Feedback

Transformasi Koordinat Menggunakan Jaringan Syaraf Tiruan Propagasi Balik Resilient

Informasi dokumen
TRANSFORMASI KOORDINAT MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK RESILIENT (Studi Kasus: Daerah Jawa Bagian Barat) SUPRIYANTI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2012 TRANSFORMASI KOORDINAT MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK RESILIENT (Studi Kasus: Daerah Jawa Bagian Barat) SUPRIYANTI Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Departemen Ilmu Komputer DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2012 ABSTRACT SUPRIYANTI. Coordinate Transformation Using Neural Network Resilient Back-propagation. Under the supervision of AZIZ KUSTIYO. Genuk datum, which is based on Bessel 1841 ellipsoid model, is a local datum used in Indonesia. On the other hand, World Geodetic System 1984 (WGS-84), a datum used in GPS measurement, is commonly used by the rest of the world. Therefore in order, to fully utilize WGS84, Genuk datum has to be transformed to WGS-84 datum. A model is needed to transform coordinates from Genuk datum into WGS-84 datum. This research discusses coordinate transformation using similarity transformation (4-parameter) and Resilient Back-propagation Neural Network. Similarity transformation is a traditional method for coordinate transformation. The Resilient Back-propagation Neural Network provides a new technology for coordinate transformation. Coordinate transformation in this research is conducted on West Java coordinate data. The data are split into two parts: a third are used as testing data and the rest are used as training data. The test results show that the coordinate transformation using Resilient Backpropagation Neural Network can be used as an alternative model to coordinate transform. Keyword: Coordinate Transformation, Genuk Datum, Neural Network, Resilient Backpropagation, WGS-84Datum` Judul Skripsi Nama NIM : Transformasi Koordinat Menggunakan Jaringan Syaraf Tiruan Propagasi Balik Resilient : Supriyanti : G64070008 Disetujui: Pembimbing, Aziz Kustiyo, S.Si, M.Kom NIP. 19700719 199802 1 001 Diketahui: Ketua Departemen Ilmu Komputer, Dr. Ir. Agus Buono, M.Si, M.Kom NIP. 19660702 199302 1 001 Tanggal Lulus: PRAKATA Bismillaahirrahmaannirrahiim Assalamu’alaikum Warahmatullahi Wabarakatuh. Alhamdulillah, puji dan syukur penulis ucapkan kepada Allah Subhanahu wa Ta’ala atas nikmat iman dan Islam serta karunia yang tidak henti-hentinya Ia berikan, sehingga penulis dapat menyelesaikan penyusunan tugas akhir ini. Selawat dan salam tidak lupa saya curahkan kepada Nabi Muhammad Shallallahu ‘Alaihi wa Sallam. Tulisan ini merupakan tulisan hasil penelitian akhir yang sebelumnya telah penulis lakukan. Adapun penyusunan tugas akhir ini bertujuan untuk melengkapi prasyarat untuk menyelesaikan studi dan untuk mendapatkan gelar Sarjana Komputer pada Program Studi Ilmu Komputer, Departemen Ilmu Komputer, Institut Pertanian Bogor. Pada kesempatan ini penulis mengucapkan terima kasih kepada semua pihak yang telah membantu penulis dalam menyelesaikan tugas akhir ini, terutama kepada: 1 Ayahanda Ismail, Ibunda Yusmarni, adik Rahmadani serta seluruh keluarga atas doa, cinta, restu, kasih sayang, dukungan, nasihat, dan perhatian yang diberikan kepada penulis 2 Bapak Aziz Kustiyo, S.Si, M.Kom selaku dosen pembimbing yang telah memberikan bimbingan, petunjuk, dan saran selama penelitian dan penyusunan skripsi ini 3 Dosen penguji Ibu Karlina Khiyarin Nisa, S.Si, M.T, dan Bapak Mushthofa, S.Kom, M.Sc. 4 Bapak Ir. Hafzal Hanief sebagai narasumber yang telah memberikan arahan, saran, motivasi, dan semangat selama penelitian dan penyusunan skripsi ini 5 Teman-teman seperjuangan Aan, Fitri, Faza, Manda, Danar, dan Jilly atas kerja sama dan bantuannya dalam penyelesaian tugas akhir 6 Teman-teman Ilkom angkatan 44 atas kebersamaan dan dukungannya. 7 Teman-teman Primasista atas kebersamaan, persahabatan, semangat, dan bantuannya. 8 Seluruh Dosen, Staf Pengajar, dan Karyawan Departemen Ilmu Komputer. 9 Kepada semua pihak lainnya yang tidak bisa dituliskan satu persatu, yang telah memberikan bantuan kepada penulis. Semoga tulisan ini dapat dipahami dan memberikan inspirasi bagi pembacanya dalam mengembangkan ilmu pengetahuan yang bermanfaat. Penulis menyadari bahwa tulisan ini masih belum sempurna, karena itu penulis mohon maaf atas segala kesalahan. Bogor, Februari 2012 Supriyanti RIWAYAT HIDUP Penulis lahir di Bukittinggi pada tanggal 17 Juli 1989. Penulis merupakan anak pertama dari dua bersaudara, dari Bapak Ismail dan Ibu Yusmarni. Pada tahun 2007, penulis lulus Sekolah Menengah Umum Negeri 1 Kamang Magek, Kab. Agam, Sumatera Barat. Pada tahun yang sama, penulis lulus seleksi masuk Institut Pertanian Bogor (IPB) melalui jalur USMI pada Program Studi Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam. Penulis juga pernah melakukan Praktik Kerja Lapangan (PKL) di Badan Koordinasi Survei dan Pemetaan Nasional (Bakosurtanal) pada tahun 2010. DAFTAR ISI Halaman DAFTAR TABEL ............................................................................................................................vi DAFTAR GAMBAR .......................................................................................................................vi DAFTAR LAMPIRAN ....................................................................................................................vi PENDAHULUAN Latar Belakang ............................................................................................................................. 1 Tujuan Penelitian ......................................................................................................................... 1 Ruang Lingkup Penelitian............................................................................................................ 1 TINJAUAN PUSTAKA Datum Genuk ............................................................................................................................... 2 World Geodetic System 1984 (WGS-84) ..................................................................................... 2 Global Positioning System (GPS) ................................................................................................ 2 Similarity Transformation............................................................................................................ 2 Jaringan Syaraf Tiruan ................................................................................................................. 3 Jaringan Syaraf Tiruan Propagasi Balik Resilient (JSTPBR) ...................................................... 3 Mean Square Error (MSE) .......................................................................................................... 4 METODE PENELITIAN Pengambilan Data ........................................................................................................................ 5 Pemilihan Data............................................................................................................................. 5 Data Latih dan Data Uji ............................................................................................................... 6 Pelatihan dengan JSTPBR ........................................................................................................... 6 Pengujian dengan Menggunakan JSTPBR .................................................................................. 6 Parameter Similarity Transformation........................................................................................... 7 Analisis Hasil ............................................................................................................................... 7 HASIL DAN PEMBAHASAN Karakteristik Data ........................................................................................................................ 7 Menentukan Hidden Neuron JST yang Optimal ........................................................................ 10 Menentukan Nilai Parameter pada Similarity Ttransformation ................................................. 10 Perbandingan Nilai MSE Similarity Transformation dan JSTPBR Data Screening Kedua....... 10 Perbandingan Nilai MSE Similarity Transformation dan JSTPBR Data Screening Ketiga ...... 12 Nilai MSE pada Pemilihan Data dengan Pencilan > 1.96 x Standar Deviasi............................. 13 Perbandingan Nilai MSE Data Screening Ketiga dengan Pencilan > 1 x Standar Deviasi dan Pencilan > 1.96 x Standar Deviasi ............................................................................................. 14 KESIMPULAN DAN SARAN Kesimpulan ................................................................................................................................ 15 Saran .......................................................................................................................................... 15 DAFTAR PUSTAKA ..................................................................................................................... 15 LAMPIRAN .................................................................................................................................... 17 v DAFTAR TABEL Halaman 1 2 3 4 5 6 7 8 9 10 Karakter JST................................................................................................................................ 6 Hasil pengolahan data awal ......................................................................................................... 7 Nilai MSE data awal ................................................................................................................... 