenalan dari pengujian sistem. Kotak bendung1 berisi debit air yang

dibutuhkan untuk setiap jenis tanaman. Kotak bendung2 berisi debit air

yang dibutuhkan untuk setiap jenis tanaman. Kotak keterangan berisi

keterangan yang tentang jenis tanaman yang dimaksud. Kotak proses

untuk tombol proses yang digunakan untuk menjalankan proses

pengujian. Kotak keluar merupakan tombol keluar digunakan untuk

keluar dari halaman pengujian.


37

BAB IV. IMPLEMENTASI DAN ANALISA HASIL

membahas hasil implementasi sistem berupa hasil penelitian dan analisa dari

hasil penelitian yang didapatkan, serta implementasi desain user interface.

4.1 Preprocessing

Penerapan metode Naïve Bayesian dalam optimalisasi pemanfaatan air

Waduk Sermo khususnya Bendung Pengasih dan Bendung Pekik Jamal , yang

selanjutnya akan disebut bendung1 dan bendung2.

Dalam penelitian ini menggunakan data 5 tahun (tahun 1999, tahun 2000,

tahun 2001, tahun 2003, tahun 2004). Setiap tahun terd iri dari 4 kolom yaitu kolom

bulan, periode, input dan output. Kolom input terdiri dari 2 subkolom bendung1 dan

bendung2. Kolom output terdiri dari 2 daerah irigasi dari masing-masing bendung.

Diamana di setiap daerah irigasi terdapat 8 subkolom (3 kolom u ntuk tanaman padi,

3 kolom untuk tanaman tebu dan sisanya untuk tanaman palawija).

(Data bendung1 dan bendung2 yang dapat dilihat pada Lampiran -1 sampai

Lampiran-5).

Langkah-langkah dalam data preprocessing untuk mendapatkan data yang

akan dianalisi, sebagai berikut:

1. Data Cleaning

Data yang terdapat dalam Lampiran-1 sampai Lampiran-5 merupakan data

mentah yang perlu di-cleaning karena ada data yang tidak ada nilainya atau

hilang nilainya. Pendekatan yang dilakukan jika nilai bendung1 dan

bendung2 kosong adalah dengan memberi nilai pada data yang kosong yang

diperoleh dari rata-rata data di tahun lainnya. Sedangkan pendekatan yang


38

dilakukan pada output di daerah irigasi bendung1 bendung2 adalah dengan

memberi nilai 0 atau dengan memberi nilai yang diperoleh dari nilai tahun

yang lain.

(Data setelah proses cleaning dapat dilihat pada Lampiran-6 sampai

Lampiran-10).

2. Data Integration

Data 5 tahun tersebut dipisah menjadi 2 bagian yaitu data input dan data

output. Data input yang terdiri dari 4 kolom diurutkan berdasarkan bulan

dan periode. Data output dibagi menjadi menjadi 2 yaitu output periode 1

dan output periode 2.

3. Data Selection

Data-data pada Lampiran-1 sampai Lampiran-5 tidak semuanya dipakai

dalam proses training testing. Data yang digunakan adalah tabel pada bulan,

periode, input(ada 2 sub kolom: B1(bendung1) dan B2(bendung2)). Data

output yang telah diurutkan kemudian dihitung rata -ratanya untuk setiap

bulan dan setiap periode. Dimana hasil dari rata -rata tersebut akan

digunakan setelah proses pengujian dan akan diapakai sebagai pedoman

optimalisasi pembagian debit air di kedua bendung.

4. Data Transformation

Pada kolom bulan berisi data string bulan Januari sampai bulan Desember.

Agar memudahkan dalam proses analisa maka data string tersebut diubah

menjadi data numerik 1-12, dimana 1 mewakili bulan januari, 2 bulan

februari dan seterusnya.


39

Tabel yang dihasilkan setelah dilakukan preprocessing menjadi 2 macam

tabel yaitu tabel untuk input dan output. Maka sebagian tabel -tabel tersebut

adalah sebagai berikut ini : (Untuk lebih lengkap data input, output dan

prensentase output dapat dilihat pada Lampiran-11 sampai Lampiran-20)

Tabel 4.1 Hasil Input

Bulan Periode Bendung1 Bendung2

1 1 3911.100 10057.300

1 1 2867.800 2962.100

1 1 5290.200 5287.600

1 1 10915.700 22667.800

1 1 5626.400 7600.900

1 2 2000.300 2719.400

1 2 2023.000 3740.400

1 2 5258.800 8224.600

1 2 8861.400 3594.800

1 2 6469.900 12856.200

2 1 2101.400 6184.300

2 1 9819.200 6933.900

2 1 4505.100 15532.400

2 1 5290.200 7967.100

2 1 5291.300 9758.300

2 2 2461.800 3305.700

2 2 8051.000 6041.100

2 2 1124.600 2605.800

2 2 5258.800 9017.400

2 2 3424.200 9593.500


40

Tabel 4.2 Output Periode 1

Bulan Bending Pengasih Bendung Pekik Jamal

A B C A B C A B A B C A B C A BJanuari 487.500 1318.500 0.000 0.000 53.280 0.000 8.400 0.000 882.500 72.750 87.300 11.050 0.000 2.500 0.000 0.000

0.000 1632.850 0.000 0.000 55.440 0.000 0.000 0.000 0.000 566.100 0.000 0.000 4.680 0.000 0.000 0.000

0.000 1632.850 0.000 0.000 55.440 0.000 0.000 0.000 0.000 434.350 60.000 0.000 4.680 0.000 0.000 0.000

0.000 1217.358 0.000 0.000 63.504 0.000 0.000 0.150 853.875 0.000 0.000 11.050 0.000 0.000 0.000 0.000

487.500 1318.500 0.000 0.000 53.280 0.000 8.400 0.000 882.500 72.750 87.300 11.050 0.000 2.500 0.000 0.000Februari 0.000 1632.850 0.000 0.000 55.440 0.000 410.580 0.000 0.000 628.150 25.800 0.000 4.680 0.000 0.000 1.625

0.000 1632.850 0.000 0.000 55.440 0.000 0.000 0.000 0.000 494.700 43.200 0.000 4.680 0.000 0.000 0.000

0.000 1632.850 0.000 0.000 55.440 0.000 0.000 0.000 0.000 628.150 25.800 0.000 4.680 0.000 0.000 1.625

295.875 1523.710 0.000 0.000 76.464 0.000 0.000 0.150 0.000 645.150 0.000 0.000 4.680 0.000 0.000 1.625

0.000 856.850 0.000 45.390 53.280 0.000 4.200 6.900 743.625 29.750 0.000 11.050 0.000 0.000 6.000 0.000

Tabel 4.3 Presentase Output Kebutuhan per Bendung (dalam %)Bulan Periode

Bending Pengasih Bendung Pekik Jamal

A B C A B C A B A B C A B C A BJanuari 1

11.61689 84.83377 0 0 3.34738 0 0.200168 0.001787 64.71255 28.31649 5.79698 0.819138 0.231286 0.12355 0 02

6.547386 88.15146 1.059669 0.609612 3.434779 0 0.112817 0.084277 14.95473 76.83278 0 0.604342 0.531602 0 7.076544 0Februari 1

3.548398 87.29762 0 0.544358 3.550665 0 4.974414 0.08455 22.5002 73.40157 2.868407 0.334345 0.56642 0 0.181545 0.1475052

16.70483 31.52696 48.04514 0.647439 2.636313 0.27458 0.064188 0.100561 28.24324 62.34997 8.069496 0 0.791724 0 0.389095 0.156484Maret 1

97.81928 1.820703 0.096822 0 0.234 0.019786 0.00925 0.000154 19.2014 62.6881 16.99301 0 0.922376 0 0 0.1951182

46.187 12.59093 35.17606 1.771712 4.167714 0 0.08199 0.024597 45.18104 50.39526 2.805618 0 0.825805 0 0.617589 0.174689


41

4.2 Hasil Penelitian

Penelitian ini menggunakan data 5 tahun (tahun 1999, tahun 2000, tahun

2001, tahun 2003, tahun 2004); dalam setiap tahun terdapat 12 bulan dengan

masing-masing bulan terdiri dari 2 periode , sehingga didapat jumlah 120 sample.

Data setiap tahun dalam bentuk file excel yang terdiri dari 24 baris dan 4 kolom.

Setiap baris mewakili bulan yang terdiri dari 12 bulan dengan 2 periode. Dan

kolom mewakili bulan, periode, bendung1, dan bendung2. Dari 120 data sample

tersebut dibagi menjadi 2 bagian, 96 data digunakan untuk data training dan sisanya

24 digunakan untuk data testing.

Pada sistem klasifikasi data irigasi bendung digunakan metode five fold

cross validation untuk membagi data menjadi 5 bagian. Dima na 4 bagian digunakan

untuk data training sedangkan 1 bagian digunakan untuk data testing.

Terdapat 120 data dari data 5 tahun yang digun akan.

Dari perhitungan diperoleh 24 sample untuk setiap bagian yang merupakan

data dalam 1 tahun.

Tabel 4.4 Pembagian Sample

Tahun Jumlah sample

1 24 sample

2 24 sample

3 24 sample

4 24 sample

5 24 sample


42

Karena menggunakan metode five fold cross validation, maka dilakukan

percobaan untuk training dan testing sebanyak 5 kali. 4 tahun(96 sample)

digunakan untuk training dan 1 tahun (24 sample) digunakan untuk testing.

Tabel 4.5 Percobaan

Percobaan Training Testing






Pada Tabel 4.4 ditunjukkan banyaknya percobaan yang akan dilakukan dan

kelompok data yang digunakan sebagai data training dan data testing. Jika sample

tahun 1, 2, 3, dan 4 digunakan untuk data training, maka sample tahun 5 digunakan

untuk data testing begitu seterusnya sesuai Tabel 4.5.

Hasil percobaan dengan menggunakan metode Naïve Bayesian

menghasilkan akurasi 59,17%. Dari 120 data sample yang digunakan data yang

dikenali sebanyak 71 data dan data yang gagal dikenali adalah 49 data. Berikut ini

dapat dilihat dalam tabel confusion matrix hasil dari five fold cross validation :


43

Tabel 4.6 Confusion matrix

11 12 21 22 31 32 41 42 51 52 61 62 71 72 81 82 91 92 101 102 111 112 121 12211 5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 012 4 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 021 0 0 3 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 022 0 0 2 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 031 0 0 0 0 4 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 032 0 0 0 0 3 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 041 0 0 0 0 0 0 4 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 042 0 0 0 0 0 0 2 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 051 0 0 0 0 0 0 0 0 0 5 0 0 0 0 0 0 0 0 0 0 0 0 0 052 0 0 0 0 0 0 0 0 0 5 0 0 0 0 0 0 0 0 0 0 0 0 0 061 0 0 0 0 0 0 0 0 0 0 5 0 0 0 0 0 0 0 0 0 0 0 0 062 0 0 0 0 0 0 0 0 0 0 4 1 0 0 0 0 0 0 0 0 0 0 0 071 0 0 0 0 0 0 0 0 0 0 0 0 3 2 0 0 0 0 0 0 0 0 0 072 0 0 0 0 0 0 0 0 0 0 0 0 1 4 0 0 0 0 0 0 0 0 0 081 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 5 0 0 0 0 0 0 0 082 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 4 0 0 0 0 0 0 0 091 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 5 0 0 0 0 0 092 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 5 0 0 0 0 0 0101 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 2 0 0 0 0102 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 4 0 0 0 0111 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 2 0 0112 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 4 0 0121 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 4122 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 4


4.3 Analisa Hasil

Akurasi yang dihasilkan dalam sistem ini adalah 59,17%. Dapat dilihat dari

hasil confusion matrix diatas antara lain:

Data bulan Januari periode pertama dikenali semua, sedangkan data

dalam Januari periode kedua sebagian besar di kenali sebagai data

Januari periode pertama.

Data bulan Mei periode pertama semua dikenali sebagai data Mei

periode kedua, sedangkan data Mei periode pertama dikenali semua.

Data bulan Juni periode pertama dikenali semua, sedangkan data dalam

Juni periode kedua sebagian besar dikenali sebagai data Juni periode

pertama.

Semua data bulan Agutus periode pertama dikenali sebagai Agustus

periode kedua, sedangkan data dalam Agustus periode kedua ada 4 yang

berhasil dikenali.

Data bulan September periode pertama s emua dikenali sebagai data

September periode kedua, sedangkan data September periode pertama

dikenali semua.

Data yang dikenali pada bulan Desember periode pertama hanya 1

sedangkan 4 data lainnya dikenali sebagai data Desember periode

pertama, sebaliknya data yang dikenali pada Desember periode kedua

ada 4 dan yang tidak dikenali ada 1(dikenali sebagai Desember periode

pertama).

Akurasi tersebut tersebut bisa dikatakan kurang optimal. Hal ini disebabkan

perbedaan data yang tidak mencolok antar periode dalam setiap bulannya.

44PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

45

4.4 Implementasi User Interface

Implementasi sistem menggunakan program matlab 7.10.0. Source code

program terdapat pada Lampiran-23 sampai Lampiran-59.

4.4.1 Menu utama

Gambar 4.1 Menu Utama

Gambar 4.1 merupakan halaman menu utama sistem yan g telah dibuat. Pada

halaman menu utama ditampilkan judul dari sistem yang dibuat dan nama dari

pembuat sistem. Terdapat 5 tombol, yaitu:

1. Informasi

Tombol ini digunakan untuk menampilkan halaman baru yang berisi

keterangan mengenai sistem dan langkah-langkah penggunaan sistem.


46

2. Akurasi

Tombol ini digunakan untuk menampilkan halaman baru yang berisi tentang

hasil proses testing training sistem.

3. Pengujian

Tombol ini digunakan untuk menampilkan halaman baru yang d igunakan

untuk pengujian system, dimana user me masukkan data bendung1 dan

bendung2.

4. Keluar

Tombol ini digunakan untuk menutup menu utama dan sekaligus keluar dari

sistem.


47

4.4.2 Informasi

Gambar 4.2 Halaman Informasi

Pada gambar 4.2 ditunjukkan halaman informasi yang berisi mengenai

sistem dan petunjuk menggunakan sistem.


48

4.4.3 Akurasi

Gambar 4.3 Halaman Akurasi

Pada gambar 4.3 menunjukan hasil akurasi dari pengujian Naïve Bayes.

Jumlah keseluruhan data adalah 120 dimana 96 data digunakan sebagai data

training dan sisanya 24 data digunakan sebagai testing (five fold cross validation).

Tombol proses digunakan untuk memulai proses training.


49

4.4.4 Pengujian

Gambar 4.4 Halaman Pengujian

Pada gambar 4.4 merupakan halaman pengujian. Dimana pada pengujian ini

user memasukkan data bendung1 dan b endung2. Setelah user memasukkan data

tersebut kemudian tekan tombol proses, maka akan muncul hasil pengenalan dari

data tersebut dan akan muncul hasil distribusi dari input tersebut ke masing-masing

kebutuhan daerah irigasi di kedua bendung tersebut.


50

Jika data bendung belum dimasukkan atau data yang dimasukkan salah

maka akan muncul peringatan seperti terlihat pada gambar 4.5 dibawah ini:

Gambar 4.5 Error Dialog


BAB V. PENUTUP

5.1 Kesimpulan

Berdasarkan hasil penelitian untuk pengenalan pola distribusi air bendu ngan

dengan metode Naïve Bayesian (studi kasus: bendung pengasih dan bendung pekik

jamal di waduk sermo kulon progo), maka dapat ditarik kesimpulan bahwa:

1. Metode Naïve Bayes yang diterapkan untuk mengenali pola air release

Waduk Sermo khususnya dari Bendung Pengasih dan Bendung Pekik Jamal

yang jumlahnya terbatas agar distribusinya sesuai dengan keperluan

pengairan menghasilkan akurasi 59,17%.

2. Dari penelitian dengan menggunakan data debit air dari bendung pengasih

dan bendung pekik jamal selama 5 tahun(jum lah data 120) dengan metode

five fold cross validation data yang berhasil dikenali dengan benar sebanyak

71.

Dapat dilihat dari hasil confusion matrix antara lain:

Data bulan Januari periode pertama dikenali semua, sedangkan data dalam

Januari periode kedua sebagian besar dikenali sebagai data Januari periode

pertama.

Data bulan Mei periode pertama semua dikenali sebagai data Mei periode

kedua, sedangkan data Mei periode pertama dikenali semua.