8 Hasil pengolahan data screening pertama ................................................................................... 8 Nilai MSE data screening pertama .............................................................................................. 8 Hasil pengolahan data screening kedua ...................................................................................... 8 Nilai MSE data screening kedua ................................................................................................. 9 Hasil pengolahan data screening ketiga ...................................................................................... 9 Nilai MSE data screening ketiga ................................................................................................. 9 Nilai parameter dan nilai MSE dari data latih dan data uji menggunakan similarity transformation ........................................................................................................................... 10 11 Hasil pengolahan data dengan pencilan > 1.96 x standar deviasi.............................................. 13 12 Hasil pengolahan data screening ketiga dengan pencilan > 1 x standar deviasi dan pencilan > 1.96 x standar deviasi ............................................................................................................. 15 DAFTAR GAMBAR Halaman 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 Model JST sederhana (Fausett 1994). ........................................................................................ 3 Grafik fungsi linear. .................................................................................................................... 3 Model JST propagasi balik. ......................................................................................................... 4 Alur metode penelitian. ............................................................................................................... 5 Arsitektur JST. ............................................................................................................................ 6 Plot data awal. ............................................................................................................................. 7 Plot data screening pertama. ....................................................................................................... 8 Plot data screening kedua. ........................................................................................................... 8 Plot data screening ketiga. .......................................................................................................... 9 Alur pemilihan data. .................................................................................................................... 9 Rentang nilai dan pada data screening kedua. ............................................................... 10 Rentang nilai dan pada data screening ketiga. ............................................................... 10 Perbandingan nilai MSE data latih menggunakan similarity transformation dan JST pada data screening kedua. ................................................................................................................ 11 Perbandingan nilai MSE data uji menggunakan similarity transformation dan JST pada data screening kedua. ................................................................................................................ 11 Perbandingan nilai MSE data latih menggunakan similarity transformation dan JST pada data screening ketiga. ................................................................................................................ 12 Perbandingan nilai MSE data uji menggunakan similarity transformation dan JST pada data screening ketiga. ................................................................................................................ 13 Nilai MSE data latih pada data screening ketiga dengan pencilan > 1.96 x standar deviasi .... 14 Nilai MSE data uji pada data screening ketiga dengan pencilan > 1.96 x standar deviasi ........ 14 DAFTAR LAMPIRAN Halaman 1 2 3 4 5 6 7 8 9 Algoritme JST resilient ............................................................................................................... 18 Data awal..................................................................................................................................... 21 Data screening pertama ............................................................................................................... 26 Data screening kedua .................................................................................................................. 30 Data screening ketiga .................................................................................................................. 32 Tabel nilai MSE pada data screening kedua ............................................................................... 33 Tabel nilai MSE pada data screening ketiga ............................................................................... 34 Data screening ketiga dengan pencilan > 1.96 x standar deviasi ................................................ 35 Tabel nilai MSE pada data akhir dengan pencilan > 1.96 x standar deviasi ............................... 38 vi 1 PENDAHULUAN Latar Belakang Informasi lokasi ditentukan berdasarkan sistem koordinat yang mencakup dalam datum dan proyeksi peta. Datum adalah kumpulan parameter dan titik kontrol yang mendefinisikan ellipsoid referensi yang digunakan serta hubungan geometriknya diketahui, baik melalui pengukuran maupun penghitungan. Sistem proyeksi peta adalah sistem yang dirancang untuk merepresentasikan permukaan dari suatu bidang lengkung atau spheroid (misalnya bumi) pada suatu bidang datar (Puntodewo et al 2003). Indonesia memiliki beberapa datum sebagai sistem referensi pemetaan, yaitu datum Genuk, Indonesia Datum 1974, dan Datum Geodesi Nasional 1995 (DGN-95). Datum Genuk menggunakan model ellipsoid Bessel 1841 yang ditentukan menggunakan metode triangulasi. Indonesia Datum 1974 menggunakan ellipsoid referensi SNI (Sferoid Nasional Indonesia) dengan pengamatan menggunakan metode Doppler. Seiring dengan kemajuan teknologi satelit Global Positioning System (GPS), Indonesia menetapkan datum yang digunakan adalah DGN-95. Datum ini ditentukan menggunakan pengamatan GPS dan menggunakan ellipsoid referensi World Geodetic System 1984 (WGS84) (Handoko & Abidin 2002). Datum Genuk merupakan datum lokal yang digunakan di Indonesia dengan menggunakan model ellipsoid Bessel 1841 (Aji & Ristandi 2010). Datum World Geodetic System 1984 (WGS-84) merupakan datum yang digunakan pada sistem pengukuran GPS dan bersifat global. Oleh karena itu, agar dapat sepenuhnya memanfaatkan WGS-84, Indonesia yang masih menggunakan referensi ellipsoid Bessel 1841 (datum Genuk) perlu melakukan transformasi datum menjadi datum WGS-84. Berdasarkan Turgut (2010), negara-negara yang menggunakan datum yang berbeda sebagai basis koordinat harus melakukan transformasi datum menjadi datum WGS-84. Transformasi koordinat merupakan permasalahan yang banyak ditemui pada bidang geodesi, pemetaan, photogrammetry, teknik survey, dan Geoghraphical Information Science (Felus & Schaffrin 2005). Sebuah model diperlukan dalam melakukan proses transformasi. Transformasi koordinat menggunakan similarity transformation dan jaringan syaraf tiruan pernah dilakukan oleh Lao dan Yi (2006). Penelitian tersebut adalah A Study On Cadastral Coordinate Transformation Using Artificial Neural Network. Pada penelitian tersebut, dilakukan transformasi pada dua sistem koordinat casdatral yaitu TWD97 (Taiwan Datum 1997) dan TWD67 (Taiwan Datum 1967). Lao dan Yi membandingkan nilai standar deviasi yang diperoleh jaringan syaraf tiruan (JST) propagasi balik dan similarity transformation. Kinerja transformasi koordinat casdatral TWD67 menjadi TDW97 menggunakan JST propagasi balik lebih baik daripada similarity transformation 4-paremeter dan 6-parameter. Penelitian lain yang pernah dilakukan adalah Coordinate Transformation with Neural Networks and with Polynomials in Hungary (Zaletnyik 2004). Pada penelitian tersebut, dilakukan transformasi koordinat WGS-84 menjadi EOV (datum yang digunakan di Hungaria) menggunakan JST propagasi balik dan polinomial. Transformasi dengan menggunakan JST propagasi balik lebih efektif digunakan daripada polinomial apabila data yang digunakan berjumlah besar. Transformasi koordinat yang dilakukan pada penelitian ini adalah transformasi koordinat menggunakan model jaringan syaraf tiruan propagasi balik resilient pada data daerah Jawa bagian barat. Jaringan syaraf tiruan propagasi balik resilient (JSTPBR) adalah algoritme pelatihan JST yang baik dalam kecepatan konvergen dan tingkat akurasinya (Chien & Szu 2010). Algoritme JSTPBR berusaha untuk mengeliminasi besarnya efek dari turunan parsial dengan cara hanya menggunakan tanda turunannya saja dan mengabaikan besarnya nilai turunan (Kusumadewi 2004). Tujuan Penelitian Penelitian ini bertujuan membuat model jaringan syaraf tiruan propagasi balik resilient (JSTPBR) untuk transformasi data koordinat daerah Jawa bagian barat. Ruang Lingkup Penelitian Ruang lingkup dalam penelitian ini, yaitu: 1 Data yang akan ditransformasi merupakan data koordinat yang mengacu pada datum Genuk. 2 2 3 Data koordinat hasil transformasi merupakan data koordinat yang mengacu pada datum WGS -84. Data yang digunakan untuk penelitian merupakan data koordinat Jawa bagian barat yang tergabung ke dalam UTM 48S. TINJAUAN PUSTAKA Datum Genuk Datum Genuk merupakan datum lokal yang digunakan di Indonesia yang menggunakan model ellipsoid Bessel 1841 (Aji & Ristandi 2010). Datum Genuk disebut juga datum Batavia atau datum Jakarta yang merupakan datum untuk titik-titik triangulasi Sumatera, Jawa, Bali, Lombok, sampai Nusa Tenggara. Wilayah laut yang menggunakan datum Genuk ini adalah Sumatera, Jawa, Bali, sampai Nusa Tenggara. World Geodetic System 1984 (WGS-84) World Geodetic System 1984 (WGS-84) merupakan datum yang digunakan pada sistem pengukuran GPS (Turgut 2010). Ellipsoid referensi WGS-84 bersifat global sehingga dapat digunakan dalam konteks global seperti pengamatan gerakan lempeng (geodinamika), pengamatan bidang kelautan, dan penentuan batas negara di darat dan laut. Datum WGS-84 merupakan kerangka acuan yang digunakan oleh departemen pertahanan Amerika untuk semua pemetaan, charting, survei, dan kebutuhan navigasi. Datum Indonesia yang menggunakan ellipsoid referensi WGS-84 adalah DGN-95 (Handoko & Abidin 2002). Global Positioning System (GPS) Global Positioning System adalah sistem radio navigasi dan penentuan posisi dengan menggunakan satelit. Sistem ini didesain untuk memberikan posisi dan kecepatan tiga dimensi dan informasi mengenai waktu secara kontinu. Sistem GPS terdiri dari tiga segmen utama, yaitu: segmen angkasa (space segmen) yang terdiri dari satelit-satelit GPS, segmen sistem kontrol (control segment) yang terdiri atas stasiun-stasiun pemonitor dan pengontrol satelit, dan segmen pemakai (user segment) yang terdiri dari pemakai GPS termasuk alatalat penerima dan pengolah sinyal data GPS (Pratomo 2004). Global Positioning System (GPS) merupakan sistem yang biasa digunakan dalam Geodesi karena memberikan informasi mengenai waktu dan lokasi dengan tingkat akurasi yang tinggi sehingga banyak digunakan sebagai tehnik pemetaan. Datum WGS-84 merupakan datum yang digunakan pada sistem pengukuran GPS (Turgut 2010). Similarity Transformation Transformasi koordinat merupakan permasalahan yang banyak ditemui pada bidang geodesi, pemetaan, photogrammetry, teknik survey, dan Geoghraphical Information Science (Felus & Schaffrin 2005). Transformasi koordinat ini digunakan untuk mengonversi data spasial (peta, orthoimage, dan lainnya) dari satu sistem koordinat ke koordinat lainnya. Satu set titik kontrol yang digunakan untuk memperkirakan parameter transformasi diukur dalam dua sistem koordinat. Kebutuhan untuk mentransformasi data dari satu kerangka referensi geodetik menjadi kerangka referensi geodetik lainnya dapat diselesaikan dengan menerapkan transformasi koordinat (Mitsakaki 2004). Terdapat beberapa model transformasi koordinat, salah satunya transformasi 4 parameter, yaitu parameter skala K, rotasi , translasi ∆x0, dan translasi ∆y0. Similarity transformation 2D juga dikenal dengan transformasi Helmert, dengan rumus sebagai berikut: xt = ax0 – by0 + ∆x0 yt = ay0 + bx0 + ∆y0 Transformasi Helmert juga bisa dirumuskan dalam bentuk matriks sebagai berikut: [ ] [ [ ] [ ][ ] dengan a = K cos , [ ] ][ ] b = K sin , x0 dan y0 = x lama dan y lama, xt dan yt = x baru dan y baru. ∆x0 = Tx dan ∆y0 = Ty Minimal terdapat dua titik untuk menentukan nilai parameter. Namun, semakin banyak titik yang diukur dibutuhkan proses penyesuaian dalam menentukan parameter yang terbaik adalah dengan metode least square. Metode least square digunakan untuk mencari pendekatan kurva garis penduga yang paling sempurna dengan cara meminimalkan jumlah kuadrat selisih jarak tegak siku-siku 3 antara titik koordinat plot data asli dan titik koordinat pada kurva regresi untuk tiap pasangan x dan y. Similarity transformation dapat diselesaikan menggunakan metode least square dengan perhitungan sebagai berikut: [ ] [ Jaringan Syaraf Tiruan ] [ ] Sebuah jaringan syaraf tiruan (JST) adalah sebuah sistem pemrosesan informasi yang mempunyai karakteristik serupa dengan jaringan syaraf biologis (Fausett 1994). Jaringan syaraf tiruan merupakan generalisasi dari pemodelan matematis syaraf biologis, berdasarkan asumsi bahwa: 1 2 3 4 Nilai aktivasi y dari neuron Y ditentukan oleh fungsi aktivasi terhadap input yang diterimanya, y = f(y_in). Fungsi aktivasi merupakan fungsi yang menentukan level aktivasi, yakni keadaan internal sebuah neuron dalam jaringan. Output aktivasi ini biasanya dikirim sebagai sinyal ke semua neuron pada layer di atasnya. Jaringan Syaraf Tiruan Propagasi Balik Resilient (JSTPBR) Propagasi balik merupakan algoritme pembelajaran yang terawasi (supervised learning) dan biasanya digunakan oleh jaringan multilayer untuk mengubah bobotbobot yang terhubung dengan semua neuron pada hidden layer (Kusumadewi 2004). Jaringan propagasi balik memiliki karakteristik sebagai berikut: 1 Pengolahan informasi dilakukan oleh elemen-elemen sederhana yang disebut neuron. Sinyal-sinyal disampaikan antarneuron melalui suatu hubungan komunikasi. Setiap hubungan komunikasi memiliki bobot tertentu yang akan dikalikan dengan sinyal yang disampaikan melalui hubungan tersebut. Setiap neuron memiliki fungsi aktivasi yang akan menentukan sinyal output terhadap input yang diberikan kepadanya. Sebagai contoh, neuron Y diilustrasikan pada Gambar 1 menerima input dari neuron X1,. .., Xn. Bobot pada hubungan dari X1, …, dan Xn ke neuron Y adalah w1, …, wn. Input untuk neuron ke Y (y_in) adalah jumlah perkalian antara sinyal X1, …, Xn dengan bobotnya sebagai berikut : y_in = w1x1 + …. + wnxn =∑ Gambar 1 Model JST sederhana (Fausett 1994). Jaringan multilayer a Arsitektur yang digunakan adalah jaringan multilayer, yaitu satu input layer, satu output layer, dan satu atau lebih hidden layer. JST propagasi balik dengan satu hidden layer ditunjukkan oleh Gambar 2. Pada gambar tersebut, input layer ditunjukkan oleh unit-unit Xi, sementara output layer ditunjukkan oleh unit-unit Y. j Hidden layer ditunjukkan oleh unit-unit Z . k b Setiap neuron pada suatu layer dalam jaringan propagasi balik mendapat sinyal input dari semua neuron pada layer sebelumnya beserta satu sinyal bias. 2 Fungsi aktivasi Salah satu fungsi aktivasi yang digunakan adalah fungsi linear (identitas). Fungsi linear memiliki nilai yang sama dengan nilai inputnya. Grafik fungsi linear terdapat pada Gambar 2. Fungsi linear dirumuskan sebagai berikut: Gambar 2 Grafik fungsi linear. 4 Proses pelatihan jaringan propagasi balik melalui beberapa tahap, yaitu: 1 2 3 Feedforward Pada tahap ini, dilakukan penghitungan nilai aktivasi. Setiap neuron pada hidden layer dan output layer dihitung masingmasing nilai aktivasinya sesuai dengan fungsi aktivasi yang digunakan. Propagasi balik galat Setiap output neuron menghitung informasi galat antara nilai output yang dihasilkan dan nilai target. Informasi galat ini dikirimkan ke layer di bawahnya (propagasi balik galat). Penyesuaian bobot-bobot jaringan Setiap output neuron dan hidden neuron mengubah bias dan bobot-bobotnya sesuai dengan nilai galat. Model JST propagasi balik dengan satu hidden layer ditunjukkan pada Gambar 3. Sebelum proses pelatihan dilakukan, inisialisasi bobot awal merupakan satu hal yang perlu diperhatikan, mengingat nilai bobot awal sangat mempengaruhi kinerja akhir jaringan. Inisialisasi bobot awal dapat dilakukan menggunakan metode NguyenWidrow. 1 v01 1 w0n w0j v0p v0k v11 X1 Z1 v1k . . . v1p . . . vi1 vik Xi Zk vip . . . vm1 vmk Xm vmp input layer w01 . . . w11 w1j w1n wk1 wkj wkn wp1 Zp hidden layer wpj wpn Y1 . . . Yj . . . Yn output layer Gambar 3 Model JST propagasi balik. Metode Nguyen-Widrow akan menginisialisasi bobot-bobot jaringan dengan nilai antara -0.5 sampai 0.5, sedangkan bobotbobot dari input layer ke hidden layer dirancang sedemikian rupa sehingga dapat meningkatkan kemampuan hidden layer dalam melakukan proses pelatihan (Kusumadewi 2004). Metode NguyenWidrow dilakukan dengan menentukan terlebih dahulu faktor pengali (β) yang didefinisikan sebagai berikut: dengan n: jumlah unit input ⁄ p: jumlah unit hidden kemudian inisialisasikan bobot-bobot dari input layer ke hidden layer ‖ ‖ dengan V (old) = nilai acak antara -0.5 sampai ik 0.5, i = 1, 2, ..., m, k = 1, 2, ..., p, di sisi lain, bobot bias (V ) diinisialisasi 0k antara nilai –β sampai dengan β. Jaringan syaraf tiruan propagasi balik resilient adalah algoritme yang baik dalam kecepatan konvergen dan tingkat akurasinya (Chien & Szu 2010). Algoritme ini berusaha untuk mengeliminasi besarnya efek dari turunan parsial dengan cara hanya menggunakan tanda turunannya saja dan mengabaikan besarnya nilai turunan. Tanda turunan ini akan menentukan arah perbaikan bobot-bobot. Besarnya perubahan setiap bobot ditentukan oleh suatu faktor yang diatur pada parameter yang disebut Faktor Naik (FN) atau Faktor Turun (FT). Apabila gradien fungsi error berubah tanda dari satu iterasi ke iterasi berikutnya, bobot akan berkurang sebesar FT. Sebaliknya, apabila gradien error tidak berubah tanda dari satu iterasi ke iterasi berikutnya, bobot akan bertambah sebesar FN. Apabila gradien error sama dengan 0, perubahan bobot sama dengan perubahan bobot sebelumnya (Kusumadewi 2004). Pada awal iterasi, besarnya perubahan bobot diinisialisasikan dengan parameter delta0. Besarnya perubahan tidak boleh melebihi batas maksimum yang terdapat pada parameter deltamax. Apabila perubahan bobot melebihi maksimum perubahan bobot, maka perubahan bobot akan di-set sama dengan maksimum perubahan bobot. Algoritme JSTPBR dapat dilihat pada Lampiran 1. Mean Square Error (MSE) MSE merupakan salah satu cara untuk menghitung kesalahan dalam peramalan. Nilai MSE dihitung dengan cara mengkuadratkan hasil kesalahan peramalan. Nilai MSE 5 memiliki beberapa kelebihan diantaranya proses perhitungannya yang sederhana dan proses komputasinya mudah. Selain itu, perhitungan MSE juga hanya membutuhkan