Data bulan Juni periode pertama dikenali semua, sedangkan data dalam Juni

periode kedua sebagian besar dikenali sebagai data Juni periode pertama.

Hasil akurasi tersebut belum bisa dikatakan optimal. Hal ini disebabkan data

yang ada antar periode dalam setiap bulannya memiliki selisih sedikit.

51


52

5.2 Saran

Setelah melakukan evaluasi terhadap sistem secara keseluruhan, berikut ini

saran yang diperlukan untuk perbaikan dan pengembangan program lebih lanjut:

1. Untuk meningkatkan akurasi, dapat dicoba dengan melengkapi data

dengan atribut debit di waduk, musim, curah hujan maupun atribut

lainnya yang dirasa mendukung.

2. Untuk kebutuhan debit air bendung bisa dikembangkan tidak hanya

untuk irigasi tetapi juga untuk kebutuhan yang lain.


Daftar Pustaka

Jayadi, Rachmad, 2005, Analisis Sistem Sumberdaya Air , JTS FT UGM,

Yogyakarta.

J.Han dan M.Kamber, 2006, Data Mining Concepts and Techniquies, second

editon, Morgan Kaufman Publishers, San Fransisco, USA.

Mays, L.W., 1996, Water Resources Handbook , McGraw-Hill, New Jersey, hal.

6.16-6.36.

Purwanto, Dwi, 2005, Pengembangan Daerah Irigasi Baru di DAS Ngrancah

KabupatenKulonprogo, Tesis, JTS FT UGM, Yogyakarta.

Santosa, Budi, 2007, Data Mining Teori & Aplikasi , Graha Ilmu,Yogyakarta.

Santosa, Budi, 2007, Data Mining dengan Matlab , Graha Ilmu,Yogyakarta.

Sudjarwadi, 1987, Teknik Sumber Daya Air, Biro Penerbit KMTS FT UGM,

Yogyakarta.

http://www.engineeredmonitoringsolutions.com/Performance_Optimization_of_Da

m_Monitoring_Systems.pdf, [pdf], Barry Myers, P.E, diakses tanggal 10

Maret 2009

http://en.wikipedia.org/wiki/Bendungan , diakses tanggal: 27 Mei 2010

http://en.wikipedia.org/wiki/Fungsi_kepekatan_probabilitas , diakses tanggal 30

November 2011

53


http://www.engineeredmonitoringsolutions.com/Performance_Optimization_of_Dam_Monitoring_Systems.pdf

http://en.wikipedia.org/wiki/Bendungan

http://en.wikipedia.org/wiki/Fungsi_kepekatan_probabilitas

LAMPIRAN


L a m p i r a n -1

Tabel 4.7 Tahun 1999

Periode 1999 kodeInput l/dt

Output l/dt

Daerah Irigasi Pengasih (Wates Dan Temon) Daerah Irigasi Pekik Jamal



Januari 1 3911.100 10057.300 487.500 1318.500 53.280 8.400 882.500 72.750 87.300 11.050 2.500

2 2000.300 2719.400 487.500 1318.500 45.390 53.280 8.400 518.750 29.750 11.050

Februari 1 2101.400 6184.300 856.850 45.390 53.280 4.200 6.900 743.625 29.750 11.050 6.000

2 2461.800 3305.700 988.875 773.250 42.000 45.390 52.920 4.500 6.900 834.750 4.680 3.000

Maret 1 2133.600 7393.900 912.9 26.280 4.500 150.750 486.200 4.680 4.950

2 2000.300 10285.600 27.000 295.8 254.700 97.240 27.360 1.200 597.550 4.680 6.000 4.950

April 1 2220.100 3810.900 1271.600 58.500 248.400 26.640 4.500 5.400 589.050 1.625 4.680

2 2067.200 3889.900 946.125 840.650 97.240 59.040 51.600 592.450 4.680 4.950

Mei 1 2342.800 3251.700 911.200 45.390 27.000 4.500 29.750 172.800 4.680

2 0.000 1506.000 911.200 27.000 5.400 398.650 68.400 4.680 7.200 1.625

Juni 1 2283.600 731.900 566.100 11.050

2 421.900 946.125 11.050

Juli 1 487.050 213.300 64.440 88.200 186.150 156.000 4.680

2 366.350 141.300 42.120 8.500 51.600 118.150 180.000 4.680

Agustus 1 933.200 325.100 1035.300 123.600 11.250 37.200 72.345 217.800 7.200

2 409.300 290.100 6.480 20.500 37.800 6.450 217.800 1.625 3.000

September 1 375.750 45.390 39.960 206.340 635.625 1.800 1.000 26.100

2 283.900 45.390 39.960 194.790 635.625 1.800 1.000 26.100

Oktober 1 487.050 91.008 88.200 380.040 628.150 4.680

2 366.350 45.504 174.750 322.150 156.000 4.680

November 1 1698.750 324.700 121.550 364.500 352.750 217.800 4.680

2 290.100 20.500 37.800 11.050 7.200

Desember 1 973.125 1632.850 79.920 4.500 67.500 566.100 217.500 4.680

2 1632.850 55.440 8.500 566.100 4.680


L a m p i r a n -2



Output l/dt




Januari 1 2867.800 2962.100 487.500 1318.500 53.280 8.400 882.500 72.750 87.300 11.050 2.500

2 2023.000 3740.400 455.600 28.080 6.125 28.125 1002.575 10.080 258.780

Februari 1 6933.900 295.875 1523.710 76.464 0.150 645.150 4.680 1.625

2 6041.100 182.250 1437.010 60.600 45.390 76.464 0.150 645.150 4.680

Maret 1 2909.300 6061.100 1.463 27.000 4.500 173.250 266.900 77.700 4.680

2 2727.500 5164.600 1.463 27.000 4.500 463.500 267.750 4.680

April 1 2964.000 3924.500

2 1741.100 2677.100 448.205 55.800 18.000 3.875

Mei 1 3771.500 2758.200 438.005 27.600 15.600 4.650 266.900 77.700 4.680

2 1774.000 2082.800 1561.450 19.375 15.600 4.650

Juni 1 4492.800 1645.700 446.505 19.375 15.600 4.650

2 2757.100 612.600 446.505 19.375 15.600 4.650

Juli 1 1140.300 376.800 1222.300 119.700 8.500 18.125 15.600 4.650

2 1222.600 509.100 1222.300 29.750 15.000 11.400 6.750

Agustus 1 210.800 1164.100 19.375 372.000 102.000 1.625 5.550

2 1238.400 36.550 23.625 175.890 1.625 18.300

September 1 133.400 858.700 66.300 9.625 372.000 102.000 11.050 19.800

2 696.500 1367.800 131.750 372.000 102.000 4.680 14.550

Oktober 1 1089.500 990.200 66.300 9.625 372.000 102.000 4.680 19.800

2 3650.300 2523.400 55.800 372.000 102.000 142.875 104.550

November 1 5643.100 2161.125 55.440 199.125 104.550 4.680

2 3591.700 1492.875 55.440 421.600 4.680

Desember 1 4037.100 6214.200 973.125 1632.850 79.920 67.500 566.100 4.680

2 4511.400 6028.900 1632.850 55.440 566.100 4.680


L a m p i r a n -3



Output l/dt




Januari 1 5290.200 5287.600 1632.850 55.440 566.100 4.680

2 5258.800 8224.600 1632.850 55.440 19.250 69.300 566.100 4.680

Februari 1 4505.100 15532.400 1632.850 55.440 69.300 494.700 43.200 4.680

2 1124.600 2605.800 1632.850 55.440 408.850 73.500 4.680

Maret 1 4742.100 7729.200 1632.850 55.440 19.250 69.300 1.125 217.800 11.050 4.680

2 5065.200 4248.800 1632.850 55.440 816.750 4.680

April 1 5175.400 5307.700 1.463 27.000 4.500 816.750 4.680

2 3538.800 1861.300 1632.850 55.440 349.875 352.750 4.680

Mei 1 4320.900 2232.500 1632.850 19.250 617.100 11.050 4.680

2 3033.100 1207.300 1632.850 19.250 617.100 4.680

Juni 1 5262.900 2113.900 1632.850 3.400 18.750 617.100 11.050 4.680

2 1278.800 568.400 1085.450 193.200 3.400 18.750 617.100 4.680

Juli 1 304.400 139.800 1590.350 5.100 1.440 18.000 15.000 311.100 78.000 1.625

2 106.800 1910.500 429.750 17.850 15.250 311.400 69.300 217.800 1.625

Agustus 1 1496.300 777.100 1222.300 119.700 8.500 18.125 15.600 4.650 163.125 1.625

2 1468.400 731.800 1222.300 119.700 8.500 18.125 15.600 4.650 163.125 1.625

September 1 1100.600 872.500 446.505 19.375 15.600 4.650 173.250 266.900 77.700 4.680

2 1394.300 916.400 324.700 52.700 29.160 311.400 69.300 293.250 4.680 35.100

Oktober 1 3023.300 3037.100 324.700 121.550 311.400 69.300 293.250 4.680 35.100

2 3638.700 15056.600 324.700 121.550 311.400 69.300 293.250 4.680 35.100

November 1 2213.400 8282.300 1698.750 324.700 121.550 364.500 352.750 4.680

2 1590.350 311.400 11.050

Desember 1 973.125 1632.850 79.920 67.500 566.100 4.680

2 1632.850 45.504 617.100 77.700 4.680 4.680


L a m p i r a n -4



Output l/dt




Januari 1 10915.700 22667.800 1632.850 55.440 434.350 60.000 4.680

2 8861.400 3594.800 1632.850 55.440 566.100 4.680

Februari 1 5290.200 7967.100 1632.850 55.440 628.150 25.800 4.680 1.625

2 5258.800 9017.400 394.400 82.500 4.680

Maret 1 4742.100 836.200 2161.125 55.440 440.300 63.000 4.680

2 5065.200 5496.600 2161.125 55.440 159.800 4.680

April 1 4742.100 8369.200 1632.850 55.440 256.500 367.200 4.680

2 4756.100 5496.600 1632.850 55.440 518.500 133.800 1.625

Mei 1 4320.900 2818.500 1632.850 19.250 628.150 39.000 11.050 11.050

2 3135.100 1013.000 1632.850 19.250 476.000 4.680

Juni 1 3424.200 903.000 1030.200 213.300 64.440 88.200 186.150 156.000 4.680

2 686.300 1043.600 908.650 141.300 42.120 8.500 51.600 118.150 180.000 4.680

Juli 1 3126.300 817.400 1030.200 213.300 64.440 88.200 186.150 156.000 4.680

2 686.300 616.300 908.650 141.300 42.120 8.500 51.600 118.150 180.000 4.680

Agustus 1 120.100 1476.300 221.700 4.680

2 678.100 17588.100 221.700 4.680 11.050

September 1 617.900 613.400 159.750 1101.940 410.580 831.375 4.680 19.500

2 772.400 659.700 120.700 45.504 205.290 23.800 4.680 19.500

Oktober 1 1655.500 3551.700 487.050 91.008 380.040 628.150 4.680

2 1265.300 1156.100 366.350 45.504 174.750 322.150 4.680

November 1 2422.300 2331.100 1923.300 215.050 45.504 0.150 259.250 4.680

2 3880.400 8288.500 1439.550 580.550 45.504 0.150 43.875 4.680

Desember 1 5598.000 13349.200 675.675 1157.700 45.504 0.150 426.375 4.680

2 4111.600 10349.000 1637.610 45.504 0.150 407.150 4.680


L a m p i r a n -5



Output l/dt




Januari 1 5626.400 7600.900 1217.358 63.504 0.150 853.875 11.050

2 6469.900 12856.200 1523.710 78.900 63.504 0.150 645.150 11.050

Februari 1 5291.300 9758.300 295.875 1523.710 76.464 0.150 645.150 4.680 1.625

2 3424.200 9593.500 182.250 1437.010 60.600 45.390 76.464 0.150 645.150 4.680

Maret 1 4959.400 13397.400 913.750 858.500 94.200 45.390 63.504 0.150 396.950 72.600 4.680

2 4405.900 17995.800 345.375 395.250 43.080 45.390 63.504 0.150 402.900 79.500 4.680

April 1 5381.400 2163.000 506.250 1364.760 63.504 0.150 221.700 4.680

2 4844.000 1134.100 32.625 1716.660 22.536 1.200 266.900 4.680 1.625

Mei 1 5285.000 1071.200 32.625 1643.560 45.504 0.150 322.150 108.000 4.680

2 4889.900 2542.600 32.625 1610.750 11.400 97.240 43.704 6.250 0.150 628.150

Juni 1 4821.800 2793.500 1600.550 15.000 45.390 43.704 6.250 0.150 628.150 11.050

2 4189.000 329.300 1351.500 103.200 87.048 1.375 4.050 373.150 90.000 11.050

Juli 1 3056.100 478.600 1600.550 15.000 43.704 6.250 0.150 67.150 198.000 4.680

2 396.550 1263.400 424.150 412.920 41.256 1.575 20.700 118.150 180.000 4.680

Agustus 1 39.700 1126.700 45.390 39.960 218.100 221.700 4.680

2 831.400 638.600 176.625 45.390 39.960 206.340 565.250 1.625 19.800 1.200

September 1 887.500 1034.500 375.750 45.390 39.960 206.340 635.625 1.800 1.000 26.100

2 904.500 889.300 283.900 45.390 39.960 194.790 635.625 1.800 1.000 26.100

Oktober 1 831.200 1049.900 109.125 218.450 97.240 6.250 19.200 180.390 628.150 4.680

2 978.800 1150.600 109.125 218.450 15.000 68.850 30.024 3.000 184.890 628.150 4.680

November 1 887.500 1246.100 117.000 274.550 94.200 59.184 298.680 36.600 607.750 8.640

2 539.800 1029.800 1332.675 325.550 59.184 75.150 607.750 8.640

Desember 1 5023.600 2385.300 1678.750 537.710 41.184 617.100 4.680

2 5117.400 7756.100 357.500 1436.160 412.920 97.240 41.184 61.710 4.680


L a m p i r a n -6


INPUT OUTPUT

1 1 3911.100 10057.300 487.500 1318.500 0.000 0.000 53.280 0.000 8.400 0.000 882.500 72.750 87.300 11.050 0.000 2.500 0.000 0.0001 2 2000.300 2719.400 487.500 1318.500 0.000 45.390 53.280 0.000 8.400 0.000 518.750 29.750 0.000 11.050 0.000 0.000 0.000 0.0002 1 2101.400 6184.300 0.000 856.850 0.000 45.390 53.280 0.000 4.200 6.900 743.625 29.750 0.000 11.050 0.000 0.000 6.000 0.0002 2 2461.800 3305.700 988.875 773.250 42.000 45.390 52.920 0.000 4.500 6.900 834.750 0.000 0.000 0.000 4.680 0.000 0.000 3.0003 1 2133.600 7393.900 0.000 912.9 0.000 0.000 26.280 0.000 4.500 0.000 150.750 486.200 0.000 0.000 4.680 0.000 0.000 4.9503 2 2000.300 10285.600 27.000 295.8 254.700 97.240 27.360 0.000 0.000 1.200 0.000 597.550 0.000 0.000 4.680 0.000 6.000 4.9504 1 2220.100 3810.900 0.000 1271.600 58.500 0.000 248.400 26.640 4.500 5.400 0.000 589.050 0.000 0.000 0.000 1.625 0.000 4.6804 2 2067.200 3889.900 946.125 840.650 0.000 97.240 59.040 0.000 0.000 51.600 0.000 592.450 0.000 0.000 4.680 0.000 0.000 4.9505 1 2342.800 3251.700 0.000 911.200 0.000 45.390 0.000 27.000 4.500 0.000 0.000 29.750 172.800 0.000 4.680 0.000 0.000 0.0005 2 3033.100 1506.000 0.000 911.200 0.000 0.000 27.000 0.000 5.400 0.000 0.000 398.650 68.400 0.000 4.680 0.000 7.200 1.6256 1 2283.600 731.900 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 566.100 0.000 0.000 11.050 0.000 0.000 0.000 0.0006 2 1278.800 421.900 946.125 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 11.050 0.000 0.000 0.000 0.0007 1 1317.600 347.100 0.000 487.050 213.300 0.000 64.440 0.000 88.200 0.000 0.000 186.150 156.000 0.000 4.680 0.000 0.000 0.0007 2 811.300 361.100 0.000 366.350 141.300 0.000 42.120 8.500 0.000 51.600 0.000 118.150 180.000 0.000 4.680 0.000 0.000 0.0008 1 933.200 325.100 0.000 1035.300 123.600 0.000 0.000 11.250 37.200 72.345 0.000 0.000 217.800 0.000 0.000 0.000 0.000 7.2008 2 2009.500 409.300 0.000 0.000 290.100 0.000 6.480 20.500 37.800 6.450 0.000 0.000 217.800 0.000 0.000 1.625 0.000 3.0009 1 1961.700 961.300 375.750 0.000 0.000 45.390 39.960 0.000 0.000 206.340 635.625 0.000 0.000 0.000 1.800 1.000 0.000 26.1009 2 1703.600 835.700 0.000 283.900 0.000 45.390 39.960 0.000 0.000 194.790 635.625 0.000 0.000 0.000 1.800 1.000 0.000 26.10010 1 3695.300 1079.500 0.000 487.050 0.000 0.000 91.008 0.000 88.200 380.040 0.000 628.150 0.000 0.000 4.680 0.000 0.000 0.00010 2 3166.400 700.600 0.000 366.350 0.000 0.000 45.504 0.000 0.000 174.750 322.150 0.000 156.000 0.000 4.680 0.000 0.000 0.00011 1 9737.900 1748.300 1698.750 324.700 0.000 0.000 121.550 0.000 0.000 0.000 364.500 352.750 217.800 0.000 4.680 0.000 0.000 0.00011 2 1818.400 1865.900 0.000 0.000 290.100 0.000 0.000 20.500 37.800 0.000 0.000 0.000 0.000 11.050 0.000 0.000 7.200 0.00012 1 2177.500 5199.400 973.125 1632.850 0.000 0.000 79.920 0.000 4.500 0.000 67.500 566.100 217.500 0.000 4.680 0.000 0.000 0.00012 2 3170.300 675.600 1632.850 0.000 0.000 0.000 55.440 8.500 0.000 0.000 566.100 0.000 0.000 0.000 4.680 0.000 0.000 0.000


L a m p i r a n -7


INPUT OUTPUT

1 1 2867.800 2962.100 487.500 1318.500 0.000 0.000 53.280 0.000 8.400 0.000 882.500 72.750 87.300 11.050 0.000 2.500 0.000 0.0001 2 2023.000 3740.400 0.000 455.600 0.000 0.000 28.080 0.000 0.000 6.125 28.125 1002.575 0.000 0.000 10.080 0.000 258.780 0.0002 1 9819.200 6933.900 0.000 1632.850 0.000 0.000 55.440 0.000 410.580 0.000 0.000 628.150 25.800 0.000 4.680 0.000 0.000 1.6252 2 8051.000 6041.100 0.000 0.000 1632.850 0.000 0.000 19.250 0.000 0.000 0.000 394.400 82.500 0.000 4.680 0.000 11.500 0.0003 1 2909.300 6061.100 1.463 0.000 0.000 0.000 27.000 19.250 4.500 0.000 173.250 266.900 77.700 0.000 4.680 0.000 0.000 0.0003 2 2727.500 5164.600 1.463 0.000 0.000 0.000 27.000 0.000 4.500 0.000 463.500 267.750 0.000 0.000 4.680 0.000 11.500 0.0004 1 2964.000 3924.500 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 11.050 0.000 2.500 0.000 1.6254 2 1741.100 2677.100 0.000 448.205 0.000 0.000 55.800 0.000 18.000 3.875 0.000 0.000 0.000 11.050 0.000 1.625 0.000 0.0005 1 3771.500 2758.200 438.005 0.000 0.000 0.000 27.600 0.000 15.600 4.650 266.900 77.700 0.000 0.000 4.680 1.625 0.000 0.0005 2 1774.000 2082.800 0.000 1561.450 0.000 0.000 0.000 19.375 15.600 4.650 0.000 0.000 0.000 0.000 0.000 1.625 11.050 0.0006 1 4492.800 1645.700 2161.125 446.505 0.000 0.000 0.000 19.375 15.600 4.650 0.000 0.000 0.000 0.000 0.000 0.000 0.000 1.6256 2 2757.100 612.600 159.750 446.505 0.000 0.000 0.000 19.375 15.600 4.650 0.000 0.000 0.000 11.050 0.000 0.000 0.000 0.0007 1 1140.300 376.800 0.000 1222.300 119.700 8.500 0.000 18.125 15.600 4.650 0.000 0.000 156.000 0.000 0.000 0.000 0.000 0.0007 2 1222.600 509.100 0.000 0.000 1222.300 29.750 0.000 15.000 11.400 6.750 0.000 0.000 180.000 0.000 0.000 0.000 0.000 0.0008 1 210.800 1164.100 0.000 0.000 0.000 0.000 0.000 19.375 372.000 102.000 0.000 0.000 221.700 0.000 0.000 1.625 0.000 5.5508 2 678.100 1238.400 0.000 0.000 0.000 36.550 0.000 23.625 175.890 0.000 0.000 0.000 221.700 0.000 0.000 1.625 0.000 18.3009 1 133.400 858.700 159.750 0.000 0.000 66.300 0.000 9.625 372.000 102.000 0.000 0.000 0.000 11.050 0.000 0.000 0.000 19.8009 2 696.500 1367.800 0.000 0.000 0.000 131.750 0.000 0.000 372.000 102.000 0.000 0.000 0.000 0.000 4.680 0.000 11.500 14.55010 1 1089.500 990.200 0.000 0.000 0.000 66.300 0.000 9.625 372.000 102.000 0.000 0.000 0.000 4.680 0.000 0.000 11.500 19.80010 2 3650.300 2523.400 0.000 0.000 0.000 0.000 55.800 0.000 372.000 102.000 142.875 104.550 0.000 0.000 0.000 0.000 0.000 0.00011 1 5643.100 2331.100 2161.125 0.000 1632.850 0.000 55.440 0.000 0.000 0.000 199.125 104.550 180.000 0.000 4.680 0.000 0.000 0.00011 2 3591.700 8288.500 1492.875 0.000 1632.850 0.000 55.440 0.000 0.000 0.000 421.600 0.000 0.000 4.680 0.000 0.000 0.000 0.00012 1 4037.100 6214.200 973.125 1632.850 0.000 0.000 79.920 0.000 0.000 0.000 67.500 566.100 221.700 0.000 4.680 0.000 0.000 0.00012 2 4511.400 6028.900 1632.850 0.000 0.000 0.000 55.440 0.000 0.000 0.000 566.100 0.000 0.000 0.000 4.680 0.000 0.000 1.625


L a m p i r a n -8

Tabel 4.14 Tahun 2001INPUT OUTPUT

1 1 5290.200 5287.600 0.000 1632.850 0.000 0.000 55.440 0.000 0.000 0.000 0.000 566.100 0.000 0.000 4.680 0.000 0.000 0.0001 2 5258.800 8224.600 0.000 1632.850 0.000 0.000 55.440 0.000 0.000 0.000 0.000 566.100 0.000 0.000 4.680 0.000 0.000 0.0002 1 4505.100 15532.400 0.000 1632.850 0.000 0.000 55.440 0.000 0.000 0.000 0.000 494.700 43.200 0.000 4.680 0.000 0.000 0.0002 2 1124.600 2605.800 0.000 0.000 1632.850 0.000 55.440 0.000 0.000 0.000 0.000 408.850 73.500 0.000 4.680 0.000 0.000 1.6253 1 4742.100 7729.200 1632.850 0.000 0.000 0.000 55.440 0.000 0.000 0.000 163.125 0.000 217.800 0.000 4.680 0.000 0.000 0.0003 2 5065.200 4248.800 0.000 0.000 1632.850 0.000 55.440 0.000 0.000 0.000 816.750 0.000 0.000 0.000 4.680 0.000 0.000 0.0004 1 5175.400 5307.700 1.463 0.000 0.000 0.000 27.000 0.000 4.500 0.000 816.750 0.000 0.000 0.000 4.680 0.000 0.000 0.0004 2 3538.800 1861.300 0.000 1632.850 0.000 0.000 55.440 0.000 0.000 0.000 349.875 352.750 0.000 0.000 4.680 1.625 0.000 0.0005 1 4320.900 2232.500 0.000 1632.850 0.000 0.000 0.000 19.250 0.000 0.000 0.000 617.100 0.000 11.050 4.680 0.000 0.000 0.0005 2 3033.100 1207.300 0.000 1632.850 0.000 0.000 0.000 19.250 0.000 0.000 0.000 617.100 0.000 0.000 4.680 0.000 11.050 0.0006 1 5262.900 2113.900 1632.850 0.000 0.000 3.400 0.000 18.750 0.000 0.000 0.000 617.100 0.000 0.000 4.680 0.000 0.000 0.0006 2 1278.800 568.400 0.000 1085.450 193.200 3.400 0.000 18.750 0.000 0.000 0.000 617.100 0.000 0.000 4.680 0.000 0.000 0.0007 1 304.400 139.800 0.000 0.000 1590.350 5.100 1.440 18.000 15.000 0.000 0.000 311.100 78.000 0.000 0.000 1.625 0.000 0.0007 2 106.800 1910.500 429.750 0.000 0.000 17.850 0.000 15.250 311.400 69.300 0.000 0.000 217.800 0.000 0.000 1.625 0.000 0.0008 1 1496.300 777.100 0.000 1222.300 119.700 8.500 0.000 18.125 15.600 4.650 163.125 0.000 0.000 0.000 0.000 1.625 0.000 0.0008 2 1468.400 731.800 0.000 1222.300 119.700 8.500 0.000 18.125 15.600 4.650 163.125 0.000 0.000 0.000 0.000 1.625 0.000 0.0009 1 1100.600 872.500 0.000 446.505 0.000 0.000 0.000 19.375 15.600 4.650 173.250 266.900 77.700 0.000 4.680 0.000 0.000 0.0009 2 1394.300 916.400 0.000 324.700 0.000 52.700 29.160 0.000 311.400 69.300 0.000 293.250 0.000 0.000 4.680 0.000 0.000 35.10010 1 3023.300 3037.100 0.000 324.700 0.000 0.000 121.550 0.000 311.400 69.300 0.000 293.250 0.000 0.000 4.680 0.000 0.000 35.10010 2 3638.700 15056.600 0.000 324.700 0.000 0.000 121.550 0.000 311.400 69.300 0.000 293.250 0.000 0.000 4.680 0.000 0.000 35.10011 1 2213.400 8282.300 1698.750 324.700 0.000 0.000 121.550 0.000 0.000 0.000 364.500 352.750 0.000 0.000 4.680 0.000 0.000 0.00011 2 2210.100 4659.150 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.00012 1 5310.800 7867.250 973.125 1632.850 0.000 0.000 79.920 0.000 0.000 0.000 67.500 566.100 0.000 0.000 4.680 0.000 0.000 0.00012 2 4614.500 9052.550 0.000 1632.850 0.000 0.000 45.504 0.000 0.000 0.000 0.000 617.100 0.000 0.000 4.680 0.000 0.000 0.000


L a m p i r a n -9


1 1 10915.700 22667.800 0.000 1632.850 0.000 0.000 55.440 0.000 0.000 0.000 0.000 434.350 60.000 0.000 4.680 0.000 0.000 0.0001 2 8861.400 3594.800 0.000 1632.850 0.000 0.000 55.440 0.000 0.000 0.000 0.000 566.100 0.000 0.000 4.680 0.000 0.000 0.0002 1 5290.200 7967.100 0.000 1632.850 0.000 0.000 55.440 0.000 0.000 0.000 0.000 628.150 25.800 0.000 4.680 0.000 0.000 1.6252 2 5258.800 9017.400 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 394.400 82.500 0.000 4.680 0.000 0.000 0.0003 1 4742.100 836.200 2161.125 0.000 0.000 0.000 55.440 0.000 0.000 0.000 0.000 440.300 63.000 0.000 4.680 0.000 0.000 0.0003 2 5065.200 5496.600 2161.125 0.000 0.000 0.000 55.440 0.000 0.000 0.000 0.000 159.800 0.000 0.000 4.680 0.000 0.000 0.0004 1 4742.100 8369.200 0.000 1632.850 0.000 0.000 55.440 0.000 0.000 0.000 256.500 367.200 0.000 0.000 4.680 0.000 0.000 0.0004 2 4756.100 5496.600 0.000 1632.850 0.000 0.000 55.440 0.000 0.000 0.000 0.000 518.500 133.800 0.000 0.000 1.625 0.000 0.0005 1 4320.900 2818.500 0.000 1632.850 0.000 0.000 0.000 19.250 0.000 0.000 0.000 628.150 39.000 11.050 0.000 0.000 0.000 0.0005 2 3135.100 1013.000 0.000 1632.850 0.000 0.000 0.000 19.250 0.000 0.000 0.000 476.000 0.000 0.000 4.680 0.000 11.050 0.0006 1 3424.200 903.000 0.000 1030.200 213.300 0.000 64.440 0.000 88.200 0.000 0.000 186.150 156.000 0.000 4.680 0.000 0.000 0.0006 2 686.300 1043.600 0.000 908.650 141.300 0.000 42.120 8.500 0.000 51.600 0.000 118.150 180.000 0.000 4.680 0.000 0.000 0.0007 1 3126.300 817.400 0.000 1030.200 213.300 0.000 64.440 0.000 88.200 0.000 0.000 186.150 156.000 0.000 4.680 0.000 0.000 0.0007 2 686.300 616.300 0.000 908.650 141.300 0.000 42.120 8.500 0.000 51.600 0.000 118.150 180.000 0.000 4.680 0.000 0.000 0.0008 1 120.100 1476.300 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 221.700 0.000 4.680 0.000 0.000 0.0008 2 678.100 17588.100 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 221.700 0.000 4.680 0.000 0.000 0.0009 1 617.900 613.400 159.750 0.000 0.000 1101.940 0.000 0.000 410.580 0.000 831.375 0.000 0.000 0.000 4.680 0.000 0.000 19.5009 2 772.400 659.700 0.000 120.700 0.000 0.000 45.504 0.000 0.000 205.290 0.000 23.800 0.000 0.000 4.680 0.000 0.000 19.50010 1 1655.500 3551.700 0.000 487.050 0.000 0.000 91.008 0.000 0.000 380.040 0.000 628.150 0.000 0.000 4.680 0.000 0.000 0.00010 2 1265.300 1156.100 0.000 366.350 0.000 0.000 45.504 0.000 0.000 174.750 322.150 0.000 0.000 0.000 4.680 0.000 0.000 0.00011 1 2422.300 2331.100 1923.300 215.050 0.000 0.000 45.504 0.000 0.000 0.150 0.000 259.250 0.000 0.000 4.680 0.000 0.000 0.00011 2 3880.400 8288.500 1439.550 580.550 0.000 0.000 45.504 0.000 0.000 0.150 43.875 0.000 0.000 0.000 4.680 0.000 0.000 0.00012 1 5598.000 13349.200 675.675 1157.700 0.000 0.000 45.504 0.000 0.000 0.150 426.375 0.000 0.000 0.000 4.680 0.000 0.000 0.00012 2 4111.600 10349.000 0.000 1637.610 0.000 0.000 45.504 0.000 0.000 0.150 0.000 407.150 0.000 0.000 4.680 0.000 0.000 0.000