memori yang sedikit, bisa mengevaluasi setiap sampel, dan antara sampel tidak saling tergantung satu sama lainnya (Wang & Bovik 2009). Rumus perhitungan MSE dapat dilihat sebagai berikut: Nilai x merupakan derajat bujur dan y derajat lintang. Mulai Studi Pustaka Pengambilan Data ∑ dengan n = jumlah titik, Pemilihan Data T = nilai aktual, F = nilai prediksi, hasil dikatakan baik ketika nilai MSE mendekati 0. Data latih Data uji METODE PENELITIAN Pada penelitian ini, dilakukan dua kali percobaan, yaitu percobaan menggunakan similarity transformation dan JSTPBR. Setiap percobaan dilakukan 25 kali pengulangan masing-masing. Penelitian dimulai dengan melakukan studi pustaka yang dilanjutkan dengan pengambilan data berupa data koordinat. Setelah itu, dilakukan pemilihan pada data agar hasil yang diperoleh baik. Data yang telah dilakukan pemilihan kemudian dibagi menjadi dua, yaitu data latih dan data uji. Pada data latih, ditentukan nilai parameter menggunakan metode similarity transformation. Pada data latih, juga dilakukan pelatihan menggunakan JSTPBR. Data uji digunakan untuk menguji pelatihan JST sedangkan pada similarity transformation data uji juga digunakan untuk menguji nilai parameter yang telah diperoleh data latih. Berdasarkan pengujian JSTPBR dan pengujian parameter similarity transformation, diperoleh nilai MSE masingmasing. Langkah terakhir yang dilakukan adalah analisis hasil dengan meilhat nilai MSE sebagai evaluasi apakah hasil yang diperoleh sudah baik. Alur metode penelitian dapat dilihat pada Gambar 4. Pengambilan Data Data yang digunakan berupa data koordinat daerah Jawa bagian barat. Data terdiri atas dua buah koordinat, yaitu x dan y. Similarity transformation Pelatihan JSTPBR Pengujian parameter Pengujian JSTPBR tidak MSE optimal? ya Analisis Hasil Selesai Gambar 4 Alur metode penelitian. Pemilihan Data Pemilihan data dilakukan sebelum data dibagi menjadi data latih dan data uji. Hal ini dilakukan untuk menghilangkan kesalahan blunder yang ada pada data. Kesalahan ini biasanya terjadi karena kecerobohan pada saat pengamatan misalnya kesalahan dalam membaca alat ukur atau kesalahan dalam pencatatan hasil. 6 Proses pemilihan data dilakukan menggunakan distribusi Gaussian. Pembuangan pencilan dilakukan dengan melihat standar deviasi dari selisih data lama dan baru. Perhitungan adalah sebagai berikut: | | | | ∑ ∑ √ dengan 1 1 z1 x0 x1 z2 y1 y0 ̅̅̅̅ ∑ √ zn ̅̅̅̅ ∑ Gambar 5 Arsitektur JST. = standar deviasi , Pelatihan dilakukan dengan struktur yang ditunjukkan pada Tabel 1. = standar deviasi , Tabel 1 Karakter JST ̅̅̅̅ = rata-rata dari , ̅̅̅̅ = rata-rata dari . Selanjutnya, dilakukan proses seleksi data. Data yang tergolong dalam pencilan tidak digunakan (dibuang). Proses pemilihan pencilan dilakukan dengan cara sebagai berikut: | | Data Latih dan Data Uji ̅̅̅̅ | ̅̅̅̅| Setelah dilakukan praproses pada data, dilakukan pembagian data, yaitu data latih dan data uji. Data dibagi menjadi 66.67% untuk data latih dan 33.33% untuk data uji sehingga terdapat 50 data latih dan 25 data uji. Data dipresentasikan kedalam matriks. Ukuran matriks untuk data latih yaitu 50 x 2, 50 merupakan jumlah data dan 2 merupakan jumlah koordinat yaitu koordinat x dan y. Pada data uji, matriks berukuran 25 x 2, 25 merupakan jumlah data dan 2 merupakan jumlah koordinat. Pelatihan dengan JSTPBR Tahap selanjutnya yaitu melakukan pelatihan JSTPBR pada data latih. Sebelum melakukan pelatihan, terlebih dahulu ditentukan arsitektur JSTPBR yang terdiri dari 2 neuron input, 1 hidden layer, dan 2 neuron output. Neuron input berupa xgenuk dan ygenuk, neuron output berupa xWGS-84 dan yWGS-84. Arsitektur JST dapat dilihat pada Gambar 5. Karakteristik Spesifikasi Arsitektur 1 hidden layer Neuron input 2 Hidden neuron 1, 2, 5, 10, 20 Output neuron 2 Inisialisasi bobot Nguyen-Widrow Fungsi aktivasi Fungsi identitas Learning rate 0.01 delta0 0.07 deltamax 50 Toleransi galat 10-3 Faktor Naik 1.2 Faktor Turun 0.5 Maksimum epoh 1000 Pengujian dengan Menggunakan JSTPBR Setelah dilakukan pelatihan, dilakukan pengujian pada data latih dan data uji. Hasil pelatihan berupa nilai MSE dari masingmasing data. Semakin kecil nilai MSE maka hasil yang diperoleh pun semakin baik. Rumus perhitungan MSE dapat dilihat sebagai berikut: ∑ dengan n jumlah titik, T nilai aktual, F nilai prediksi, hasil dikatakan baik ketika nilai MSE mendekati 0. 7 Parameter Similarity Transformation Data latih dan data uji yang telah dipilih ditranformasi menggunakan similarity transformation. Berdasarkan hasil transformasi, dapat ditentukan MSE dari masing-masing data. Nilai MSE ini akan digunakan untuk menentukan kinerja dari transformasi menggunakan JSTPBR. Sebelum menentukan nilai MSE yang harus dilakukan adalah menentukan nilai 4-parameter, yaitu parameter skala K, rotasi , translasi ∆x0, dan translasi ∆y0. Similarity transformation 2D juga dikenal dengan transformasi Helmert, dengan rumus sebagai berikut: x2 = ax1 – by1 + ∆x0 y2 = ay1 + bx1 + ∆y0 dengan a = K cos , b = K sin , ∆x0 = Tx dan ∆y0 = Ty. Penentuan parameter similarity transformation menggunakan metode least square dengan perhitungan sebagai berikut: transformation dan JSTPBR. Kinerja JSTPBR dikatakan baik ketika nilai MSE yang diperoleh lebih kecil dari metode similarity transformation dan mendekati 0. HASIL DAN PEMBAHASAN Karakteristik Data Data koordinat yang digunakan merupakan titik sekutu daerah Jawa bagian barat dengan jumlah data awal sebanyak 177 data. Data awal dapat dilihat pada Lampiran 2. Pada percobaan ini, dilakukan perhitungan nilai MSE pada data awal dan data yang telah dipilih (screening) untuk mengetahui kondisi yang memiliki kinerja yang baik. Data awal memiliki nilai standar deviasi , standar deviasi , rata-rata , dan rata-rata yang dapat dilihat pada Tabel 2. Tabel 2 Hasil pengolahan data awal Keterangan [ Formula menjadi: ] [ tersebut dapat ] [ ] disederhanakan Berdasarakan formula yang disederhanakan diperoleh nilai X yaitu: Pada penelitian ini, dilakukan pengujian parameter yang telah diperoleh pada similarity transformation. Parameter yang telah diperoleh pada data latih akan digunakan pada data latih dan data uji untuk menentukan hasil transformasi dan nilai MSE dari data latih dan data uji. Nilai MSE yang diperoleh akan digunakan sebagai tingkat kesalahan pada similarity transformation. Rumus perhitungan MSE dapat dilihat sebagai berikut: ∑ dengan n jumlah titik, F nilai prediksi. Nilai Standar deviasi 25.20 Standar deviasi 9.39 Rata-rata 182.22 Rata-rata 44.29 Berdasarkan Tabel 2, dapat diketahui penyebaran atau variasi dari data awal. Plot data awal dapat dilihat pada Gambar 6. Y x 105 93.5 93.4 93.3 93.2 93.1 93.0 92.9 92.8 92.7 92.6 92.5 92.4 5.5 6.5 7.5 8.5 9.5 x 10 5 X Gambar 6 Plot data awal. T nilai aktual, dan Analisis Hasil Pada tahap ini, dilakukan analisis hasil dengan cara melakukan perbandingan antara hasil yang diperoleh dengan metode similarity Data awal ini dibagi menjadi data latih dan data uji untuk mengetahui kinerja dari metode similarity transformation dan JSTPBR. Nilai MSE merupakan cara untuk mengetahui kinerja kedua metode tersebut. Tabel 3 merupakan nilai MSE data awal. 8 Tabel 5 Nilai MSE data screening pertama Tabel 3 Nilai MSE data awal Metode Data latih Data uji Metode Data latih Data uji Similarity 128.81 55.59 Similarity 55.33 12.17 JSTPBR 125.59 57.00 JSTPBR 54.35 11.34 Berdasarkan Tabel 3, diketahui bahwa nilai MSE yang diperoleh sangat besar. Nilai MSE yang diperoleh menggambarkan kinerja dari sistem tersebut. Oleh karena itu, perlu dilakukan pemilihan pada data. Pemilihan data dilakukan menggunakan distribusi Gaussian. Terdapat 132 data yang diperoleh setelah pemilihan (screening) pertama yang memiliki nilai standar deviasi , standar deviasi , rata-rata , dan rata-rata yang dapat dilihat pada Tabel 4. Data screening pertama dapat dilihat pada Lampiran 3. Hasil pengolahan data screening pertama Tabel 4 Keterangan Berdasarkan Tabel 5, diketahui bahwa nilai MSE yang diperoleh lebih baik dibandingkan data awal, tetapi nilai MSE ini masih cukup besar. Oleh karena itu, perlu dilakukan pemilihan ulang pada data screening pertama. Terdapat 75 data yang diperoleh setelah pemilihan ulang pada data screening pertama dengan nilai standar deviasi , standar deviasi , rata-rata , dan rata-rata yang dapat dilihat pada Tabel 6. Data screening kedua dapat dilihat pada Lampiran 4. Hasil pengolahan data screening kedua Tabel 6 Nilai Keterangan Nilai Standar deviasi 4.47 Standar deviasi 2.25 Standar deviasi 3.46 Standar deviasi 1.41 Rata-rata 191.43 Rata-rata 191.22 Rata-rata 43.55 Rata-rata 43.80 Berdasarkan Tabel 4, dapat diketahui penyebaran atau variasi dari data screening pertama. Plot data screening kedua dapat dilihat pada Gambar 7. Y x 105 93.4 93.3 93.2 93.1 93.0 92.9 92.8 92.7 92.6 92.5 92.4 5.5 6.5 7.5 X 8.5 9.5 x105 Berdasarkan Tabel 6, dapat diketahui penyebaran atau variasi dari data screening kedua. Plot data screening kedua dapat dilihat pada Gambar 8. Y x 105 93.4 93.3 93.2 93.1 93.0 92.9 92.8 92.7 92.6 92.5 92.4 5.5 6.5 7.5 X 8.5 9.5 x105 Gambar 7 Plot data screening pertama. Gambar 8 Plot data screening kedua. Data screening pertama ini dibagi menjadi data latih dan data uji untuk mengetahui kinerja dari metode similarity transformation dan JSTPBR. Nilai MSE merupakan cara untuk mengetahui kinerja kedua metode tersebut. Tabel 5 merupakan nilai MSE data screening pertama. Data screening kedua ini dibagi menjadi data latih dan data uji untuk mengetahui kinerja dari metode similarity transformation dan JSTPBR. Nilai MSE merupakan cara untuk mengetahui kinerja kedua metode tersebut. Tabel 7 merupakan nilai MSE data screening kedua. 