L a m p i r a n -10


1 1 5626.400 7600.900 0.000 1217.358 0.000 0.000 63.504 0.000 0.000 0.150 853.875 0.000 0.000 11.050 0.000 0.000 0.000 0.0001 2 6469.900 12856.200 0.000 1523.710 78.900 0.000 63.504 0.000 0.000 0.150 0.000 645.150 0.000 11.050 0.000 0.000 0.000 0.0002 1 5291.300 9758.300 295.875 1523.710 0.000 0.000 76.464 0.000 0.000 0.150 0.000 645.150 0.000 0.000 4.680 0.000 0.000 1.6252 2 3424.200 9593.500 182.250 1437.010 60.600 0.000 76.464 0.000 0.000 0.150 0.000 645.150 0.000 0.000 4.680 0.000 0.000 0.0003 1 4959.400 13397.400 91375.000 858.500 94.200 0.000 63.504 0.000 0.000 0.150 0.000 396.950 72.600 0.000 4.680 0.000 0.000 0.0003 2 4405.900 17995.800 345.375 395.250 43.080 0.000 63.504 0.000 0.000 0.150 0.000 402.900 79.500 0.000 4.680 0.000 0.000 0.0004 1 5381.400 2163.000 506.250 1364.760 0.000 0.000 63.504 0.000 0.000 0.150 0.000 0.000 221.700 0.000 4.680 0.000 0.000 0.0004 2 4844.000 1134.100 32.625 1716.660 0.000 0.000 22.536 0.000 0.000 1.200 0.000 266.900 0.000 0.000 4.680 1.625 0.000 0.0005 1 5285.000 1071.200 32.625 1643.560 0.000 0.000 45.504 0.000 0.000 0.150 0.000 322.150 108.000 0.000 4.680 0.000 0.000 0.0005 2 4889.900 2542.600 32.625 1610.750 11.400 0.000 43.704 6.250 0.000 0.150 0.000 628.150 0.000 0.000 0.000 0.000 0.000 0.0006 1 4821.800 2793.500 0.000 1600.550 15.000 0.000 43.704 0.625 0.000 0.150 0.000 628.150 0.000 11.050 0.000 0.000 0.000 0.0006 2 4189.000 329.300 0.000 1351.500 103.200 0.000 87.048 1.375 0.000 4.050 0.000 373.150 90.000 11.050 0.000 0.000 0.000 0.0007 1 3056.100 478.600 0.000 1600.550 15.000 0.000 43.704 0.625 0.000 0.150 0.000 67.150 198.000 0.000 4.680 0.000 0.000 0.0007 2 396.550 1263.400 0.000 424.150 412.920 0.000 41.256 1.575 0.000 20.700 0.000 118.150 180.000 0.000 4.680 0.000 0.000 0.0008 1 39.700 1126.700 0.000 0.000 0.000 45.390 39.960 0.000 0.000 218.100 0.000 0.000 221.700 0.000 4.680 0.000 0.000 0.0008 2 831.400 638.600 176.625 0.000 0.000 45.390 39.960 0.000 0.000 206.340 0.000 565.250 0.000 0.000 0.000 1.625 19.800 1.2009 1 887.500 1034.500 375.750 0.000 0.000 45.390 39.960 0.000 0.000 206.340 635.625 0.000 0.000 0.000 1.800 1.000 0.000 26.1009 2 904.500 889.300 0.000 283.900 0.000 45.390 39.960 0.000 0.000 194.790 635.625 0.000 0.000 0.000 1.800 1.000 0.000 26.10010 1 831.200 1049.900 109.125 21845.000 0.000 97.240 0.000 6.250 19.200 180.390 0.000 628.150 0.000 0.000 4.680 0.000 0.000 0.00010 2 978.800 1150.600 109.125 218.450 0.000 68.850 30.024 0.000 3.000 184.890 0.000 628.150 0.000 0.000 4.680 0.000 0.000 0.00011 1 887.500 1246.100 117.000 274.550 0.000 0.000 59.184 0.000 298.680 36.600 0.000 607.750 0.000 0.000 8.640 0.000 0.000 0.00011 2 539.800 1029.800 1332.675 325.550 0.000 0.000 59.184 0.000 0.000 75.150 0.000 607.750 0.000 0.000 8.640 0.000 0.000 0.00012 1 5023.600 2385.300 1678.750 537.710 0.000 0.000 41.184 0.000 0.000 0.000 0.000 617.100 0.000 0.000 4.680 0.000 0.000 0.00012 2 5117.400 7756.100 357.500 1436.160 0.000 0.000 41.184 0.000 0.000 0.000 0.000 61.710 0.000 0.000 4.680 0.000 0.000 0.000


L a m p i r a n -11

Tabel 4.17 Data Input

Bulan periode Bendung Pengasih Bendung Pekik Jamal

1 1 3911.100 10057.3001 1 2867.800 2962.1001 1 5290.200 5287.6001 1 10915.700 22667.8001 1 5626.400 7600.9001 2 2000.300 2719.4001 2 2023.000 3740.4001 2 5258.800 8224.6001 2 8861.400 3594.8001 2 6469.900 12856.2002 1 2101.400 6184.3002 1 9819.200 6933.9002 1 4505.100 15532.4002 1 5290.200 7967.1002 1 5291.300 9758.3002 2 2461.800 3305.7002 2 8051.000 6041.1002 2 1124.600 2605.8002 2 5258.800 9017.4002 2 3424.200 9593.5003 1 2133.600 7393.9003 1 2909.300 6061.1003 1 4742.100 7729.2003 1 4742.100 836.2003 1 4959.400 13397.4003 2 2000.300 10285.6003 2 2727.500 5164.6003 2 5065.200 4248.8003 2 5065.200 5496.6003 2 4405.900 17995.8004 1 2220.100 3810.9004 1 2964.000 3924.5004 1 5175.400 5307.7004 1 4742.100 8369.2004 1 5381.400 2163.0004 2 2067.200 3889.9004 2 1741.100 2677.100

Lampiran-11


L a m p i r a n -12


4 2 3538.800 1861.3004 2 4756.100 5496.6004 2 4844.000 1134.1005 1 2342.800 3251.7005 1 3771.500 2758.2005 1 4320.900 2232.5005 1 4320.900 2818.5005 1 5285.000 1071.2005 2 3033.100 1506.0005 2 1774.000 2082.8005 2 3033.100 1207.3005 2 3135.100 1013.0005 2 4889.900 2542.6006 1 2283.600 731.9006 1 4492.800 1645.7006 1 5262.900 2113.9006 1 3424.200 903.0006 1 4821.800 2793.5006 2 1278.800 421.9006 2 2757.100 612.6006 2 1278.800 568.4006 2 686.300 1043.6006 2 4189.000 329.3007 1 1317.600 347.1007 1 1140.300 376.8007 1 304.400 139.8007 1 3126.300 817.4007 1 3056.100 478.6007 2 811.300 361.1007 2 1222.600 509.1007 2 106.800 1910.5007 2 686.300 616.3007 2 396.550 1263.4008 1 933.200 325.1008 1 210.800 1164.1008 1 1496.300 777.1008 1 120.100 1476.3008 1 39.700 1126.7008 2 2009.500 409.300

Lampiran-13


L a m p i r a n -13


8 2 678.100 1238.4008 2 1468.400 731.8008 2 678.100 17588.1008 2 831.400 638.6009 1 1961.700 961.3009 1 133.400 858.7009 1 1100.600 872.5009 1 617.900 613.4009 1 887.500 1034.5009 2 1703.600 835.7009 2 696.500 1367.8009 2 1394.300 916.4009 2 772.400 659.7009 2 904.500 889.30010 1 3695.300 1079.50010 1 1089.500 990.20010 1 3023.300 3037.10010 1 1655.500 3551.70010 1 831.200 1049.90010 2 3166.400 700.60010 2 3650.300 2523.40010 2 3638.700 15056.60010 2 1265.300 1156.10010 2 978.800 1150.60011 1 9737.900 1748.30011 1 5643.100 2331.10011 1 2213.400 8282.30011 1 2422.300 2331.10011 1 887.500 1246.10011 2 1818.400 1865.90011 2 3591.700 8288.50011 2 2210.100 4659.15011 2 3880.400 8288.50011 2 539.800 1029.80012 1 2177.500 5199.40012 1 4037.100 6214.20012 1 5310.800 7867.25012 1 5598.000 13349.20012 1 5023.600 2385.300

Lampiran-13


L a m p i r a n -14


12 2 3170.300 675.60012 2 4511.400 6028.90012 2 4614.500 9052.55012 2 4111.600 10349.00012 2 5117.400 7756.100

Lampiran-13


L a m p i r a n -15

Tabel 4.18 Output Periode 1Bulan Bending Pengasih Bendung Pekik Jamal


0.000 1632.850 0.000 0.000 55.440 0.000 0.000 0.000 0.000 566.100 0.000 0.000 4.680 0.000 0.000 0.000

0.000 1632.850 0.000 0.000 55.440 0.000 0.000 0.000 0.000 434.350 60.000 0.000 4.680 0.000 0.000 0.000

0.000 1217.358 0.000 0.000 63.504 0.000 0.000 0.150 853.875 0.000 0.000 11.050 0.000 0.000 0.000 0.000

487.500 1318.500 0.000 0.000 53.280 0.000 8.400 0.000 882.500 72.750 87.300 11.050 0.000 2.500 0.000 0.000Februari 0.000 1632.850 0.000 0.000 55.440 0.000 410.580 0.000 0.000 628.150 25.800 0.000 4.680 0.000 0.000 1.625

0.000 1632.850 0.000 0.000 55.440 0.000 0.000 0.000 0.000 494.700 43.200 0.000 4.680 0.000 0.000 0.000

0.000 1632.850 0.000 0.000 55.440 0.000 0.000 0.000 0.000 628.150 25.800 0.000 4.680 0.000 0.000 1.625

295.875 1523.710 0.000 0.000 76.464 0.000 0.000 0.150 0.000 645.150 0.000 0.000 4.680 0.000 0.000 1.625

0.000 856.850 0.000 45.390 53.280 0.000 4.200 6.900 743.625 29.750 0.000 11.050 0.000 0.000 6.000 0.000Maret 1.463 0.000 0.000 0.000 27.000 19.250 4.500 0.000 173.250 266.900 77.700 0.000 4.680 0.000 0.000 0.000

1632.850 0.000 0.000 0.000 55.440 0.000 0.000 0.000 163.125 0.000 217.800 0.000 4.680 0.000 0.000 0.000

2161.125 0.000 0.000 0.000 55.440 0.000 0.000 0.000 0.000 440.300 63.000 0.000 4.680 0.000 0.000 0.000

91375.000 858.500 94.200 0.000 63.504 0.000 0.000 0.150 0.000 396.950 72.600 0.000 4.680 0.000 0.000 0.000

0.000 912.900 0.000 0.000 26.280 0.000 4.500 0.000 150.750 486.200 0.000 0.000 4.680 0.000 0.000 4.950April 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 11.050 0.000 2.500 0.000 1.625

1.463 0.000 0.000 0.000 27.000 0.000 4.500 0.000 816.750 0.000 0.000 0.000 4.680 0.000 0.000 0.000

0.000 1632.850 0.000 0.000 55.440 0.000 0.000 0.000 256.500 367.200 0.000 0.000 4.680 0.000 0.000 0.000

506.250 1364.760 0.000 0.000 63.504 0.000 0.000 0.150 0.000 0.000 221.700 0.000 4.680 0.000 0.000 0.000

0.000 1271.600 58.500 0.000 248.400 26.640 4.500 5.400 0.000 589.050 0.000 0.000 0.000 1.625 0.000 4.680Mei 438.005 0.000 0.000 0.000 27.600 0.000 15.600 4.650 266.900 77.700 0.000 0.000 4.680 1.625 0.000 0.000

0.000 1632.850 0.000 0.000 0.000 19.250 0.000 0.000 0.000 617.100 0.000 11.050 4.680 0.000 0.000 0.000


L a m p i r a n -16

0.000 1632.850 0.000 0.000 0.000 19.250 0.000 0.000 0.000 628.150 39.000 11.050 0.000 0.000 0.000 0.000

32.625 1643.560 0.000 0.000 45.504 0.000 0.000 0.150 0.000 322.150 108.000 0.000 4.680 0.000 0.000 0.000

0.000 911.200 0.000 45.390 0.000 27.000 4.500 0.000 0.000 29.750 172.800 0.000 4.680 0.000 0.000 0.000Juni 2161.125 446.505 0.000 0.000 0.000 19.375 15.600 4.650 0.000 0.000 0.000 0.000 0.000 0.000 0.000 1.625

1632.850 0.000 0.000 3.400 0.000 18.750 0.000 0.000 0.000 617.100 0.000 0.000 4.680 0.000 0.000 0.000

0.000 1030.200 213.300 0.000 64.440 0.000 88.200 0.000 0.000 186.150 156.000 0.000 4.680 0.000 0.000 0.000

0.000 1600.550 15.000 0.000 43.704 0.625 0.000 0.150 0.000 628.150 0.000 11.050 0.000 0.000 0.000 0.000

0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 566.100 0.000 0.000 11.050 0.000 0.000 0.000 0.000Juli 0.000 1222.300 119.700 8.500 0.000 18.125 15.600 4.650 0.000 0.000 156.000 0.000 0.000 0.000 0.000 0.000

0.000 0.000 1590.350 5.100 1.440 18.000 15.000 0.000 0.000 311.100 78.000 0.000 0.000 1.625 0.000 0.000

0.000 1030.200 213.300 0.000 64.440 0.000 88.200 0.000 0.000 186.150 156.000 0.000 4.680 0.000 0.000 0.000

0.000 1600.550 15.000 0.000 43.704 0.625 0.000 0.150 0.000 67.150 198.000 0.000 4.680 0.000 0.000 0.000

0.000 487.050 213.300 0.000 64.440 0.000 88.200 0.000 0.000 186.150 156.000 0.000 4.680 0.000 0.000 0.000Agustus 0.000 0.000 0.000 0.000 0.000 19.375 372.000 102.000 0.000 0.000 221.700 0.000 0.000 1.625 0.000 5.550

0.000 1222.300 119.700 8.500 0.000 18.125 15.600 4.650 163.125 0.000 0.000 0.000 0.000 1.625 0.000 0.000

0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 221.700 0.000 4.680 0.000 0.000 0.000

0.000 0.000 0.000 45.390 39.960 0.000 0.000 218.100 0.000 0.000 221.700 0.000 4.680 0.000 0.000 0.000

0.000 1035.300 123.600 0.000 0.000 11.250 37.200 72.345 0.000 0.000 217.800 0.000 0.000 0.000 0.000 7.200September 159.750 0.000 0.000 66.300 0.000 9.625 372.000 102.000 0.000 0.000 0.000 11.050 0.000 0.000 0.000 19.800

0.000 446.505 0.000 0.000 0.000 19.375 15.600 4.650 173.250 266.900 77.700 0.000 4.680 0.000 0.000 0.000

159.750 0.000 0.000 1101.940 0.000 0.000 410.580 0.000 831.375 0.000 0.000 0.000 4.680 0.000 0.000 19.500

375.750 0.000 0.000 45.390 39.960 0.000 0.000 206.340 635.625 0.000 0.000 0.000 1.800 1.000 0.000 26.100

375.750 0.000 0.000 45.390 39.960 0.000 0.000 206.340 635.625 0.000 0.000 0.000 1.800 1.000 0.000 26.100Oktober 0.000 0.000 0.000 66.300 0.000 9.625 372.000 102.000 0.000 0.000 0.000 4.680 0.000 0.000 11.500 19.800

0.000 324.700 0.000 0.000 121.550 0.000 311.400 69.300 0.000 293.250 0.000 0.000 4.680 0.000 0.000 35.100


L a m p i r a n -17

0.000 487.050 0.000 0.000 91.008 0.000 0.000 380.040 0.000 628.150 0.000 0.000 4.680 0.000 0.000 0.000

109.125 21845.000 0.000 97.240 0.000 6.250 19.200 180.390 0.000 628.150 0.000 0.000 4.680 0.000 0.000 0.000

0.000 487.050 0.000 0.000 91.008 0.000 88.200 380.040 0.000 628.150 0.000 0.000 4.680 0.000 0.000 0.000November 2161.13 0.00 1632.85 0.00 55.44 0.00 0.00 0.00 199.13 104.55 180.00 0.00 4.68 0.00 0.00 0.00

1698.75 324.70 0.00 0.00 121.55 0.00 0.00 0.00 364.50 352.75 0.00 0.00 4.68 0.00 0.00 0.00

1923.30 215.05 0.00 0.00 45.50 0.00 0.00 0.15 0.00 259.25 0.00 0.00 4.68 0.00 0.00 0.00

117.00 274.55 0.00 0.00 59.18 0.00 298.68 36.60 0.00 607.75 0.00 0.00 8.64 0.00 0.00 0.00

1698.75 324.70 0.00 0.00 121.55 0.00 0.00 0.00 364.50 352.75 217.80 0.00 4.68 0.00 0.00 0.00Desember 973.125 1632.850 0.000 0.000 79.920 0.000 0.000 0.000 67.500 566.100 221.700 0.000 4.680 0.000 0.000 0.000

973.125 1632.850 0.000 0.000 79.920 0.000 0.000 0.000 67.500 566.100 0.000 0.000 4.680 0.000 0.000 0.000