9 Tabel 7 Nilai MSE data screening kedua Metode Data latih Tabel 9 Nilai MSE data screening ketiga Data uji Metode Data latih Data uji Similarity 2.38 2.62 Similarity 0.58 0.57 JSTPBR 2.15 2.44 JSTPBR 0.56 0.59 Berdasarkan Tabel 7, diketahui bahwa nilai MSE yang diperoleh lebih baik dibandingkan data awal dan data screening pertama, tetapi nilai MSE ini masih belum cukup baik. Oleh karena itu, perlu dilakukan pemilihan ulang pada data screening kedua. Terdapat 32 data yang diperoleh setelah pemilihan ulang pada data screening kedua dengan nilai standar deviasi , standar deviasi , rata-rata , dan rata-rata yang dapat dilihat pada Tabel 8 dan plot data dapat dilihat pada Gambar 9. Data screening ketiga dapat dilihat pada Lampiran 5. Hasil pengolahan data screening ketiga Tabel 8 Keterangan Nilai Standar deviasi 1.03 Standar deviasi 1.97 Rata-rata 191.87 Rata-rata 43.97 Berdasarkan Tabel 8, dapat diketahui penyebaran atau variasi dari data screening ketiga. Plot data screening ketiga dapat dilihat pada Gambar 9. Berdasarkan Tabel 9, diketahui bahwa nilai MSE yang diperoleh lebih baik dibandingkan data awal, data screening pertama, dan data screening kedua. Oleh karena itu, tidak perlu dilakukan pemilihan ulang pada data screening ketiga. Berdasarkan beberapa kali pemililihan data (screening), diperoleh hubungan antara standar deviasi dan dengan nilai MSE. Hal ini dapat dilihat dengan semakin kecil standar deviasi dan , semakin kecil pula nilai MSE yang diperoleh. Oleh karena itu, diketahui bahwa data yang memenuhi syarat untuk ditransformasi merupakan data dengan standar deviasi dan ≤ 2. Batas standar deviasi data yang diperoleh akan digunakan dalam sistem pada tahapan pemilihan data. Alur pemilihan data yang digunakan oleh sistem dapat dilihat pada Gambar 10. Data tidak Hitung , , ̅̅̅̅, ̅̅̅̅, stdev , stdev Buang pencilan Y x 105 93.4 93.3 stdev stdev 93.2 & ≤2 93.1 93.0 ya 92.9 92.8 Selesai 92.7 92.6 5.5 6.5 7.5 8.5 x105 X Gambar 9 Plot data screening ketiga. Data screening ketiga ini dibagi menjadi data latih dan data uji untuk mengetahui kinerja dari metode similarity transformation dan JSTPBR. Kinerja dari kedua metode tersebut dapat diketahui dengan menghitung nilai MSE. Tabel 9 merupakan nilai MSE data screening ketiga. Gambar 10 Alur pemilihan data. Pada penelitian ini, data yang digunakan adalah data screening kedua dan firlter ketiga. Berdasarkan hasil yang didapatkan pada data screening kedua dan screening ketiga, nilai MSE sangat tidak seimbang. Hal ini dapat terjadi karena pemilihan data dan pembuangan pencilan. Pemilihan data juga dipengaruhi oleh rentang nilai dan . Perbandingan rentang nilai dan pada data screening kedua dan screening ketiga dapat dilihat pada Gambar 11 dan Gambar 12. 10 Hidden neuron optimal yang diperoleh pada percobaan akan digunakan untuk percobaan berikutnya sehingga akan diperoleh model JST yang baik dan maksimal. Percobaan dilakukan dengan jumlah hidden neuron 1, 2, 5, dan 10 dengan masing-masing dilakukan 5 kali pengulangan. Data yang digunakan untuk menentukan jumlah hidden neuron yang optimal adalah data screening ketiga. Berdasarkan percobaan jumlah hidden neuron yang optimal adalah 2 dengan MSE data uji 0.56 dan MSE data latih 0.59. 49 47 ∆y 45 43 41 39 37 35 186 188 190 ∆x 192 Gambar 11 Rentang nilai dan data screening kedua. 194 196 pada Berdasarkan Gambar 11, dapat diketahui bahwa rentang nilai berada antara 186196, sedangkan rentang nilai berada antara 39-47. Hal ini menghasilkan rata-rata 191.22, rata-rata 43.80, standar deviasi 2.25, dan standar deviasi 1.42. 49 47 pada Pada penelitian ini, ditentukan terlebih dahulu 4 parameter yang memengaruhi transformasi pada data latih, yaitu parameter skala K, rotasi , translasi ∆x0, dan translasi ∆y0. Parameter yang diperoleh digunakan untuk pengujian parameter pada data latih dan data uji dengan menentukan nilai MSE masing-masingnya. Parameter dan nilai MSE dari data uji pada data screening ketiga yang diambil 5 dari 25 kali percobaan yang dapat dilihat pada Tabel 10. Tabel 10 Nilai parameter dan nilai MSE dari data latih dan data uji menggunakan similarity transformation 45 ∆y Menentukan Nilai Parameter Similarity Ttransformation 43 41 39 Tx Ty MSE data uji 1.08E-05 275.04 -255.05 0.57 1.00 1.14E-05 280.25 -260.95 0.76 3 1.00 6.46E-06 237.64 -214.84 0.39 4 1.00 2.26E-06 198.99 -209.37 0.46 5 1.00 6.34E-06 233.91 -247.71 0.48 Data a 1 1.00 2 b 37 35 184 189 ∆x 194 Gambar 12 Rentang nilai dan data screening ketiga. 199 pada Berdasarkan Gambar 12, dapat diketahui bahwa rentang nilai berada antara 188194, sedangkan rentang nilai berada antara 41-45. Hal ini menghasilkan rata-rata 191.87, rata-rata 43.97, standar deviasi 1.03, dan standar deviasi 0.68. Oleh karena itu, standar deviasi dan yang diperoleh pada data screening kedua dan screening ketiga dapat mempengaruhi nilai MSE. Semakin kecil standar deviasi suatu data, kemungkinan terdapatnya kesalahan semakin kecil pula. Menentukan Hidden Neuron JST yang Optimal Pada penelitian ini, dilakukan percobaan kombinasi perubahan hidden neuron JSTPBR. dengan a = K cos , b = K sin , ∆x0 = Tx dan ∆y0 = Ty. Berdasarkan Tabel 10, diketahui bahwa nilai pada setiap data sama. Nilai MSE yang diperoleh berbanding lurus dengan nilai Tx dan berbanding terbalik dengan Ty, ketika nilai MSE yang diperoleh baik maka nilai Tx semakin kecil dan Ty semakin besar. Perbandingan Nilai Transformation dan Screening Kedua MSE Similarity JSTPBR Data Pada penelitian ini, dilakukan perhitungan nilai MSE pada data screening kedua. Perhitungan dilakukan dengan cara mengambil data secara acak masing-masing 11 sebanyak 25 kali. Nilai MSE diperoleh menggunakan JSTPBR dan similarity transformation. Perbandingan nilai MSE similarity transformation dan JSTPBR dapat dilihat pada Gambar 13 dan Gambar 14. Data nilai MSE pada data screening kedua dapat dilihat pada Lampiran 6. Berdasarkan Gambar 13 dan Gambar 14, diketahui bahwa MSE yang dihasilkan oleh data screening kedua tidak stabil. Nilai MSE tidak stabil karena ketika MSE data latih kecil maka MSE data uji akan sangat besar. Hal ini tidak hanya terjadi pada JSTPBR, tetapi juga pada similarity transformation. Berdasarkan Gambar 13, dapat dilihat bahwa nilai MSE data latih yang diperoleh dari similarity transformation dan JSTPBR telah mendekati pada masing-masing data yang diacak. Namun, nilai MSE yang dihasilkan tidak stabil karena pada jumlah data yang sama perbedaan nilai MSE yang diperoleh masing-masing berbeda. 4.00 3.50 Nilai MSE 3.00 2.50 2.00 1.50 1.00 0.50 0.00 Pengacakan Data JST Data latih Similarity Data latih Gambar 13 Perbandingan nilai MSE data latih menggunakan similarity transformation dan JST pada data screening kedua. 4.00 3.50 Nilai MSE 3.00 2.50 2.00 1.50 1.00 0.50 0.00 Pengacakan Data JST Data uji Similarity Data uji Gambar 14 Perbandingan nilai MSE data uji menggunakan similarity transformation dan JST pada data screening kedua. 12 Sama halnya dengan nilai MSE yang diperoleh pada data latih yang terlihat pada Gambar 14, nilai MSE yang dihasilkan pada data uji juga tidak stabil atau tidak membentuk pola. Hal ini disebabkan oleh standar deviasi dan yang cukup besar yaitu 2.25 dan 1.42. Perbandingan Nilai Transformation dan Screening Ketiga MSE Similarity JSTPBR Data Pada penelitian ini, juga dilakukan perhitungan nilai MSE pada data screening ketiga. Perhitungan dilakukan dengan cara mengambil data secara acak masing-masing sebanyak 25 kali. Nilai MSE diperoleh dengan menggunakan JSTPBR dan similarity transformation. Perbandingan nilai MSE similarity transformation dan JSTPBR untuk data latih data data uji pada data screening ketiga dapat dilihat pada Gambar 15 dan Gambar 16. Nilai MSE pada data screening ketiga dapat dilihat pada Lampiran 7. Berdasarkan Gambar 15 dan Gambar 16, diketahui bahwa MSE yang dihasilkan oleh data screening ketiga stabil. Nilai MSE dikatakan stabil karena MSE data latih dan data uji mendekati sama. Hal ini tidak hanya terjadi pada JSTPBR, tetapi juga pada similarity transformation menghasilkan nilai yang serupa. Berdasarkan Gambar 15, dapat dilihat bahwa nilai MSE data latih yang diperoleh dari similarity transformation dan JSTPBR telah mendekati pada masing-masing data yang diacak. Nilai MSE yang dihasilkan stabil karena pada jumlah data yang sama perbedaan nilai MSE yang diperoleh tidak jauh berbeda. Sesuai dengan nilai MSE yang dihasilkan pada data latih, nilai MSE pada data uji yang ada pada Gambar 16 cenderung stabil. Hal ini disebabkan pola data yang digunakan memiliki standar deviasi dan yang cukup baik yaitu 1.03 dan 0.68. Nilai MSE yang diperoleh pada data screening ketiga menggunakan similarity transformation lebih baik dibandingkan menggunakan JSTPBR. Hal ini sama dengan penelitian yang dilakukan oleh Zaletnyik (2004), bahwa JST propagasi balik lebih efektif digunakan pada jumlah data yang lebih besar. Selain itu, penggunaan JST propagasi balik harus lebih baik, karena JST bekerja berdasarkan pola yang terbentuk pada input. Hasil percobaan ini juga sama halnya dengan penelitian yang dilakukan oleh Lao dan Yi (2006). Penelitian tersebut menyatakan bahwa kinerja transformasi koordinat menggunakan jaringan syaraf tiruan propagasi balik akan lebih baik hasilnya dibandingkan similarity transformation 4-parameter dan 6parameter ketika data yang digunakan berjumlah banyak. Pada penelitian tersebut, yang merupakan parameter kebaikan dari kinerja transformasi adalah nilai dari standar deviasi ∆x dan standar deviasi ∆y. 2.00 Nilai MSE 1.50 1.00 0.50 0.00 Pengacakan Data JST Data latih Similarity Data latih Gambar 15 Perbandingan nilai MSE data latih menggunakan similarity transformation dan JST pada data screening ketiga. 13 2.00 Nilai MSE 1.50 1.00 0.50 0.00 Pengacakan Data JST Data uji Similarity Data uji Gambar 16 Perbandingan nilai MSE data uji menggunakan similarity transformation dan JST pada data screening ketiga. Berdasarkan percobaan ini, diketahui bahwa untuk data dengan jumlah yang sedikit dapat diselesaikan secara langsung menggunakan metode tradisional (similarity transformation). Namun, untuk jumlah data yang besar lebih baik menggunakan JSTPBR karena akan menghemat waktu dan memperoleh hasil yang lebih baik dibandingkan menggunakan similarity transformation. Pemilihan data dilakukan sebanyak tiga kali. Masing-masing hasil pemilihan data memiliki jumlah data, standar deviasi , standar deviasi , rata-rata , dan rata-rata yang dapat dilihat pada Tabel 11. Tabel 11 Keterangan Hasil pengolahan data dengan pencilan > 1.96 x standar deviasi Screening pertama Screening kedua Screening ketiga Nilai MSE pada Pemilihan Data dengan Pencilan > 1.96 x Standar Deviasi Standar deviasi 12.12 8.43 5.69 Berdasarkan kurva sebaran normal atau baku, untuk menghilangkan data sebesar 2.5% dari data terbesar dan 2.5% data terkecil maka digunakan nilai z sebesar 1.96 (Walpole 1995). Oleh karena itu, proses pemilihan pencilan dapat dilakukan dengan cara sebagai berikut: Standar deviasi 9.54 6.95 5.80 191.68 191.33 191.17 ̅̅̅̅ | | dengan | ̅̅̅̅| = standar deviasi , = standar deviasi , ̅̅̅̅ = rata-rata dari ̅̅̅̅ = rata-rata dari | | , , |, |. Rata-rata Rata-rata Jumlah data 43.05 43.33 43.47 148.00 132.00 112.00 Pada penelitian ini, dilakukan perhitungan nilai MSE pada data screening ketiga. Perhitungan dilakukan dengan cara mengambil data secara acak masing-masing sebanyak 25 kali. Nilai MSE diperoleh dengan menggunakan JSTPBR dan similarity transformation. Perbandingan nilai MSE similarity transformation dan JSTPBR dapat dilihat pada Gambar 17 dan Gambar 18. Data screening ketiga dengan pencilan > 1.96 x standar deviasi dan nilai MSE pada data akhir terdapat pada Lampiran 8 dan Lampiran 9. 14 60.00 50.00 Nilai MSE 40.00 30.00 20.00 10.00 0.00 Pengacakan Data JST Data latih Similarity Data latih Gambar 17 Nilai MSE data latih pada data screening ketiga dengan pencilan > 1.96 x standar deviasi 120.00 100.00 Nilai MSE 80.00 60.00 40.00 20.00 0.00 Pengacakan Data JST Data uji Similarity Data uji Gambar 18 Nilai MSE data uji pada data screening ketiga dengan pencilan > 1.96 x standar deviasi pola karena pada jumlah data yang sama Berdasarkan Gambar 17 dan Gambar 18 perbedaan nilai MSE yang diperoleh masingdiketahui bahwa MSE yang dihasilkan tidak masing berbeda. Sama halnya dengan MSE stabil. Nilai MSE tidak stabil karena ketika yang diperoleh pada data latih, terlihat pada MSE data latih kecil maka MSE data uji akan Gambar 18 MSE yang dihasilkan pada data uji sangat besar. Hal ini tidak hanya terjadi pada juga tidak stabil. JSTPBR, tetapi juga pada similarity transformation. Perbandingan Nilai MSE Data Screening Ketiga dengan Pencilan > 1 x Standar Berdasarkan Gambar 17, dapat dilihat Deviasi dan Pencilan > 1.96 x Standar bahwa nilai MSE data latih yang diperoleh Deviasi dari similarity transformation dan JSTPBR Berdasarkan Gambar 16 dan Gambar 18, telah mendekati pada masing-masing data diketahui bahwa nilai MSE untuk data yang diacak. Namun, nilai MSE yang screening ketiga dengan pencilan > 1 x dihasilkan tidak stabil atau tidak membentuk 15 standar deviasi lebih baik dibandingkan dengan pencilan > 1.96 x standar deviasi. Hal ini dapat dilihat dari jumlah data, standar deviasi , standar deviasi , rata-rata , rata-rata , rata-rata nilai MSE JST, dan rata-rata nilai MSE similarity pada Tabel 12. daerah Jawa bagian. Nilai MSE yang baik dihasilkan pada screening ketiga dengan ratarata MSE data uji JSTPBR 0.59 dan similarity transformation 0.56. Algoritme JSTPBR lebih efektif digunakan pada jumlah data yang lebih besar dibandingkan similarity transformation. Hasil pengolahan data screening ketiga dengan pencilan > 1 x standar deviasi dan pencilan > 1.96 x standar deviasi Nilai MSE untuk data screening ketiga dengan pencilan lebih dari satu kali standar deviasi lebih baik dibandingkan dengan pencilan 1.96 kali standar deviasi. Nilai ratarata MSE yang diperoleh pada data screening ketiga dengan pencilan lebih dari 1.96 kali standar deviasi untuk data uji JSTPBR adalah 36.09 dan similarity transformation adalah 36.29. Tabel 12 Screening ketiga dengan pencilan > 1 x standar deviasi Screening ketiga dengan pencilan > 1.96 x standar deviasi Standar deviasi 1.75 12.12 Standar deviasi 1.27 9.54 Rata-rata 191.61 191.68 Rata-rata 43.86 43.05 Jumlah data 32.00 112.00 Rata-rata MSE JSTPBR 0.59 42.89 Rata-rata MSE similarity 0.57 43.98 Keterangan Berdasarkan Tabel 12, diketahui bahwa data yang diperoleh dengan pencilan > 1 x standar deviasi lebih sedikit dibandingkan dengan pencilan > 1.96 x standar deviasi. Hal ini terjadi karena data dengan pencilan > 1 x standar deviasi data yang dihilangkan sebesar 16% dari data terbesar dan 16 dari data terkecil sehingga data yang digunakan hanya 68%. Pada data screening ketiga dengan pencilan > 1.96 x standar deviasi masih terdapat beberapa pencilan. Pencilan yang masih terdapat pada data screening ketiga dengan pencilan > 1.96 x standar deviasi dapat dieliminasi pada data screening ketiga dengan pencilan > 1 x standar deviasi. Saran Penelitian ini masih dapat dikembangkan untuk menciptakan sistem baru yang lebih baik. Saran-saran bagi penelitian lebih lanjut antara lain: 1 Sebaiknya menggunakan data yang lebih banyak sehingga jika dilakukan screening masih tersedia banyak data. 2 Percobaan dilakukan dengan menggunakan metode pemilihan data yang lain seperti selang quartil, t-student dan lain sebagainya. DAFTAR PUSTAKA Aji HS, Ristandi E. 2010. Old Wells Repositioning. Di dalam: Facing the Challenges – Building the Capacity. FIG Congress 2010, 11-16 Apr. Sydney. Australia. FS 3C. Chien SC, Szu LS. 2010. Resilient Backpropagation Neural Network for Approximation 2-D GDOP. Proceedings of the International MultiConference of Engineers and Computer Scientists 2010; Hong Kong, Vol II, 17-19 Mar 2010. Hong Kong. IMECS. Hlm 900-904. Fausett L. 1994. Fundamentals of Neural Networks. New Jersey:Prentice-Hall. KESIMPULAN DAN SARAN Kesimpulan Berdasarkan hasil yang diperoleh dari percobaan pada kedua model data, dapat disimpulkan bahwa transformasi data koordinat dari datum Genuk menjadi WGS-84 menggunakan jaringan syaraf tiruan propagasi balik resilient (JSTPBR) memberikan kinerja yang baik untuk transformasi data koordinat Felus YA, Burkhard S. 2005. Performing Similarity Transformations Using The Error in Variable Model. Baltimore: ASPRS 2005 Annual Conference. Handoko EY, Abidin HZ. 2002. Analisis transformasi datum dari datum Indonesia 1974 ke datum geodesi nasional 1995. 12:3.Bandung. JBPTITBGD. Hlm 20-30. 16 Kusumadewi S. 2004. Membangun Jaringan Syaraf Tiruan Menggunakan Matlab & Excel Link. Yogyakarta: Graha Ilmu. Lao SL, Yi JW. 2006. A Study on Cadastral Coordinate Transformation Using Artificial Neural Network. Taipei: Department of Land Economics National Chengchi University Mitsakaki C. 2004. Coordinate Transformations. [terhubung berkala]. http://fig.net/pub/athens/papers/ts07/ts07_ 2_mitsakaki.pdf [1 Desember 2011]. Pratomo, DG. 2004. Pendidikan dan Pelatihan (diklat) Teknis Pengukuran Data Pemetaan Kota. Surabaya: Fakultas Teknik Sipil dan Perencanaan Institut Teknologi Sepuluh Nopember. Puntodewo A, Dewi S, Tarigan J. 2003. Sistem Informasi Geografis untuk Pengelolaan Sumber Daya Alam. Jakarta: Center for International Forestry Research. Turgut B. 2010. A back-propagation artificial neural network approach for threedimensional coordinate transformation. 5:21. Turkey. Academic Journals. Hlm 3330-3335. Walpole, ER. 1995. Pengantar Statistika. Jakarta: Gramedia Pustaka Utama. Wang Z, Bovik AC. 2009. Mean Square Error: Love It or Leave It?. IEEE Processing Magazine. Jan 2009. Hlm 98117. Zaletnyik MP. 2004. Coordinate Transformation With Neural Network and With Polynomials in Hungary. Budapest: Department of Geodesy and Surveying Budapest University of Technology and Economics. LAMPIRAN 18 Lampiran 1 Algoritme JST resilient Langkah 0. Inisiasi bobot Langkah 1. Selama syarat henti salah, lakukan langkah 2-9 Langkah 2. Untuk setiap pasangan pelatihan (input dan target), lakukan langkah 3-8 Langkah 3. Setiap unit input (Xi, i=1, …,n) menerima sinyal input xi dan meneruskannya ke seluruh unit pada lapisan diatasnya (hidden unit). Langkah 4. Setiap unit tersembunyi (Zj, j=1, …,p) menghitung total sinyal input terbobot, n z _ in j  v 0 j  x v i ij , i 1 lalu menghitung sinyal output dengan fungsi aktivasi,   z j  f z _ in j , dan mengirimkan sinyal ini ke seluruh unit pada lapisan atasnya (lapisan output). Langkah 5. Setiap unit output (Yk, k=1, …,m) menghitung total sinyal input terbobot, p y _ ink  w0k  z w j jk , j 1 lalu menghitung sinyal output dengan fungsi aktivasi, y k  f  y _ ink  Langkah 6. Setiap unit output (Yk, k=1, …, m) menerima sebuah pola target yang sesuai dengan pola input pelatihannya. Unit tersebut menghitung informasi kesalahan,  k  t k  y k  f '  y _ ink   2 jk   k z j  2k   k  2 jk   2 jk  2 jk (old )  2 k   2 k   2 k (old ) kemudian menghitung koreksi bobot (digunakan untuk mengubah wjk nanti), w jk  FN ;  2 jk  0    FT ;  2 jk  0 w (old );  2  0 jk  jk  w jk  min w jk , delta max w jk  w jk ;  2 jk  0   w jk ;  2 jk  0   2 jk  0 0;  19 Lampiran 1 lanjutan hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai b2k)  2 k  0  FN ;   2 k  0 b2 k   FT ; b2 (old );  2  0 k k  b2 k  minb2 k , delta max  b2k ;  2 k  0  b 2k  b 2k ;  2 k  0 0;  2k  0  Langkah 7. Setiap unit tersembunyi (Zj, j=1, …, p) menghitung selisih input (dari unit-unit pada layer atasnya)  _ in j  m  k w jk k 1 lalu mengalikannya dengan turunan fungsi aktivasi untuk menghitung informasi error  1 j   _ in j f ' z _ in j  1ij   1 j x j 1 j   1 j 1ij  1ij 1ij (old ) 1 j  1 j  1 j (old ) kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai vij)  FN ; 1ij  0  v ij   FT ; 1ij  0 v (old ); 1  0 ij  ij  vij  min vij , delta max   v ij ; 1ij  0  v ij  w jk ; 1ij  0  1ij  0 0; hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai b1j) b1 j  FN ;  1 j  0   FT ;  1 j  0   b 1 ( old );  1j  0 j   b1 j  min b1 j , delta max  20 Lampiran 1 lanjutan b1 j ;  1 j  0  b1 j  b1 j ;  1 j  0  1 j  0 0; Langkah 8. Setiap unit output (Yk, k=1, …, m) mengubah bias dan bobot-bobotnya (j=0, …, p) w jk (new)  w jk (old )  w jk b2 k (new)  b2 k (old )  b2 k Setiap unit tersembunyi (Zj, j=1, …, p) mengubah bias dan bobot-bobotnya (i=1, …, n) vij (new)  vij (old )  vij b1 j (new)  b1 j (old )  b1 j Langkah 9. Uji syarat henti: Jika besar mean square error 1 n n  t k  y k 2 lebih kecil dari toleransi yang telah k 1 ditentukan atau jumlah epoch pelatihan sudah mencapai epoch maksimum, maka selesai; jika tidak maka kembali ke langkah 1. 