675.675 1157.700 0.000 0.000 45.504 0.000 0.000 0.150 426.375 0.000 0.000 0.000 4.680 0.000 0.000 0.000

1678.750 537.710 0.000 0.000 41.184 0.000 0.000 0.000 0.000 617.100 0.000 0.000 4.680 0.000 0.000 0.000

973.125 1632.850 0.000 0.000 79.920 0.000 4.500 0.000 67.500 566.100 217.500 0.000 4.680 0.000 0.000 0.000


L a m p i r a n -18

Tabel 4.19 Output Periode 2Bulan Bending Pengasih Bendung Pekik Jamal


0.000 455.600 0.000 0.000 28.080 0.000 0.000 6.125 28.125 1002.575 0.000 0.000 10.080 0.000 258.780 0.000

0.000 1632.850 0.000 0.000 55.440 0.000 0.000 0.000 0.000 566.100 0.000 0.000 4.680 0.000 0.000 0.000

0.000 1632.850 0.000 0.000 55.440 0.000 0.000 0.000 0.000 566.100 0.000 0.000 4.680 0.000 0.000 0.000

0.000 1523.710 78.900 0.000 63.504 0.000 0.000 0.150 0.000 645.150 0.000 11.050 0.000 0.000 0.000 0.000Februari 988.875 773.250 42.000 45.390 52.920 0.000 4.500 6.900 834.750 0.000 0.000 0.000 4.680 0.000 0.000 3.000

0.000 0.000 1632.850 0.000 0.000 19.250 0.000 0.000 0.000 394.400 82.500 0.000 4.680 0.000 11.500 0.000

0.000 0.000 1632.850 0.000 55.440 0.000 0.000 0.000 0.000 408.850 73.500 0.000 4.680 0.000 0.000 1.625

0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 394.400 82.500 0.000 4.680 0.000 0.000 0.000

182.250 1437.010 60.600 0.000 76.464 0.000 0.000 0.150 0.000 645.150 0.000 0.000 4.680 0.000 0.000 0.000Maret 27.000 295.8 254.700 97.240 27.360 0.000 0.000 1.200 0.000 597.550 0.000 0.000 4.680 0.000 6.000 4.950

1.463 0.000 0.000 0.000 27.000 0.000 4.500 0.000 463.500 267.750 0.000 0.000 4.680 0.000 11.500 0.000

0.000 0.000 1632.850 0.000 55.440 0.000 0.000 0.000 816.750 0.000 0.000 0.000 4.680 0.000 0.000 0.000

2161.125 0.000 0.000 0.000 55.440 0.000 0.000 0.000 0.000 159.800 0.000 0.000 4.680 0.000 0.000 0.000

345.375 395.250 43.080 0.000 63.504 0.000 0.000 0.150 0.000 402.900 79.500 0.000 4.680 0.000 0.000 0.000April 946.125 840.650 0.000 97.240 59.040 0.000 0.000 51.600 0.000 592.450 0.000 0.000 4.680 0.000 0.000 4.950

0.000 448.205 0.000 0.000 55.800 0.000 18.000 3.875 0.000 0.000 0.000 11.050 0.000 1.625 0.000 0.000

0.000 1632.850 0.000 0.000 55.440 0.000 0.000 0.000 349.875 352.750 0.000 0.000 4.680 1.625 0.000 0.000

0.000 1632.850 0.000 0.000 55.440 0.000 0.000 0.000 0.000 518.500 133.800 0.000 0.000 1.625 0.000 0.000

32.625 1716.660 0.000 0.000 22.536 0.000 0.000 1.200 0.000 266.900 0.000 0.000 4.680 1.625 0.000 0.000Mei 0.000 911.200 0.000 0.000 27.000 0.000 5.400 0.000 0.000 398.650 68.400 0.000 4.680 0.000 7.200 1.625

0.000 1561.450 0.000 0.000 0.000 19.375 15.600 4.650 0.000 0.000 0.000 0.000 0.000 1.625 11.050 0.000


L a m p i r a n -19

0.000 1632.850 0.000 0.000 0.000 19.250 0.000 0.000 0.000 617.100 0.000 0.000 4.680 0.000 11.050 0.000

0.000 1632.850 0.000 0.000 0.000 19.250 0.000 0.000 0.000 476.000 0.000 0.000 4.680 0.000 11.050 0.000

32.625 1610.750 11.400 0.000 43.704 6.250 0.000 0.150 0.000 628.150 0.000 0.000 0.000 0.000 0.000 0.000Juni 946.125 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 11.050 0.000 0.000 0.000 0.000

159.750 446.505 0.000 0.000 0.000 19.375 15.600 4.650 0.000 0.000 0.000 11.050 0.000 0.000 0.000 0.000

0.000 1085.450 193.200 3.400 0.000 18.750 0.000 0.000 0.000 617.100 0.000 0.000 4.680 0.000 0.000 0.000

0.000 908.650 141.300 0.000 42.120 8.500 0.000 51.600 0.000 118.150 180.000 0.000 4.680 0.000 0.000 0.000

0.000 1351.500 103.200 0.000 87.048 1.375 0.000 4.050 0.000 373.150 90.000 11.050 0.000 0.000 0.000 0.000Juli 0.000 366.350 141.300 0.000 42.120 8.500 0.000 51.600 0.000 118.150 180.000 0.000 4.680 0.000 0.000 0.000

0.000 0.000 1222.300 29.750 0.000 15.000 11.400 6.750 0.000 0.000 180.000 0.000 0.000 0.000 0.000 0.000

429.750 0.000 0.000 17.850 0.000 15.250 311.400 69.300 0.000 0.000 217.800 0.000 0.000 1.625 0.000 0.000

0.000 908.650 141.300 0.000 42.120 8.500 0.000 51.600 0.000 118.150 180.000 0.000 4.680 0.000 0.000 0.000

0.000 424.150 412.920 0.000 41.256 1.575 0.000 20.700 0.000 118.150 180.000 0.000 4.680 0.000 0.000 0.000Agustus 0.000 0.000 290.100 0.000 6.480 20.500 37.800 6.450 0.000 0.000 217.800 0.000 0.000 1.625 0.000 3.000

0.000 0.000 0.000 36.550 0.000 23.625 175.890 0.000 0.000 0.000 221.700 0.000 0.000 1.625 0.000 18.300

0.000 1222.300 119.700 8.500 0.000 18.125 15.600 4.650 163.125 0.000 0.000 0.000 0.000 1.625 0.000 0.000

0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 221.700 0.000 4.680 0.000 0.000 0.000

176.625 0.000 0.000 45.390 39.960 0.000 0.000 206.340 0.000 565.250 0.000 0.000 0.000 1.625 19.800 1.200September 0.000 283.900 0.000 45.390 39.960 0.000 0.000 194.790 635.625 0.000 0.000 0.000 1.800 1.000 0.000 26.100

0.000 0.000 0.000 131.750 0.000 0.000 372.000 102.000 0.000 0.000 0.000 0.000 4.680 0.000 11.500 14.550

0.000 324.700 0.000 52.700 29.160 0.000 311.400 69.300 0.000 293.250 0.000 0.000 4.680 0.000 0.000 35.100

0.000 120.700 0.000 0.000 45.504 0.000 0.000 205.290 0.000 23.800 0.000 0.000 4.680 0.000 0.000 19.500

0.000 283.900 0.000 45.390 39.960 0.000 0.000 194.790 635.625 0.000 0.000 0.000 1.800 1.000 0.000 26.100Oktober 0.000 366.350 0.000 0.000 45.504 0.000 0.000 174.750 322.150 0.000 156.000 0.000 4.680 0.000 0.000 0.000

0.000 0.000 0.000 0.000 55.800 0.000 372.000 102.000 142.875 104.550 0.000 0.000 0.000 0.000 0.000 0.000


L a m p i r a n -20

0.000 324.700 0.000 0.000 121.550 0.000 311.400 69.300 0.000 293.250 0.000 0.000 4.680 0.000 0.000 35.100

0.000 366.350 0.000 0.000 45.504 0.000 0.000 174.750 322.150 0.000 0.000 0.000 4.680 0.000 0.000 0.000

109.125 218.450 0.000 68.850 30.024 0.000 3.000 184.890 0.000 628.150 0.000 0.000 4.680 0.000 0.000 0.000November 0.000 0.000 290.100 0.000 0.000 20.500 37.800 0.000 0.000 0.000 0.000 11.050 0.000 0.000 7.200 0.000

1492.875 0.000 1632.850 0.000 55.440 0.000 0.000 0.000 421.600 0.000 0.000 4.680 0.000 0.000 0.000 0.000

0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000

1439.550 580.550 0.000 0.000 45.504 0.000 0.000 0.150 43.875 0.000 0.000 0.000 4.680 0.000 0.000 0.000

1332.675 325.550 0.000 0.000 59.184 0.000 0.000 75.150 0.000 607.750 0.000 0.000 8.640 0.000 0.000 0.000Desember 1632.850 0.000 0.000 0.000 55.440 8.500 0.000 0.000 566.100 0.000 0.000 0.000 4.680 0.000 0.000 0.000

1632.850 0.000 0.000 0.000 55.440 0.000 0.000 0.000 566.100 0.000 0.000 0.000 4.680 0.000 0.000 1.625

0.000 1632.850 0.000 0.000 45.504 0.000 0.000 0.000 0.000 617.100 0.000 0.000 4.680 0.000 0.000 0.000

0.000 1637.610 0.000 0.000 45.504 0.000 0.000 0.150 0.000 407.150 0.000 0.000 4.680 0.000 0.000 0.000

357.500 1436.160 0.000 0.000 41.184 0.000 0.000 0.000 0.000 61.710 0.000 0.000 4.680 0.000 0.000 0.000


L a m p i r a n -21

Tabel 4.20 Presentase Output Kebutuhan per Bendung (dalam %)

Bulan periode



A B C A B C A B A B C A B C A B

1 1 11.61689 84.83377 0 0 3.34738 0 0.200168 0.001787 64.71255 28.31649 5.79698 0.819138 0.231286 0.12355 0 0

1 2 6.547386 88.15146 1.059669 0.609612 3.434779 0 0.112817 0.084277 14.95473 76.83278 0 0.604342 0.531602 0 7.076544 0

2 1 3.548398 87.29762 0 0.544358 3.550665 0 4.974414 0.08455 22.5002 73.40157 2.868407 0.334345 0.56642 0 0.181545 0.147505

2 2 16.70483 31.52696 48.04514 0.647439 2.636313 0.27458 0.064188 0.100561 28.24324 62.34997 8.069496 0 0.791724 0 0.389095 0.156484

3 1 97.81928 1.820703 0.096822 0 0.234 0.019786 0.00925 0.000154 19.2014 62.6881 16.99301 0 0.922376 0 0 0.195118

3 2 46.187 12.59093 35.17606 1.771712 4.167714 0 0.08199 0.024597 45.18104 50.39526 2.805618 0 0.825805 0 0.617589 0.174689

4 1 9.632265 80.99498 1.109855 0 7.48145 0.505411 0.170747 0.105294 46.93404 41.81754 9.695109 0.483225 0.61398 0.180389 0 0.275722

4 2 12.76053 81.76146 0 1.267774 3.236657 0 0.234676 0.738905 15.54437 76.88771 5.944513 0.490933 0.623774 0.288784 0 0.21992

5 1 7.240479 89.54576 0 0.698309 1.12468 1.007695 0.309232 0.073846 11.58423 72.6933 13.88024 0.959203 0.812502 0.07053 0 0

5 2 0.431904 97.2907 0.150918 0 0.936011 0.848916 0.278007 0.063545 0 94.3881 3.045495 0 0.625128 0.072353 1.796575 0.072353

6 1 51.55961 41.81948 3.102567 0.046206 1.469663 0.526607 1.410628 0.065231 25.88969 65.46281 7.134413 1.010708 0.428065 0 0 0.074317

6 2 19.7755 67.81124 7.827046 0.0608 2.30981 0.858346 0.278963 1.078298 0 78.00635 19.00191 2.333012 0.658733 0 0 0

7 1 0 62.64647 31.05764 0.196307 2.511921 0.530462 2.987908 0.069285 0 49.69822 49.26451 0 0.929669 0.107601 0 0

7 2 8.969212 35.46256 40.02637 0.993448 2.619198 1.019015 6.737083 4.17311 0 27.10038 71.70191 0 1.073464 0.124244 0 0

8 1 0 65.14697 7.020845 1.55509 1.153115 1.406766 12.25834 11.45887 15.22562 0 82.40735 0 0.873636 0.303346 0 1.190048

8 2 7.195717 49.79661 16.69529 3.684533 1.89197 2.53607 9.341294 8.858524 11.30414 39.17037 45.81946 0 0.324312 0.450433 1.372089 1.559192

9 1 25.48207 10.6236 0 29.95559 1.901519 0.689991 18.99092 12.35631 83.12226 9.748045 2.837853 0.403581 0.473341 0.073046 0 3.341874

9 2 0 35.0275 0 9.515022 5.344149 0 23.62593 26.48739 73.02719 18.213 0 0 1.013333 0.11489 0.66062 6.970973

10 1 0.42563 90.2698 0 0.637869 1.184025 0.061919 3.084427 4.336334 0 96.03969 0 0.206395 0.825579 0 0.507166 2.421169

10 2 3.470569 40.57664 0 2.189679 9.489625 0 21.83 22.44349 38.91233 50.71566 7.711529 0 0.925384 0 0 1.735094

11 1 68.40066 10.25255 14.69787 0 3.6296 0 2.688526 0.3308 30.6278 55.34207 13.12726 0 0.90287 0 0 0


L a m p i r a n -22

Bulan periode



A B C A B C A B A B C A B C A B

11 2 57.73106 12.26469 26.02845 0 2.167442 0.277482 0.511649 1.019237 41.95453 54.77816 0 1.417788 1.200568 0 0.648956 0

12 1 43.23192 54.05391 0 0 2.676054 0 0.036889 0.00123 18.459 67.96258 12.89158 0 0.686846 0 0 0

12 2 42.22085 54.84585 0 0 2.832498 0.09905 0 0.001748 50.47288 48.41152 0 0 1.04316 0 0 0.072442


L a m p i r a n -23

1. pisah.m

clear;clc;

%% load data trainingtr1 = xlsread('tr1.xls');tr2 = xlsread('tr2.xls');tr3 = xlsread('tr3.xls');tr4 = xlsread('tr4.xls');tr5 = xlsread('tr5.xls');

%% load data testingts1 = xlsread('test1.xls');ts2 = xlsread('test2.xls');ts3 = xlsread('test3.xls');ts4 = xlsread('test4.xls');ts5 = xlsread('test5.xls');

%% save datasave 'train1.mat' tr1;save 'train2.mat' tr2;save 'train3.mat' tr3;save 'train4.mat' tr4;save 'train5.mat' tr5;

save 'test1.mat' ts1;save 'test2.mat' ts2;save 'test3.mat' ts3;save 'test4.mat' ts4;save 'test5.mat' ts5;

2. fold1.m

clc;clear;

load ('train1.mat');load ('test1.mat');

%% mean per bulan per periodeMdt1=mean(tr1(1:4,:)); Mdt13=mean(tr1(49:52,:));Mdt2=mean(tr1(5:8,:)); Mdt14=mean(tr1(53:56,:));Mdt3=mean(tr1(9:12,:)); Mdt15=mean(tr1(57:60,:));Mdt4=mean(tr1(13:16,:)); Mdt16=mean(tr1(61:64,:));Mdt5=mean(tr1(17:20,:)); Mdt17=mean(tr1(65:68,:));Mdt6=mean(tr1(21:24,:)); Mdt18=mean(tr1(69:72,:));Mdt7=mean(tr1(25:28,:)); Mdt19=mean(tr1(73:76,:));Mdt8=mean(tr1(29:32,:)); Mdt20=mean(tr1(77:80,:));Mdt9=mean(tr1(33:36,:)); Mdt21=mean(tr1(81:84,:));Mdt10=mean(tr1(37:40,:)); Mdt22=mean(tr1(85:88,:));Mdt11=mean(tr1(41:44,:)); Mdt23=mean(tr1(89:92,:));Mdt12=mean(tr1(45:48,:)); Mdt24=mean(tr1(93:96,:));