21 Lampiran 2 Data awal Nama data x genuk y genuk x WGS-84 y WGS-84 ∆x 105 / BMRD 111 / BMRD 117/JBR 118/JBR 129 /BMRD 130/JBR 133/JBR 156/JBR 157/JBR 184/JBR 202/JBR 268/JBR 277/BMGAS 278/BMGAS 279/BMGAS 28 /JBR 280/BMGAS 282/BMGAS 292/BMGAS 293/BMGAS 295/BMGAS 297/BMGAS 30 /JBR 33 /JBR 341/BMGAS 344/BMGAS 36 /JBR 377/BMGAS 379/BMGAS 381/BMGAS 382/BMGAS 401/BMGAS 405/BMGAS 406/BMGAS 407/BMGAS 408/BMGAS 409/BMGAS 49 /BMRD 55 / BMRD 62 /JBR 63 /JBR 65 /BMRD 734675.53 732631.23 772406.97 771506.81 753374.49 779890.30 803547.00 811954.55 810059.45 783808.65 781679.11 774932.81 776899.25 778040.11 775711.85 758326.40 777648.69 779526.58 768453.32 767793.00 766153.94 764666.31 758572.10 760273.20 865222.99 865962.45 761166.90 822206.56 816748.64 823493.82 816751.37 814082.14 809822.46 810635.74 811567.40 814772.13 813191.66 738586.65 755891.03 764321.03 766954.81 764138.79 9331834.99 9334629.21 9297229.22 9294206.43 9321003.78 9299989.21 9282159.86 9286335.71 9287693.43 9310188.54 9307057.27 9314531.16 9313398.67 9313915.14 9313720.79 9325650.30 9309271.98 9312147.46 9305120.53 9306876.72 9311061.75 9307823.19 9327240.50 9330674.10 9250254.60 9254633.27 9331541.20 9291848.37 9284821.36 9292578.07 9288897.26 9290179.42 9294995.07 9296266.21 9298104.59 9292828.43 9294293.36 9329728.42 9318727.98 9327767.81 9329638.30 9317406.09 734869.42 732831.14 772615.11 771716.76 753560.59 780088.25 803696.93 812142.26 810255.38 784001.55 781867.82 775122.89 777087.91 778227.26 775899.10 758508.91 777837.64 779717.62 768642.46 767986.95 766344.31 764852.57 758753.03 760455.86 865416.52 866156.49 761346.90 822387.05 816923.62 823679.64 816924.06 814278.98 810015.50 810832.49 811763.36 814978.00 813395.16 738783.24 756077.42 764511.01 767143.78 764328.80 9331796.06 9334591.80 9297186.79 9294162.39 9320957.61 9299955.82 9282108.70 9286318.70 9287733.55 9310145.63 9307013.89 9314484.08 9313357.10 9313871.97 9313680.31 9325600.13 9309229.39 9312103.15 9305075.96 9306830.95 9311017.00 9307774.70 9327190.76 9330631.40 9250211.98 9254589.36 9331498.68 9291764.15 9284744.95 9292489.88 9288814.17 9290129.45 9294957.19 9296231.02 9298072.45 9292783.94 9294251.60 9329685.33 9318685.46 9327723.88 9329597.58 9317358.02 193.89 199.91 208.14 209.95 186.10 197.95 149.93 187.71 195.93 192.90 188.71 190.08 188.66 187.15 187.25 182.51 188.95 191.04 189.14 193.95 190.37 186.26 180.93 182.66 193.53 194.04 180.00 180.49 174.98 185.82 172.69 196.84 193.04 196.75 195.96 205.87 203.50 196.59 186.39 189.98 188.97 190.01 ∆y 38.93 37.41 42.43 44.04 46.17 33.40 51.16 17.01 40.12 42.91 43.38 47.09 41.57 43.17 40.48 50.17 42.59 44.32 44.57 45.77 44.75 48.49 49.74 42.70 42.62 43.91 42.52 84.22 76.41 88.19 83.09 49.97 37.89 35.19 32.14 44.49 41.76 43.10 42.52 43.94 40.72 48.07 22 Lampiran 2 lanjutan Nama data x genuk y genuk x WGS-84 y WGS-84 ∆x ∆y 65 /JBR 74 / BMRD 79 / JBR 80 / BMRD 81/JBR 83/JBR 86 / BMRD 89 / BMRD 89/JBR 90 / BMRD 92 / BMRD 96/JBR BM 26 BM 27 BM 31 BM 32 BM 44 BM 49 BM BGD 11 BM BGD 15 BM BGD 17 BM GAS 245 BM GAS 246 BM GAS 248 BM GAS 249 BM GAS 251 BM GAS 254 BM GAS 255 BM GAS 257 BM GAS 257 BM GAS 262 BM GAS 263 BM GAS 269 BM GAS 270 BM GAS 42 BM GAS 65 BM GAS 67 BM RDG 14 BM RDG 16 BM RDG 17 BM RDG 18 764265.4 728311.5 733517.9 728362.16 773156.51 781929.82 728118.92 728625.09 779711.19 728132.03 727474.45 775262.97 623432.2 623710 619524.5 615902.8 608664.5 644995.8 201125.6 204265.7 203370.3 193156.5 192992.1 193530.2 193195.6 193239.9 196453.9 198128.4 201442.6 201442.6 199396.8 194234.8 199322.9 201462.4 747422.2 742227.2 749214.3 201590.9 204377.6 206242.9 203930.6 9325474 9314977.41 9338410.8 9320676.62 9305025.72 9298463.38 9322552.78 9323601.75 9295785.44 9324729.52 9327573.08 9303451.4 9296421.6 9284851.7 9292029 9297398 9281380.1 9294557.3 9271708.6 9272595.2 9275750.4 9301890.6 9300295 9298329.8 9296875.9 9283806.1 9283205.2 9283355.7 9288258.9 9288258.9 9289176.3 9289904.3 9290106.3 9286122.8 9298244.7 9303817.7 9300787.7 9257635 9257649.8 9257665.5 9261349.3 764451.96 728493.96 733715.17 728548.94 773358.82 782120.68 728299.51 728810.17 779915.19 728319.15 727664 775473.83 623616.82 623907.79 619711.82 616085.47 608852.65 645192.15 201244.03 204390.68 203483.66 193250.6 193104.54 193632.94 193312.51 193358.91 196574.23 198250.3 201565.48 201565.48 199517 194348.43 199444.05 201587.28 747613.75 742419.14 749408.69 201708.47 204494.6 206364.01 204046.16 9325435.69 9314932.79 9338386.61 9320631.32 9304982.2 9298436.62 9322507.74 9323557.31 9295750.65 9324687.24 9327534.98 9303402.75 9296384.65 9284808.91 9291997.29 9297356.46 9281336.51 9294520.59 9271666.28 9272553.7 9275705.84 9301864.8 9300254.69 9298250.93 9296831.87 9283759.12 9283160.91 9283308.76 9288214.82 9288214.82 9289132.02 9289863.73 9290062.55 9286081.39 9298210.85 9303786.98 9300755.78 9257589.16 9257606.14 9257624.47 9261301.78 186.56 182.46 197.27 186.78 202.31 190.86 180.59 185.08 204 187.12 189.55 210.86 184.62 197.79 187.32 182.67 188.15 196.35 118.43 124.98 113.36 94.1 112.44 102.74 116.91 119.01 120.33 121.9 122.88 122.88 120.2 113.63 121.15 124.88 191.55 191.94 194.39 117.57 117 121.11 115.56 38.31 44.62 24.19 45.3 43.52 26.76 45.04 44.44 34.79 42.28 38.11 48.66 36.95 42.79 31.71 41.54 43.59 36.71 42.32 41.5 44.56 25.8 40.31 78.87 44.03 46.99 44.29 46.95 44.08 44.08 44.28 40.57 43.75 41.41 33.85 30.73 31.92 45.84 43.66 41.04 47.53 BM RDG 19 206026.4 9261727.4 206144.33 9261686.18 117.93 41.22 23 Lampiran 2 lanjutan Nama data x genuk y genuk x WGS-84 y WGS-84 ∆x ∆y BM.018 BM.02 BM.028 BM.029 BM.03 BM.08 BM.09 BM.10 BM.11 BM.20 BM.20 BM.23 BM.25 BM.26 BM.26 BM.31 BM.32 BM.33 BM.34 BM.38 BM.39 BM.52 BM.53 BM.54 BM.56 BM.66 BM.73 BM06 BM41 BM42 BMGAS 10 BMGAS 103 BMGAS 105 BMGAS 116 BMGAS 12 BMGAS 31 BMGAS 317 BMGAS 4 BMGAS 5 BMGAS 59 BMGAS 6 823061.29 810833.29 821623.60 820801.24 813244.55 822966.10 805831.36 806148.93 808644.78 792637.21 797352.19 814723.11 795971.68 796042.84 810470.88 802740.40 804358.16 806585.26 806424.08 811548.49 810410.16 784083.32 786766.11 786634.00 833565.97 785030.16 796789.90 796599.65 795957.64 795938.70 827958.00 783640.50 789939.40 790374.90 827858.00 830470.00 745001.50 826734.00 824063.00 774104.70 827062.00 9279392.82 9286914.58 9272097.42 9273504.58 9286932.63 9281025.90 9294827.78 9294799.93 9298797.58 9297462.15 9277512.51 9273103.86 9293380.69 9293127.35 9281437.57 9277158.06 9280262.68 9287917.55 9287711.13 9274296.48 9281146.69 9293933.47 9292694.38 9292517.18 9273296.79 9286140.47 9283113.02 9277785.55 9281330.26 9281240.36 9293555.00 9280480.70 9279537.90 9286527.50 9292153.00 9289353.00 9292845.50 9295864.00 9293214.00 9299386.40 9294667.00 823254.77 811026.55 821816.58 820993.76 813438.57 823159.58 806023.38 806340.92 808837.33 792828.75 797546.18 814914.49 796164.22 796234.83 810663.21 802940.73 804556.55 806777.79 806616.67 811749.09 810603.04 784275.58 786958.60 786826.45 833766.00 785221.89 796982.90 796794.40 796152.00 796133.07 828148.42 783830.31 790134.56 790568.59 828049.72 830659.53 745198.80 826927.19 824254.28 774291.36 827256.28 9279349.34 9286870.07 9272052.95 9273459.87 9286886.83 9280981.66 9294784.30 9294756.44 9298753.90 9297419.44 9277468.99 9273058.83 9293337.45 9293084.13 9281391.84 9277113.99 9280220.30 9287874.01 9287667.58 9274244.76 9281101.01 9293886.41 9292649.32 9292472.19 9273258.10 9286095.65 9283069.33 9277740.26 9281284.90 9281195.00 9293525.44 9280442.20 9279496.95 9286489.12 9292115.69 9289317.61 9292811.01 9295828.57 9293172.53 9299340.85 9294629.88 193.48 193.26 192.98 192.52 194.02 193.49 192.02 191.99 192.56 191.54 193.99 191.38 192.54 191.99 192.33 200.33 198.39 192.53 192.59 200.60 192.89 192.26 192.49 192.45 200.03 191.73 193.00 194.75 194.36 194.37 190.42 189.81 195.16 193.69 191.72 189.53 197.30 193.19 191.28 186.66 194.28 43.48 44.51 44.47 44.72 45.80 44.25 43.48 43.49 43.68 42.72 43.53 45.04 43.24 43.22 45.73 44.08 42.38 43.54 43.55 51.71 45.67 47.06 45.06 45.00 38.68 44.82 43.69 45.29 45.36 45.36 29.56 38.50 40.95 38.38 37.31 35.40 34.49 35.44 41.47 45.55 37.12 BMGAS 69 759947.50 9304038.60 760137.26 9303993.33 189.76 45.27 24 Lampiran 2 lanjutan Nama data x genuk y genuk x WGS-84 y WGS-84 ∆x ∆y BMGAS 71 BMGAS 72 BMGAS 73 BMGAS 74 BMGAS 75 BMGAS 77 BMGAS 78 BMGAS 79 BMGAS 80 BMGAS 81 BMGAS 82 BMGAS 86 BMGAS 87 BMGAS 88 BMGAS 91 BMGAS 94 BMGAS 98 BMGAS319 BMGAS321 BMGAS326 cl CL 11 CL 15 CL 4 JBR 04 JBR 06 JBR 09 JBR 15 RD 29 RD 38 RD 60 T.138 T.147 T.180 T.206 T.3 T.353 T.36 