Mdata=[Mdt1;Mdt3;Mdt5;Mdt7;Mdt9;Mdt11;Mdt13;Mdt15;Mdt17;Mdt19;Mdt21;...Mdt23;Mdt2;Mdt4;Mdt6;Mdt8;Mdt10;Mdt12;Mdt14;Mdt16;Mdt18;Mdt20;Mdt22


L a m p i r a n -24

;Mdt24];

%% standar deviasi per bulan per periodeStdt1=std(tr1(1:4,3:4)); Stdt13=std(tr1(49:52,3:4));Stdt2=std(tr1(5:8,3:4)); Stdt14=std(tr1(53:56,3:4));Stdt3=std(tr1(9:12,3:4)); Stdt15=std(tr1(57:60,3:4));Stdt4=std(tr1(13:16,3:4)); Stdt16=std(tr1(61:64,3:4));Stdt5=std(tr1(17:20,3:4)); Stdt17=std(tr1(65:68,3:4));Stdt6=std(tr1(21:24,3:4)); Stdt18=std(tr1(69:72,3:4));Stdt7=std(tr1(25:28,3:4)); Stdt19=std(tr1(73:76,3:4));Stdt8=std(tr1(29:32,3:4)); Stdt20=std(tr1(77:80,3:4));Stdt9=std(tr1(33:36,3:4)); Stdt21=std(tr1(81:84,3:4));Stdt10=std(tr1(37:40,3:4)); Stdt22=std(tr1(85:88,3:4));Stdt11=std(tr1(41:44,3:4)); Stdt23=std(tr1(89:92,3:4));Stdt12=std(tr1(45:48,3:4)); Stdt24=std(tr1(93:96,3:4));

Stdt=[Stdt1;Stdt3;Stdt5;Stdt7;Stdt9;Stdt11;Stdt13;Stdt15;Stdt17;Stdt19;Stdt21;...Stdt23;Stdt2;Stdt4;Stdt6;Stdt8;Stdt10;Stdt12;Stdt14;Stdt16;Stdt18;Stdt20;Stdt22;Stdt24];Stdata=[Mdata(:,1:2),Stdt,Mdata(:,5)];

%%% a1 = bulana = zeros(12);a1=[a,a];clear a;b=1;for j=1:12

a1(j,b)=1/5;a1(j,b+1)=1/5;b=b+2;

end

%%% a2 = periodead = zeros(2);ss = zeros(2);for j=1:10

ss=[ss,ad];enda2 = [ss,ad];clear ad ss;

a=0;for j=1:12

a2(1,a+1)=1/5;a2(2,a+2)=1/5;a=a+2;

end

%% pdf bend1,bend2bd1=[];bd2=[];


L a m p i r a n -25

for i=1:24

v=[];z=[];for j=1:24

temp1 = normpdf((ts1(i,3)),Mdata(j,3),Stdata(j,3));temp2 = normpdf((ts1(i,4)),Mdata(j,4),Stdata(j,4));v=[v,temp1];z=[z,temp2];

endbd1 =[bd1;v];bd2 =[bd2;z];

end

%% likelihood% bendung1 * bendung2X=zeros(24);for i=1:24

for j=1:24X(i,j)=bd1(i,j)*bd2(i,j); % bendung1 * bendung2

endend%normalisasi 2bendungminb=min(X);maxb=max(X);for p=1:24

for q=1:24BDX(p,q)=(X(p,q)-minb(q))/(maxb(q)-minb(q))+1;

endend

% BDX *bulan*periodepp1=[]; pp2=[]; pp3=[]; pp4=[];a=12;for i=1:12

p1=[]; p2=[]; p3=[]; p4=[];a=a+1;

for j=1:24

temp1=BDX(i,j)*a1(i,j)*a2(1,j);p1=[p1,temp1];


temp3=BDX(a,j)*a1(i,j)*a2(1,j);p3=[p3,temp3];


endpp1=[pp1;p1];pp2=[pp2;p2];pp3=[pp3;p3];pp4=[pp4;p4];

end


L a m p i r a n -26

ppa=pp1+pp2;ppb=pp3+pp4;all=[ppa;ppb];

%% akurasi%likelihood terbesarlh1=zeros(12,24);

for i=1:12[a,b]=max(ppa(i,:));lh1(i,b)=1;

end

lh2=zeros(12,24);a=1;b=2;for i=1:12

[c,d]=max(ppb(i,:));if (ppb(i,d) == ppb(i,b))

lh2(i,b)=1;else

lh2(i,d)=1;enda=a+2;b=b+2;

end%conf matrixgab=[lh1;lh2];Akhir1=[];a=12;for i=1:12

a=a+1;Akhir1=[Akhir1;gab(i,:);gab(a,:)];

end

%%Diag=sum(diag(Akhir1))*100/24;save 'satu.mat' Akhir1;

3. fold2.m

clc;clear;


%% mean per bulan per periodeMdt1=mean(tr2(1:4,:)); Mdt13=mean(tr2(49:52,:));Mdt2=mean(tr2(5:8,:)); Mdt14=mean(tr 2(53:56,:));Mdt3=mean(tr2(9:12,:)); Mdt15=mean(tr2(57:60,:));Mdt4=mean(tr2(13:16,:)); Mdt16=mean(tr2(61:64,:));Mdt5=mean(tr2(17:20,:)); Mdt17=mean(tr2(65:68,:));Mdt6=mean(tr2(21:24,:)); Mdt18=mean(tr2(69:72,:));Mdt7=mean(tr2(25:28,:)); Mdt19=mean(tr2(73:76,:));


L a m p i r a n -27

Mdt8=mean(tr2(29:32,:)); Mdt20=mean(tr2(77:80,:));Mdt9=mean(tr2(33:36,:)); Mdt21=mean(tr2(81:84,:));Mdt10=mean(tr2(37:40,:)); Mdt22=mean(tr2(85:88,:));Mdt11=mean(tr2(41:44,:)); Mdt23=mean(tr2(89:92,:));Mdt12=mean(tr2(45:48,:)); Mdt24=mean(tr2(93:96,:));

Mdata=[Mdt1;Mdt3;Mdt5;Mdt7;Mdt9;Mdt11;Mdt13;Mdt15;Mdt17;Mdt19;Mdt21;...Mdt23;Mdt2;Mdt4;Mdt6;Mdt8;Mdt10;Mdt12;Mdt14;Mdt16;Mdt18;Mdt20;Mdt22;Mdt24];


Stdt=[Stdt1;Stdt3;Stdt5;Stdt7;Stdt9;Stdt11;Stdt13;Stdt15;Stdt17;Stdt19;Stdt21;...Stdt23;Stdt2;Stdt4;Stdt6;Stdt8;Stdt10;Stdt12;Stdt14;Stdt16;Stdt18;Stdt20;Stdt22;Stdt24];Stdata=[Mdata(:,1:2),Stdt,Mdata(:,5)];


a1(j,b)=1/5;a1(j,b+1)=1/5;b=b+2;

end



a=0;for j=1:12

a2(1,a+1)=1/5;


L a m p i r a n -28

a2(2,a+2)=1/5;a=a+2;

end


for i=1:24

v=[];z=[];for j=1:24



end





endend


p1=[]; p2=[]; p3=[]; p4=[];a=a+1;

for j=1:24





L a m p i r a n -29



endppa=pp1+pp2;ppb=pp3+pp4;all=[ppa;ppb];



end

lh2=zeros(12,24);a=1;b=2;for i=1:12


lh2(i,b)=1;else




end

%%Diag=sum(diag(Akhir2))*100/24;save 'dua.mat' Akhir2;

4. fold3.m

clc;clear;


L a m p i r a n -30


%% mean per bulan per periodeMdt1=mean(tr3(1:4,:)); Mdt13=mean(tr3(49:52,:));Mdt2=mean(tr3(5:8,:)); Mdt14=mean(tr3(53:56,:));Mdt3=mean(tr3(9:12,:)); Mdt15=mean(tr3(57:60,:));Mdt4=mean(tr3(13:16,:)); Mdt16=mean(tr3(61 :64,:));Mdt5=mean(tr3(17:20,:)); Mdt17=mean(tr3(65:68,:));Mdt6=mean(tr3(21:24,:)); Mdt18=mean(tr3(69:72,:));Mdt7=mean(tr3(25:28,:)); Mdt19=mean(tr3(73:76,:));Mdt8=mean(tr3(29:32,:)); Mdt20=mean(tr3(77:80,:));Mdt9=mean(tr3(33:36,:)); Mdt21=mean(tr3(81:84,:));Mdt10=mean(tr3(37:40,:)); Mdt22=mean(tr3(85:88,:));Mdt11=mean(tr3(41:44,:)); Mdt23=mean(tr3(89:92,:));Mdt12=mean(tr3(45:48,:)); Mdt24=mean(tr3(93:96,:));

Mdata=[Mdt1;Mdt3;Mdt5;Mdt7;Mdt9;Mdt11;Mdt13;Mdt15;Mdt17;Mdt19;Mdt21;...

Mdt23;Mdt2;Mdt4;Mdt6;Mdt8;Mdt10;Mdt12;Mdt14;Mdt16;Mdt18;Mdt20;Mdt22;Mdt24];

%% standar deviasi per bulan per periodeStdt1=std(tr3(1:4,3:4)); Stdt13=std(tr3(49:52,3:4));Stdt2=std(tr3(5:8,3:4)); Stdt14=std(tr3(53:56,3:4));Stdt3=std(tr3(9:12,3:4)); Stdt15=std(tr3(57:60,3:4));Stdt4=std(tr3(13:16,3:4)); Stdt16=std(tr3(61:64,3:4));Stdt5=std(tr3(17:20,3:4)); Stdt17=std(tr3(65:68,3:4));Stdt6=std(tr3(21:24,3:4)); Stdt18=std(tr3(69:72,3:4));Stdt7=std(tr3(25:28,3:4)); Stdt19=std(tr3(73:76,3: 4));Stdt8=std(tr3(29:32,3:4)); Stdt20=std(tr3(77:80,3:4));Stdt9=std(tr3(33:36,3:4)); Stdt21=std(tr3(81:84,3:4));Stdt10=std(tr3(37:40,3:4)); Stdt22=std(tr3(85:88,3:4));Stdt11=std(tr3(41:44,3:4)); Stdt23=std(tr3(89:92,3:4));Stdt12=std(tr3(45:48,3:4)); Stdt24=std(tr3(93:96,3:4));

Stdt=[Stdt1;Stdt3;Stdt5;Stdt7;Stdt9;Stdt11;Stdt13;Stdt15;Stdt17;Stdt19;Stdt21;...

Stdt23;Stdt2;Stdt4;Stdt6;Stdt8;Stdt10;Stdt12;Stdt14;Stdt16;Stdt18;Stdt20;Stdt22;Stdt24];Stdata=[Mdata(:,1:2),Stdt,Mdata(:,5)];


a1(j,b)=1/5;a1(j,b+1)=1/5;b=b+2;

end


L a m p i r a n -31



a=0;for j=1:12

a2(1,a+1)=1/5;a2(2,a+2)=1/5;a=a+2;

end


for i=1:24

v=[];z=[];for j=1:24



end

%% gabungan bendung 1 n 2X=zeros(24);for i=1:24


endendminb=min(X);maxb=max(X);for p=1:24

for q=1:24BDX(p,q)=(X(p,q)-minb(q))/(maxb(q)-minb(q))+1; %normalisasi

2bendungend

end

%% likelihood% bendung1 * bendung2X=zeros(24);


L a m p i r a n -32

for i=1:24for j=1:24X(i,j)=bd1(i,j)*bd2(i,j); % bendung1 * bendung2



endend


p1=[]; p2=[]; p3=[]; p4=[];a=a+1;

for j=1:24









end

lh2=zeros(12,24);a=1;b=2;


L a m p i r a n -33

for i=1:12[c,d]=max(ppb(i,:));if (ppb(i,d) == ppb(i,b))

lh2(i,b)=1;else




end

%%Diag=sum(diag(Akhir3))*100/24;save 'tiga.mat' Akhir3;

5. fold4.m

clc;clear;




%% standar deviasi per bulan per periodeStdt1=std(tr4(1:4,3:4)); Stdt13=std(tr4(49:52,3:4));Stdt2=std(tr4(5:8,3:4)); Stdt14=std(tr4(53:56,3:4));Stdt3=std(tr4(9:12,3:4)); Stdt15=std(tr4(57:60,3:4));Stdt4=std(tr4(13:16,3:4)); Stdt16=std(tr4(61:64,3:4));Stdt5=std(tr4(17:20,3:4)); Stdt17=std(tr4(65:68,3:4));Stdt6=std(tr4(21:24,3:4)); Stdt18=std(tr4(69:72,3:4));Stdt7=std(tr4(25:28,3:4)); Stdt19=std(tr4(73:76,3:4));


L a m p i r a n -34

Stdt8=std(tr4(29:32,3:4)); Stdt20=std(tr4(77:80,3:4));Stdt9=std(tr4(33:36,3:4)); Stdt21=std(tr4(81:84,3:4));Stdt10=std(tr4(37:40,3:4)); Stdt22=std(tr4(85:88,3:4));Stdt11=std(tr4(41:44,3:4)); Stdt23=std(tr4(89:92,3:4));Stdt12=std(tr4(45:48,3:4)); Stdt24=std(tr4(93:96,3:4));

Stdt=[Stdt1;Stdt3;Stdt5;Stdt7;Stdt9;Stdt11;Stdt13;Stdt 15;Stdt17;Stdt19;Stdt21;...Stdt23;Stdt2;Stdt4;Stdt6;Stdt8;Stdt10;Stdt12;Stdt14;Stdt16;Stdt18;Stdt20;Stdt22;Stdt24];Stdata=[Mdata(:,1:2),Stdt,Mdata(:,5)];


a1(j,b)=1/5;a1(j,b+1)=1/5;b=b+2;

end



a=0;for j=1:12

a2(1,a+1)=1/5;a2(2,a+2)=1/5;a=a+2;

end


for i=1:24

v=[];z=[];for j=1:24


end


L a m p i r a n -35

bd1 =[bd1;v];bd2 =[bd2;z];

end





endend





2bendungend

end


p1=[]; p2=[]; p3=[]; p4=[];a=a+1;

for j=1:24






L a m p i r a n -36





end

lh2=zeros(12,24);a=1;b=2;for i=1:12


lh2(i,b)=1;else




end

%%Diag=sum(diag(Akhir4))*100/24;save 'empat.mat' Akhir4;

6. fold5.m

clc;clear;



L a m p i r a n -37




Stdt=[Stdt1;Stdt3;Stdt5;Stdt7;Stdt9;Stdt11;Stdt13;Stdt15;Stdt17;Stdt19;Stdt21;...Stdt23;Stdt2;Stdt4;Stdt6;Stdt8;Stdt10;Stdt12;Stdt14;Stdt16;Stdt 18;Stdt20;Stdt22;Stdt24];Stdata=[Mdata(:,1:2),Stdt,Mdata(:,5)];


a1(j,b)=1/5;a1(j,b+1)=1/5;b=b+2;

end

%%% a2 = periodead = zeros(2);ss = zeros(2);


L a m p i r a n -38

for j=1:10ss=[ss,ad];

enda2 = [ss,ad];clear ad ss;

a=0;for j=1:12

a2(1,a+1)=5;a2(2,a+2)=5;a=a+2;

end


for i=1:24

v=[];z=[];for j=1:24

temp1 = normpdf((ts5(i,3)),Mdata(j,3),Stdata(j ,3));temp2 = normpdf((ts5(i,4)),Mdata(j,4),Stdata(j,4));v=[v,temp1];z=[z,temp2];


end





2bendungend

end



endend


L a m p i r a n -39

%normalisasi 2bendungminb=min(X);maxb=max(X);for p=1:24


endend


p1=[]; p2=[]; p3=[]; p4=[];a=a+1;

for j=1:24









end

lh2=zeros(12,24);a=1;b=2;for i=1:12


lh2(i,b)=1;else


L a m p i r a n -40




end

%%Diag=sum(diag(Akhir5))*100/24;save 'lima.mat' Akhir5;

7. aku.m

load ('satu.mat');load ('dua.mat');load ('tiga.mat');load ('empat.mat');load ('lima.mat');

%jumlah confusion matrix dari 5 percobaanjumlah=Akhir1+Akhir2+Akhir3+Akhir4+Akhir5;mat=num2str(jumlah);set(handles.text_conf,'String',mat);

%data yang dikenalibenar=sum(diag(jumlah));set(handles.text_benar,'String',benar);

%hasil akurasi sistemakk=sum(diag(jumlah))*100/sum(sum(jumlah));set(handles.text_akur,'String',akk);

8. hitout.m

out1 = xlsread('output1.xls');out2 = xlsread('output2.xls');

%% jumlah bendung perbulan%periode1A1 = sum(out1(1:5,:))/5;A2 = sum(out1(6:10,:))/5;A3 = sum(out1(11:15,:))/5;A4 = sum(out1(16:20,:))/5;A5 = sum(out1(21:25,:))/5;A6 = sum(out1(26:30,:))/5;A7 = sum(out1(31:35,:))/5;A8 = sum(out1(36:40,:))/5;A9 = sum(out1(41:45,:))/5;A10 = sum(out1(46:50,:))/5;A11 = sum(out1(51:55,:))/5;


L a m p i r a n -41

A12 = sum(out1(56:60,:))/5;

%periode2B1 = sum(out2(1:5,:))/5;B2 = sum(out2(6:10,:))/5;B3 = sum(out2(11:15,:))/5;B4 = sum(out2(16:20,:))/5;B5 = sum(out2(21:25,:))/5;B6 = sum(out2(26:30,:))/5;B7 = sum(out2(31:35,:))/5;B8 = sum(out2(36:40,:))/5;B9 = sum(out2(41:45,:))/5;B10 = sum(out2(46:50,:))/5;B11 = sum(out2(51:55,:))/5;B12 = sum(out2(56:60,:))/5;

%% persentasejan1a = zeros(1,8);jan2a = zeros(1,8);feb1a = zeros(1,8);feb2a = zeros(1,8);mar1a = zeros(1,8);mar2a = zeros(1,8);apr1a = zeros(1,8);apr2a = zeros(1,8);mei1a = zeros(1,8);mei2a = zeros(1,8);jun1a = zeros(1,8);jun2a = zeros(1,8);jul1a = zeros(1,8);jul2a = zeros(1,8);agt1a = zeros(1,8);agt2a = zeros(1,8);sep1a = zeros(1,8);sep2a = zeros(1,8);okt1a = zeros(1,8);okt2a = zeros(1,8);nov1a = zeros(1,8);nov2a = zeros(1,8);des1a = zeros(1,8);des2a = zeros(1,8);

jan1b = zeros(1,8);jan2b = zeros(1,8);feb1b = zeros(1,8);feb2b = zeros(1,8);mar1b = zeros(1,8);mar2b = zeros(1,8);apr1b = zeros(1,8);apr2b = zeros(1,8);mei1b = zeros(1,8);mei2b = zeros(1,8);jun1b = zeros(1,8);jun2b = zeros(1,8);jul1b = zeros(1,8);jul2b = zeros(1,8);agt1b = zeros(1,8);agt2b = zeros(1,8);


L a m p i r a n -42

sep1b = zeros(1,8);sep2b = zeros(1,8);okt1b = zeros(1,8);okt2b = zeros(1,8);nov1b = zeros(1,8);nov2b = zeros(1,8);des1b = zeros(1,8);des2b = zeros(1,8);

k=9;for i=1:1

for j=1:8%a=bendung1jan1a(i,j) = 100*A1(i,j)/sum(A1(:, 1:8));jan2a(i,j) = 100*B1(i,j)/sum(B1(:, 1:8));feb1a(i,j) = 100*A2(i,j)/sum(A2(:, 1:8));feb2a(i,j) = 100*B2(i,j)/sum(B2(:, 1:8));mar1a(i,j) = 100*A3(i,j)/sum(A3(:, 1:8));mar2a(i,j) = 100*B3(i,j)/sum(B3(:, 1:8));apr1a(i,j) = 100*A4(i,j)/sum(A4(:, 1:8));apr2a(i,j) = 100*B4(i,j)/sum(B4(:, 1:8));mei1a(i,j) = 100*A5(i,j)/sum(A5(:, 1:8));mei2a(i,j) = 100*B5(i,j)/sum(B5(:, 1:8));jun1a(i,j) = 100*A6(i,j)/sum(A6(:, 1:8));jun2a(i,j) = 100*B6(i,j)/sum(B6(:, 1:8));jul1a(i,j) = 100*A7(i,j)/sum(A7(:, 1:8));jul2a(i,j) = 100*B7(i,j)/sum(B7(:, 1:8));agt1a(i,j) = 100*A8(i,j)/sum(A8(:, 1:8));agt2a(i,j) = 100*B8(i,j)/sum(B8(:, 1:8));sep1a(i,j) = 100*A9(i,j)/sum(A9(:, 1:8));sep2a(i,j) = 100*B9(i,j)/sum(B9(:, 1:8));okt1a(i,j) = 100*A10(i,j)/sum(A10(:, 1:8));okt2a(i,j) = 100*B10(i,j)/sum(B10(:, 1:8));nov1a(i,j) = 100*A11(i,j)/sum(A11(:, 1:8));nov2a(i,j) = 100*B11(i,j)/sum(B11(:, 1:8));des1a(i,j) = 100*A12(i,j)/sum(A12(:, 1:8));des2a(i,j) = 100*B12(i,j)/sum(B12(:, 1:8));

%b=bendung2jan1b(i,j) = 100*A1(i,k)/sum(A1(:,9:16));jan2b(i,j) = 100*B1(i,k)/sum(B1(:,9:16));feb1b(i,j) = 100*A2(i,k)/sum(A2(:,9:16));feb2b(i,j) = 100*B2(i,k)/sum(B2(:,9:16));mar1b(i,j) = 100*A3(i,k)/sum(A3(:,9:16));mar2b(i,j) = 100*B3(i,k)/sum(B3(:,9:16));apr1b(i,j) = 100*A4(i,k)/sum(A4(:,9:16));apr2b(i,j) = 100*B4(i,k)/sum(B4(:,9:16));mei1b(i,j) = 100*A5(i,k)/sum(A5(:,9:16));mei2b(i,j) = 100*B5(i,k)/sum(B5(:,9:16));jun1b(i,j) = 100*A6(i,k)/sum(A6(:,9:16));jun2b(i,j) = 100*B6(i,k)/sum(B6(:,9:16));jul1b(i,j) = 100*A7(i,k)/sum(A7(:,9:16));jul2b(i,j) = 100*B7(i,k)/sum(B7(:,9:16));agt1b(i,j) = 100*A8(i,k)/sum(A8(:,9:16));agt2b(i,j) = 100*B8(i,k)/sum(B8(:,9:16));sep1b(i,j) = 100*A9(i,k)/sum(A9(:,9:16));sep2b(i,j) = 100*B9(i,k)/sum(B9(:,9:16));okt1b(i,j) = 100*A10(i,k)/sum(A10(:,9:16));


L a m p i r a n -43

okt2b(i,j) = 100*B10(i,k)/sum(B10(:,9:16));nov1b(i,j) = 100*A11(i,k)/sum(A11(:,9:16));nov2b(i,j) = 100*B11(i,k)/sum(B11(:,9:16));des1b(i,j) = 100*A12(i,k)/sum(A12(:,9:16));des2b(i,j) = 100*B12(i,k)/sum(B12(:,9:16));k=k+1;

endend

%% savesave 'model_out.mat' jan1a jan2a feb1a feb2a mar1a mar2a apr1aapr2a mei1a mei2a jun1a jun2a jul1a jul2a agt1a agt2a sep1a sep2aokt1a okt2a nov1a nov2a des1a des2a jan1b jan2b feb1bfeb2b mar1b mar2b apr1b apr2b mei1b mei2b jun1b jun2bjul1b jul2b agt1b agt2b sep1b sep2b okt1b okt2b nov1bnov2b des1b des2b;

9. singtes.m

load('inset.mat');train = xlsread('Book1.xls');

tes=[bend1,bend2];

%% mean per bulan per periodeMdt1=mean(train(1:5,:)); Mdt13=mean(train(61:65,:));Mdt2=mean(train(6:10,:)); Mdt14=mean(train(66:70,:));Mdt3=mean(train(11:15,:)); Mdt15=mean(train(71:75,:));Mdt4=mean(train(16:20,:)); Mdt16=mean(train(76:80,:));Mdt5=mean(train(21:25,:)); Mdt17=mean(train(81: 85,:));Mdt6=mean(train(26:30,:)); Mdt18=mean(train(86:90,:));Mdt7=mean(train(31:35,:)); Mdt19=mean(train(91:95,:));Mdt8=mean(train(31:40,:)); Mdt20=mean(train(96:100,:));Mdt9=mean(train(41:45,:)); Mdt21=mean(train(101:105,:));Mdt10=mean(train(46:50,:)); Mdt22=mean(train(106:110,:));Mdt11=mean(train(51:55,:)); Mdt23=mean(train(111:115,:));Mdt12=mean(train(56:60,:)); Mdt24=mean(train(116:120,:));

Mdata=[Mdt1;Mdt3;Mdt5;Mdt7;Mdt9;Mdt11;Mdt13;Mdt15;Mdt17;Mdt19;Mdt21;Mdt23;Mdt2;Mdt4;Mdt6;Mdt8;Mdt10;Mdt12;Mdt14;Mdt16;Mdt18;Mdt20;Mdt22;Mdt24];

%% std per bulan per periodeStdt1=std(train(1:5,:)); Stdt13=std(train(61:65,:));Stdt2=std(train(6:10,:)); Stdt14=std(train(66:70,:));Stdt3=std(train(11:15,:)); Stdt15=std(train(71:75,:));Stdt4=std(train(16:20,:)); Stdt16=std(train(76:80,:));Stdt5=std(train(21:25,:)); Stdt17=std(train(81:85,:));Stdt6=std(train(26:30,:)); Stdt18=std(train(86:90,:));Stdt7=std(train(31:35,:)); Stdt19=std(train(91:95,:));Stdt8=std(train(31:40,:)); Stdt20=std(train(96:100,:));Stdt9=std(train(41:45,:)); Stdt21=std(train(101:105,:));Stdt10=std(train(46:50,:)); Stdt22=std(train(106:110,:));Stdt11=std(train(51:55,:)); Stdt23=std(train(111:115,:));Stdt12=std(train(56:60,:)); Stdt24=std(train(116:12 0,:));


L a m p i r a n -44

Stdata=[Stdt1;Stdt3;Stdt5;Stdt7;Stdt9;Stdt11;Stdt13;Stdt15;Stdt17;Stdt19;Stdt21;Stdt23;Stdt2;Stdt4;Stdt6;Stdt8;Stdt10;Stdt12;Stdt14;Stdt16;Stdt18;Stdt20;Stdt22;Stdt24];

%% pdfbd1=[];bd2=[];

for i=1:1y=[];z=[];

for j=1:24temp1 = normpdf((tes(i,1)),Mdata(j,3),Stdata(j,3));temp2 = normpdf((tes(i,2)),Mdata(j,4),Stdata(j,4));

y=[y,temp1];z=[z,temp2];

endbd1 =[bd1;y];bd2 =[bd2;z];

end

%% likelihoodlh=zeros(1,24);for i=1:1

for j=1:24lh(i,j)=bd1(i,j)*bd2(i,j);

endend

[a,b]=max(lh);

x=[]; xb=[];if (b==1 || b==13)

x='Januari' ;xb=1;

elseif (b==2 || b==14)x='Februari';xb=2;

elseif (b==3 || b==15)x='Maret';xb=3;

elseif (b==4 || b==16)x='April';xb=4;

elseif (b==5 || b==17)x='Mei';xb=5;

elseif (b==6 || b==18)x='Juni';xb=6;

elseif (b==7 || b==19)x='Juli';xb=7;

elseif (b==8 || b==20)


L a m p i r a n -45

x='Agustus';xb=8;

elseif (b==9 || b==21)x='September';xb=9;

elseif (b==10 || b==22)x='Oktober';xb=10;

elseif (b==11 || b==23)x='November';xb=11;

elsex='Desember';xb=12;

end

xx=[]; xxb=[];if (b>=1 && b<=12)

xx='Pertama';xxb=1;

elsexx='Kedua';xxb=2;

end

kenal=[x ' ' 'periode' ' ' xx];

%%save 'kenal.mat' x xb xx xxb bend1 bend2;

10. pembagian.m

load ('model_out.mat');load ('kenal.mat');

a=[]; b=[];if (xb == 1 && xxb == 1)

for i=1:8temp1=bend1*jan1a(:,i)/100;temp2=bend2*jan1b(:,i)/100;a=[a,temp1];b=[b,temp2];

endelseif (xb == 1 && xxb == 2)

for i=1:8temp1=bend1*jan2a(:,i)/100;temp2=bend2*jan2b(:,i)/100;a=[a,temp1];b=[b,temp2];


for i=1:8temp1=bend1*feb1a(:,i)/100;temp2=bend2*feb1b(:,i)/100;a=[a,temp1];b=[b,temp2];



L a m p i r a n -46

for i=1:8temp1=bend1*feb2a(:,i)/100;temp2=bend2*feb2b(:,i)/100;a=[a,temp1];b=[b,temp2];


for i=1:8temp1=bend1*mar1a(:,i)/100;temp2=bend2*mar1b(:,i)/100;a=[a,temp1];b=[b,temp2];


for i=1:8temp1=bend1*mar2a(:,i)/100;temp2=bend2*mar2b(:,i)/100;a=[a,temp1];b=[b,temp2];


for i=1:8temp1=bend1*apr1a(:,i)/100;temp2=bend2*jan1b(:,i)/100;a=[a,temp1];b=[b,temp2];


for i=1:8temp1=bend1*apr2a(:,i)/100;temp2=bend2*apr2b(:,i)/100;a=[a,temp1];b=[b,temp2];


for i=1:8temp1=bend1*mei1a(:,i)/100;temp2=bend2*mei1b(:,i)/100;a=[a,temp1];b=[b,temp2];


for i=1:8temp1=bend1*mei2a(:,i)/100;temp2=bend2*mei2b(:,i)/100;a=[a,temp1];b=[b,temp2];


for i=1:8temp1=bend1*jun1a(:,i)/100;temp2=bend2*jun1b(:,i)/100;a=[a,temp1];b=[b,temp2];


for i=1:8temp1=bend1*jun2a(:,i)/100;temp2=bend2*jun2b(:,i)/100;


L a m p i r a n -47

a=[a,temp1];b=[b,temp2];


for i=1:8temp1=bend1*jul1a(:,i)/100;temp2=bend2*jul1b(:,i)/100;a=[a,temp1];b=[b,temp2];


for i=1:8temp1=bend1*jul2a(:,i)/100;temp2=bend2*jul2b(:,i)/100;a=[a,temp1];b=[b,temp2];


for i=1:8temp1=bend1*agt1a(:,i)/100;temp2=bend2*agt1b(:,i)/100;a=[a,temp1];b=[b,temp2];


for i=1:8temp1=bend1*agt2a(:,i)/100;temp2=bend2*agt2b(:,i)/100;a=[a,temp1];b=[b,temp2];


for i=1:8temp1=bend1*sep1a(:,i)/100;temp2=bend2*sep1b(:,i)/100;a=[a,temp1];b=[b,temp2];


for i=1:8temp1=bend1*sep2a(:,i)/100;temp2=bend2*sep2b(:,i)/100;a=[a,temp1];b=[b,temp2];


for i=1:8temp1=bend1*okt1a(:,i)/100;temp2=bend2*okt1b(:,i)/100;a=[a,temp1];b=[b,temp2];


for i=1:8temp1=bend1*okt2a(:,i)/100;temp2=bend2*okt2b(:,i)/100;a=[a,temp1];b=[b,temp2];

end


L a m p i r a n -48

elseif (xb == 11 && xxb == 1)for i=1:8

temp1=bend1*nov1a(:,i)/100;temp2=bend2*nov1b(:,i)/100;a=[a,temp1];b=[b,temp2];


for i=1:8temp1=bend1*nov2a(:,i)/100;temp2=bend2*nov2b(:,i)/100;a=[a,temp1];b=[b,temp2];


for i=1:8temp1=bend1*des1a(:,i)/100;temp2=bend2*des1b(:,i)/100;a=[a,temp1];b=[b,temp2];

endelse

for i=1:8temp1=bend1*des2a(:,i)/100;temp2=bend2*des2b(:,i)/100;a=[a,temp1];b=[b,temp2];

endend

a1=a(1); b1=b(1);a2=a(2); b2=b(2);a3=a(3); b3=b(3);a4=a(4); b4=b(4);a5=a(5); b5=b(5);a6=a(6); b6=b(6);a7=a(7); b7=b(7);a8=a(8); b8=b(8);

%aa1=num2str(a1);set(handles.textPA1,'String',a1);set(handles.textPB1,'String',a2);set(handles.textPC1,'String',a3);set(handles.textTA1,'String',a4);set(handles.textTB1,'String',a5);set(handles.textTC1,'String',a6);set(handles.textWA1,'String',a7);set(handles.textWB1,'String',a8);

set(handles.textPA2,'String',b1);set(handles.textPB2,'String',b2);set(handles.textPC2,'String',b3);set(handles.textTA2,'String',b4);set(handles.textTB2,'String',b5);set(handles.textTC2,'String',b6);set(handles.textWA2,'String',b7);set(handles.textWB2,'String',b8);


L a m p i r a n -49

set(handles.text_bln,'String',x);set(handles.text_per,'String',xx);

11. awal.m

function varargout = awal(varargin)% AWAL M-file for awal.fig% AWAL, by itself, creates a new AWAL or raises t he existing% singleton*.%% H = AWAL returns the handle to a new AWAL or the handle to% the existing singleton*.%% AWAL('CALLBACK',hObject,eventData,handles,...) calls thelocal% function named CALLBACK in AWAL.M with the giv en inputarguments.%% AWAL('Property','Value',...) creates a new AWAL or raisesthe% existing singleton*. Starting from the left, property valuepairs are% applied to the GUI before awal_OpeningFcn gets called. An% unrecognized property name or invalid value makes propertyapplication% stop. All inputs are passed to awal_OpeningFcn viavarargin.%% *See GUI Options on GUIDE's Tools menu. Choose "GUI allowsonly one% instance to run (singleton)".%% See also: GUIDE, GUIDATA, GUIHANDLES

% Edit the above text to modify the response to help awal

% Last Modified by GUIDE v2.5 23-Nov-2011 11:39:58

% Begin initialization code - DO NOT EDITgui_Singleton = 1;gui_State = struct('gui_Name', mfilename, ...

'gui_Singleton', gui_Singleton, ...'gui_OpeningFcn', @awal_OpeningFcn, ...'gui_OutputFcn', @awal_OutputFcn, ...'gui_LayoutFcn', [] , ...'gui_Callback', []);

if nargin && ischar(varargin{1})gui_State.gui_Callback = str2func(varargin{1});

end

if nargout[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});

elsegui_mainfcn(gui_State, varargin{:});

end% End initialization code - DO NOT EDIT


@awal_OpeningFcn

@awal_OutputFcn

L a m p i r a n -50

% --- Executes just before awal is made visible.function awal_OpeningFcn(hObject, eventdata, handles, varargin)% This function has no output args, see OutputFcn.% hObject handle to figure% eventdata reserved - to be defined in a future version of MATLAB% handles structure with handles and user data (see GUIDATA)% varargin command line arguments to awal (see VARARGIN)

% Choose default command line output for awalhandles.output = hObject;

% Update handles structureguidata(hObject, handles);

% UIWAIT makes awal wait for user response (see UIRESUME)% uiwait(handles.figure1);

% --- Outputs from this function are returned to the command line.function varargout = awal_OutputFcn(hObject, eventdata, handles)% varargout cell array for returning output args (see VARARGOUT);% hObject handle to figure% eventdata reserved - to be defined in a future version of MATLAB% handles structure with handles and user data (see GUIDATA)

% Get default command line output from handle s structurevarargout{1} = handles.output;

% --- Executes during object creation, after setting allproperties.function axes2_CreateFcn(hObject, eventdata, handles)% hObject handle to axes2 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB% handles empty - handles not created until after all CreateFcnscalled

% Hint: place code in OpeningFcn to populate axes2

% --- Executes on button press in pushbuttonInfo.function pushbuttonInfo_Callback(hObject, eventdata, handles)% hObject handle to pushbuttonInfo (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB% handles structure with handles and user data (see GUIDATA)fig1 = openfig('info.fig');handles = guihandles(fig1);guidata(fig1,handles);

% --- Executes on button press in pushbuttonAkurasi.function pushbuttonAkurasi_Callback(hObject, eventdata, handles)% hObject handle to pushbuttonAkurasi (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB% handles structure with handles and user data (see GUIDATA)fig2 = openfig('akur.fig');


L a m p i r a n -51

handles = guihandles(fig2);guidata(fig2,handles);

% --- Executes on button press in pushbuttonPengujian.function pushbuttonPengujian_Callback(hObject, eventdata, handles)% hObject handle to pushbuttonPengujian (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB% handles structure with handles and user data (see GUIDATA)fig3= openfig('uji.fig');handles = guihandles(fig3);guidata(fig3,handles);

% --- Executes on button press in pushbuttonOptimalisasi.function pushbuttonOptimalisasi_Callback(hObject, eventdata,handles)% hObject handle to pushbuttonOptimalisasi (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB% handles structure with handles and user data (see GUIDATA)

% --- Executes on button press in pushbuttonKeluar.function pushbuttonKeluar_Callback(hObject, eventdata, handles)% hObject handle to pushbuttonKeluar (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB% handles structure with handles and user data (see GUIDATA)delete(handles.figure1);

12. info.m

function varargout = info(varargin)% INFO M-file for info.fig% INFO, by itself, creates a new INFO or raises the existing% singleton*.%% H = INFO returns the handle to a new INFO or the handle to% the existing singleton*.%% INFO('CALLBACK',hObject,eventData,handles,...) calls thelocal% function named CALLBACK in INFO.M with the given inputarguments.%% INFO('Property','Value',...) creates a new INFO or raisesthe% existing singleton*. Starting from the left, property valuepairs are% applied to the GUI before info_OpeningFcn gets called. An% unrecognized property name or invalid value makes propertyapplication% stop. All inputs are passed to info_OpeningFcn viavarargin.%% *See GUI Options on GUIDE's Tools menu. Choose "GUI allowsonly one% instance to run (singleton)".%% See also: GUIDE, GUIDATA, GUIHANDLES


L a m p i r a n -52

% Edit the above text to modify the response to help info



'gui_Singleton', gui_Singleton, ...'gui_OpeningFcn', @info_OpeningFcn, ...'gui_OutputFcn', @info_OutputFcn, ...'gui_LayoutFcn', [] , ...'gui_Callback', []);


end




% --- Executes just before info is made visible.function info_OpeningFcn(hObject, eventdata, handles, varargin)% This function has no output args, see OutputFcn.% hObject handle to figure% eventdata reserved - to be defined in a future version of MATLAB% handles structure with handles and user data (see GUIDATA)% varargin command line arguments to info (see VARARGIN)

% Choose default command line output for infohandles.output = hObject;


% UIWAIT makes info wait for user response (see UIRESUME)% uiwait(handles.figure1);

% --- Outputs from this function are returned to the command line.function varargout = info_OutputFcn(hObject, eventdata, handles)% varargout cell array for returning output args (see VARARGOUT);% hObject handle to figure% eventdata reserved - to be defined in a future version of MATLAB% handles structure with handles and user data (see GUIDATA)

% Get default command line output from handles structurevarargout{1} = handles.output;

% --- Executes on selection change in listbox1.function listbox1_Callback(hObject, eventdata, handles)% hObject handle to listbox1 (see GCBO)


@info_OpeningFcn

@info_OutputFcn

L a m p i r a n -53

% eventdata reserved - to be defined in a future version of MATLAB% handles structure with handles and user data (see GUIDATA)

% Hints: contents = cellstr(get(hObject,'String')) returns listbox1contents as cell array% contents{get(hObject,'Value')} returns selected item fromlistbox1

% --- Executes during object creation, after setting allproperties.function listbox1_CreateFcn(hObject, eventdata, handles)% hObject handle to listbox1 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB% handles empty - handles not created until after all CreateFcnscalled

% Hint: listbox controls usually have a white background onWindows.% See ISPC and COMPUTER.if ispc && isequal(get(hObject,'BackgroundColor'),get(0,'defaultUicontrolBackgroundColor'))

set(hObject,'BackgroundColor','white');end

% --- Executes on button press in pushbutton1.function pushbutton1_Callback(hObject, eventdata, handles)% hObject handle to pushbutton1 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB% handles structure with handles and user data (see GUIDATA)delete(handles.figure1);

% --- Executes on selection change in listbox2.function listbox2_Callback(hObject, eventdata, handles)% hObject handle to listbox2 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB% handles structure with handles and user data (see GUIDATA)

% Hints: contents = cellstr(get(hObject,'String')) returns listbox2contents as cell array% contents{get(hObject,'Value')} returns selected item fromlistbox2

% --- Executes during object creation, after setting allproperties.function listbox2_CreateFcn(hObject, eventdata, handles)% hObject handle to listbox2 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB% handles empty - handles not created until after all CreateFcnscalled

% Hint: listbox controls usually have a white background onWindows.% See ISPC and COMPUTER.if ispc && isequal(get(hObject,'BackgroundColor'),


L a m p i r a n -54

get(0,'defaultUicontrolBackgroundColor'))set(hObject,'BackgroundColor','white');

end

13. akur.m

function varargout = akur(varargin)% AKUR M-file for akur.fig% AKUR, by itself, creates a new AKUR or raises the existing% singleton*.%% H = AKUR returns the handle to a new AKUR or the handle to% the existing singleton*.%% AKUR('CALLBACK',hObject,eventData,handles,...) calls thelocal% function named CALLBACK in AKUR.M with the given inputarguments.%% AKUR('Property','Value',...) creates a new AKUR or raisesthe% existing singleton*. Starting from the left, property valuepairs are% applied to the GUI before akur_OpeningFcn gets called. An% unrecognized property name or invalid value makes p ropertyapplication% stop. All inputs are passed to akur_OpeningFcn viavarargin.%% *See GUI Options on GUIDE's Tools menu. Choose "GUI allowsonly one% instance to run (singleton)".%% See also: GUIDE, GUIDATA, GUIHANDLES

% Edit the above text to modify the response to help akur



'gui_Singleton', gui_Singleton, ...'gui_OpeningFcn', @akur_OpeningFcn, ...'gui_OutputFcn', @akur_OutputFcn, ...'gui_LayoutFcn', [] , ...'gui_Callback', []);


end





@akur_OpeningFcn

@akur_OutputFcn

L a m p i r a n -55

% --- Executes just before akur is made visible.function akur_OpeningFcn(hObject, eventdata, handles, varargin)% This function has no output args, see OutputFcn.% hObject handle to figure% eventdata reserved - to be defined in a future version of MATLAB% handles structure with handles and user data (see GUIDATA)% varargin command line arguments to akur (see VARARGIN)

% Choose default command line output for akurhandles.output = hObject;


% UIWAIT makes akur wait for user response (see UIRESUME)% uiwait(handles.figure1);

% --- Outputs from this function are returned to the command line.function varargout = akur_OutputFcn(hObject, eventdata, handles)% varargout cell array for returning output args (see VA RARGOUT);% hObject handle to figure% eventdata reserved - to be defined in a future version of MATLAB% handles structure with handles and user data (see GUIDATA)



% --- Executes on button press in pushbuttonProses.function pushbuttonProses_Callback(hObject, eventdata, handles)% hObject handle to pushbuttonProses (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB% handles structure with handles and user data (see GUIDATA)set(handles.text_conf,'string',' ');set(handles.text_akur,'string',' ');set(handles.text_benar,'string',' ');aku;

14. uji.m

function varargout = uji(varargin)% UJI M-file for uji.fig% UJI, by itself, creates a new UJI or raises the existing% singleton*.%% H = UJI returns the handle to a new UJI or the handle to% the existing singleton*.%


L a m p i r a n -56

% UJI('CALLBACK',hObject,eventData,handles,...) calls thelocal% function named CALLBACK in UJI.M with the given inputarguments.%% UJI('Property','Value',...) creates a new UJI or raises the% existing singleton*. Starting from the left, property valuepairs are% applied to the GUI before uji_OpeningFcn gets called. An% unrecognized property name or invalid value makes propertyapplication% stop. All inputs are passed to uji_OpeningFcn via varargin.%% *See GUI Options on GUIDE's Tools menu. Choose "GUI allowsonly one% instance to run (singleton)".%% See also: GUIDE, GUIDATA, GUIHANDLES

% Edit the above text to modify the response to help uji



'gui_Singleton', gui_Singleton, ...'gui_OpeningFcn', @uji_OpeningFcn, ...'gui_OutputFcn', @uji_OutputFcn, ...'gui_LayoutFcn', [] , ...'gui_Callback', []);


end

if nargout[varargout{1:nargout}] = gui_mainfcn(gui_State, vararg in{:});



% --- Executes just before uji is made visible.function uji_OpeningFcn(hObject, eventdata, handles, varargin)% This function has no output args, see Out putFcn.% hObject handle to figure% eventdata reserved - to be defined in a future version of MATLAB% handles structure with handles and user data (see GUIDATA)% varargin command line arguments to uji (see VARARGIN)

% Choose default command line output for ujihandles.output = hObject;



@uji_OpeningFcn

@uji_OutputFcn

L a m p i r a n -57

% UIWAIT makes uji wait for user response (see UIRESUME)% uiwait(handles.figure1);

% --- Outputs from this function are returned to the command line .function varargout = uji_OutputFcn(hObject, eventdata, handles)% varargout cell array for returning output args (see VARARGOUT);% hObject handle to figure% eventdata reserved - to be defined in a future version of MATLAB% handles structure with handles and user data (see GUIDATA)


% --- Executes on button press in pushbuttonProses.function pushbuttonProses_Callback(hObject, eventdata, handles)% hObject handle to pushbuttonProses (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB% handles structure with handles and user data (see GUIDATA)set(handles.text_bln,'string',' ');set(handles.text_per,'string',' ');

set(handles.textPA1,'string','');set(handles.textPB1,'string','');set(handles.textPC1,'string','');set(handles.textTA1,'string','');set(handles.textTB1,'string','');set(handles.textTC1,'string','');set(handles.textWA1,'string','');set(handles.textWB1,'string','');

set(handles.textPA2,'string','');set(handles.textPB2,'string','');set(handles.textPC2,'string','');set(handles.textTA2,'string','');set(handles.textTB2,'string','');set(handles.textTC2,'string','');set(handles.textWA2,'string','');set(handles.textWB2,'string','');

%a1 = get(handles.edit_b1,'string');%a2 = get(handles.edit_b2,'string');%bend1 = str2num('a1');%bend2 = str2num('a2');

bend1=str2double(get(handles.edit_b1,'string'));bend2=str2double(get(handles.edit_b2,'string'));save 'inset.mat' bend1 bend2;if isnan(bend1) || isnan(bend2)errordlg('ANDA HARUS MEMASUKKAN DATA NUMERIK','Salah','modal')uicontrol(hObject)return

endsingtes;pembagian;


L a m p i r a n -58


function edit_b1_Callback(hObject, eventdata, handles)% hObject handle to edit_b1 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB% handles structure with handles and user data (see GUIDATA)

% Hints: get(hObject,'String') returns contents of edit_b1 as text% str2double(get(hObject,'String')) returns contents ofedit_b1 as a double

% --- Executes during object creation, after setting allproperties.function edit_b1_CreateFcn(hObject, eventdata, handles)% hObject handle to edit_b1 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB% handles empty - handles not created until after all CreateFcnscalled

% Hint: edit controls usually have a white background on Windows.% See ISPC and COMPUTER.if ispc && isequal(get(hObject,'BackgroundColor'),get(0,'defaultUicontrolBackgroundColor'))


function edit_b2_Callback(hObject, eventdata, handles)% hObject handle to edit_b2 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB% handles structure with handles and user data (see GUIDATA)

% Hints: get(hObject,'String') returns contents of edit_b2 as text% str2double(get(hObject,'String')) re turns contents ofedit_b2 as a double

% --- Executes during object creation, after setting allproperties.function edit_b2_CreateFcn(hObject, eventdata, handles)% hObject handle to edit_b2 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB% handles empty - handles not created until after all CreateFcnscalled

% Hint: edit controls usually have a white background on Windows.% See ISPC and COMPUTER.if ispc && isequal(get(hObject,'BackgroundColor'),get(0,'defaultUicontrolBackgroundColor'))


L a m p i r a n -59



plagiat merupakan tindakan tidak terpujirepository.usd.ac.id/32392/2/055314025_full.pdf · waduk...

Documents