T.367 T.37 763476.70 763318.20 763077.90 759232.40 767736.00 763039.70 766770.20 762771.30 758244.70 756990.30 765217.60 760712.90 761179.90 759006.80 761670.20 764722.90 784370.80 733688.20 739406.30 738295.00 785353.00 781009.00 782192.00 779561.00 751602.60 749430.13 742328.20 754852.95 761037.70 741348.60 766820.90 770806.10 763348.80 775087.62 781410.01 823447.13 809051.12 825420.00 804423.16 826778.00 9303177.00 9299622.40 9296649.10 9302388.50 9303107.70 9298150.90 9300792.60 9304370.80 9303709.40 9302758.80 9296489.40 9299920.40 9301310.70 9301226.90 9303150.70 9298863.90 9284131.60 9295094.00 9294551.00 9293413.50 9296733.00 9311680.00 9307894.00 9315235.00 9298520.63 9298628.01 9302608.54 9297041.74 9320019.00 9328153.40 9320301.50 9297155.30 9300780.60 9314444.27 9306405.54 9299666.19 9271971.38 9287544.00 9279837.64 9282695.00 763665.62 763507.67 763263.51 759423.97 767936.88 763225.82 766967.98 762959.76 758440.99 757181.36 765409.46 760900.70 761368.16 759195.27 761857.48 764911.97 784562.29 733878.64 739598.37 738488.34 785546.69 781199.78 782380.54 779695.87 751797.21 749621.23 742520.05 755041.53 761223.53 741540.03 767008.14 770996.95 763540.63 775276.86 781600.55 823639.77 809242.12 825615.82 804616.95 826971.04 9303130.82 9299572.68 9296600.82 9302344.42 9303056.22 9298103.76 9300741.59 9304328.50 9303669.48 9302718.46 9296442.14 9299874.42 9301264.46 9301185.72 9303107.14 9298815.05 9284093.14 9295050.29 9294512.78 9293377.01 9296690.46 9311640.59 9307852.24 9315142.69 9298470.85 9298569.42 9302538.59 9296983.08 9319977.26 9328109.32 9320257.44 9297111.21 9300736.07 9314398.68 9306361.57 9299622.79 9271926.10 9287490.61 9279791.42 9282651.92 188.92 189.47 185.61 191.57 200.88 186.12 197.78 188.46 196.29 191.06 191.86 187.80 188.26 188.47 187.28 189.07 191.49 190.44 192.07 193.34 193.69 190.78 188.54 134.87 194.61 191.10 191.85 188.58 185.83 191.43 187.24 190.85 191.83 189.24 190.54 192.64 191.00 195.82 193.79 193.04 46.18 49.72 48.28 44.08 51.48 47.14 51.01 42.30 39.92 40.34 47.26 45.98 46.25 41.18 43.56 48.85 38.46 43.71 38.22 36.49 42.54 39.41 41.77 92.31 49.78 58.59 69.95 58.66 41.74 44.08 44.06 44.09 44.53 45.59 43.97 43.40 45.28 53.39 46.23 43.08 T.372 814759.60 9288403.30 814951.59 9288358.50 191.99 44.80 25 Lampiran 2 lanjutan Nama data x genuk y genuk x WGS-84 y WGS-84 ∆x ∆y T.38 T.387 T.44 T.48 T.49 T.50 T.80 TT.169 WNJ93-101 824379.24 787567.78 833761.36 755246.60 751502.90 751716.01 745427.85 777571.61 823132.00 9278401.43 9294311.21 9273802.34 9321103.40 9322952.10 9326365.72 9325913.25 9306666.80 9301227.08 824572.78 787756.70 833955.27 755433.86 751691.09 751909.48 745616.65 777762.88 823325.54 9278358.09 9294267.10 9273759.03 9321059.70 9322909.08 9326322.70 9325871.80 9306621.49 9301179.40 193.53 188.92 193.91 187.26 188.19 193.47 188.80 191.27 193.54 43.34 44.11 43.30 43.70 43.02 43.02 41.45 45.31 47.68 WNJ93-37 783799.97 9303999.69 783991.08 9303955.98 191.12 43.71 26 Lampiran 3 Data screening pertama Nama data x genuk y genuk x WGS-84 y WGS-84 ∆x ∆y 105 / BMRD 111 / BMRD 129 /BMRD 157/JBR 184/JBR 202/JBR 268/JBR 277/BMGAS 278/BMGAS 279/BMGAS 28 /JBR 280/BMGAS 282/BMGAS 292/BMGAS 293/BMGAS 295/BMGAS 297/BMGAS 30 /JBR 33 /JBR 341/BMGAS 344/BMGAS 36 /JBR 401/BMGAS 405/BMGAS 406/BMGAS 408/BMGAS 409/BMGAS 49 /BMRD 55 / BMRD 62 /JBR 63 /JBR 65 /BMRD 65 /JBR 74 / BMRD 80 / BMRD 81/JBR 86 / BMRD 89 / BMRD 90 / BMRD 92 / BMRD BM 26 734675.53 732631.23 753374.49 810059.45 783808.65 781679.11 774932.81 776899.25 778040.11 775711.85 758326.40 777648.69 779526.58 768453.32 767793.00 766153.94 764666.31 758572.10 760273.20 865222.99 865962.45 761166.90 814082.14 809822.46 810635.74 814772.13 813191.66 738586.65 755891.03 764321.03 766954.81 764138.79 764265.40 728311.50 728362.16 773156.51 728118.92 728625.09 728132.03 727474.45 623432.20 9331834.99 9334629.21 9321003.78 9287693.43 9310188.54 9307057.27 9314531.16 9313398.67 9313915.14 9313720.79 9325650.30 9309271.98 9312147.46 9305120.53 9306876.72 9311061.75 9307823.19 9327240.50 9330674.10 9250254.60 9254633.27 9331541.20 9290179.42 9294995.07 9296266.21 9292828.43 9294293.36 9329728.42 9318727.98 9327767.81 9329638.30 9317406.09 9325474.00 9314977.41 9320676.62 9305025.72 9322552.78 9323601.75 9324729.52 9327573.08 9296421.60 734869.42 732831.14 753560.59 810255.38 784001.55 781867.82 775122.89 777087.91 778227.26 775899.10 758508.91 777837.64 779717.62 768642.46 767986.95 766344.31 764852.57 758753.03 760455.86 865416.52 866156.49 761346.90 814278.98 810015.50 810832.49 814978.00 813395.16 738783.24 756077.42 764511.01 767143.78 764328.80 764451.96 728493.96 728548.94 773358.82 728299.51 728810.17 728319.15 727664.00 623616.82 9331796.06 9334591.80 9320957.61 9287733.55 9310145.63 9307013.89 9314484.08 9313357.10 9313871.97 9313680.31 9325600.13 9309229.39 9312103.15 9305075.96 9306830.95 9311017.00 9307774.70 9327190.76 9330631.40 9250211.98 9254589.36 9331498.68 9290129.45 9294957.19 9296231.02 9292783.94 9294251.60 9329685.33 9318685.46 9327723.88 9329597.58 9317358.02 9325435.69 9314932.79 9320631.32 9304982.20 9322507.74 9323557.31 9324687.24 9327534.98 9296384.65 193.89 199.91 186.10 195.93 192.90 188.71 190.08 188.66 187.15 187.25 182.51 188.95 191.04 189.14 193.95 190.37 186.26 180.93 182.66 193.53 194.04 180.00 196.84 193.04 196.75 205.87 203.50 196.59 186.39 189.98 188.97 190.01 186.56 182.46 186.78 202.31 180.59 185.08 187.12 189.55 184.62 38.93 37.41 46.17 40.12 42.91 43.38 47.09 41.57 43.17 40.48 50.17 42.59 44.32 44.57 45.77 44.75 48.49 49.74 42.70 42.62 43.91 42.52 49.97 37.89 35.19 44.49 41.76 43.10 42.52 43.94 40.72 48.07 38.31 44.62 45.30 43.52 45.04 44.44 42.28 38.11 36.95 BM 27 623710.00 9284851.70 623907.79 9284808.91 197.79 42.79 27 Lampiran 3 lanjutan Nama data x genuk y genuk x WGS-84 y WGS-84 ∆x ∆y BM 32 BM 44 BM 49 BM.018 BM.02 BM.028 BM.029 BM.03 BM.08 BM.09 BM.10 BM.11 BM.20 BM.20 BM.23 BM.25 BM.26 BM.26 BM.31 BM.32 BM.33 BM.34 BM.38 BM.39 BM.52 BM.53 BM.54 BM.56 BM.66 BM.73 BM06 BM41 BM42 BMGAS 103 BMGAS 105 BMGAS 116 BMGAS 12 BMGAS 31 BMGAS 4 615902.80 608664.50 644995.80 823061.29 810833.29 821623.60 820801.24 813244.55 822966.10 805831.36 806148.93 808644.78 792637.21 797352.19 814723.11 795971.68 796042.84 810470.88 802740.40 804358.16 806585.26 806424.08 811548.49 810410.16 784083.32 786766.11 786634.00 833565.97 785030.16 796789.90 796599.65 795957.64 795938.70 783640.50 789939.40 790374.90 827858.00 830470.00 826734.00 9297398.00 9281380.10 9294557.30 9279392.82 9286914.58 9272097.42 9273504.58 9286932.63 9281025.90 9294827.78 9294799.93 9298797.58 9297462.15 9277512.51 9273103.86 9293380.69 9293127.35 9281437.57 9277158.06 9280262.68 9287917.55 9287711.13 9274296.48 9281146.69 9293933.47 9292694.38 9292517.18 9273296.79 9286140.47 9283113.02 9277785.55 9281330.26 9281240.36 9280480.70 9279537.90 9286527.50 9292153.00 9289353.00 9295864.00 616085.47 608852.65 645192.15 823254.77 811026.55 821816.58 820993.76 813438.57 823159.58 806023.38 806340.92 808837.33 792828.75 797546.18 814914.49 796164.22 796234.83 810663.21 802940.73 804556.55 806777.79 806616.67 811749.09 810603.04 784275.58 786958.60 786826.45 833766.00 785221.89 796982.90 796794.40 796152.00 796133.07 783830.31 790134.56 790568.59 828049.72 830659.53 826927.19 9297356.46 9281336.51 9294520.59 9279349.34 9286870.07 9272052.95 9273459.87 9286886.83 9280981.66 9294784.30 9294756.44 9298753.90 9297419.44 9277468.99 9273058.83 9293337.45 9293084.13 9281391.84 9277113.99 9280220.30 9287874.01 9287667.58 9274244.76 9281101.01 9293886.41 9292649.32 9292472.19 9273258.10 9286095.65 9283069.33 9277740.26 9281284.90 9281195.00 9280442.20 9279496.95 9286489.12 9292115.69 9289317.61 9295828.57 182.67 188.15 196.35 193.48 193.26 192.98 192.52 194.02 193.49 192.02 191.99 192.56 191.54 193.99 191.38 192.54 191.99 192.33 200.33 198.39 192.53 192.59 200.60 192.89 192.26 192.49 192.45 200.03 191.73 193.00 194.75 194.36 194.37 189.81 195.16 193.69 191.72 189.53 193.19 41.54 43.59 36.71 43.48 44.51 44.47 44.72 45.80 44.25 43.48 43.49 43.68 42.72 43.53 45.04 43.24 43.22 45.73 44.08 42.38 43.54 43.55 51.71 45.67 47.06 45.06 45.00 38.68 44.82 43.69 45.29 45.36 45.36 38.50 40.95 38.38 37.31 35.40 35.44 BMGAS 5 824063.00 9293214.00 824254.28 9293172.53 191.28 41.47 28 Lampiran 3 lanjutan Nama data x genuk y genuk x WGS-84 y WGS-84 ∆x BMGAS 59 BMGAS 6 BMGAS 69 BMGAS 71 BMGAS 72 BMGAS 73 BMGAS 74 BMGAS 75 BMGAS 77 BMGAS 78 BMGAS 79 BMGAS 80 BMGAS 81 BMGAS 82 BMGAS 86 BMGAS 87 BMGAS 88 BMGAS 91 BMGAS 94 BMGAS 98 BMGAS319 BMGAS321 BMGAS326 cl CL 11 CL 15 JBR 04 RD 29 RD 38 RD 60 T.138 T.147 T.180 T.206 T.3 T.353 T.36 T.367 T.37 T.372 T.38 T.387 774104.70 827062.00 759947.50 763476.70 763318.20 763077.90 759232.40 767736.00 763039.70 766770.20 762771.30 758244.70 756990.30 765217.60 760712.90 761179.90 759006.80 761670.20 764722.90 784370.80 733688.20 739406.30 738295.00 785353.00 781009.00 782192.00 751602.60 761037.70 741348.60 766820.90 770806.10 763348.80 775087.62 781410.01 823447.13 809051.12 825420.00 804423.16 826778.00 814759.60 824379.24 787567.78 9299386.40 9294667.00 9304038.60 9303177.00 9299622.40 9296649.10 9302388.50 9303107.70 9298150.90 9300792.60 9304370.80 9303709.40 9302758.80 9296489.40 9299920.40 9301310.70 9301226.90 9303150.70 9298863.90 9284131.60 9295094.00 9294551.00 9293413.50 9296733.00 9311680.00 9307894.00 9298520.63 9320019.00 9328153.40 9320301.50 9297155.30 9300780.60 9314444.27 9306405.54 9299666.19 9271971.38 9287544.00 9279837.64 9282695.00 9288403.30 9278401.43 9294311.21 774291.36 827256.28 760137.26 763665.62 763507.67 763263.51 759423.97 767936.88 763225.82 766967.98 762959.76 758440.99 757181.36 765409.46 760900.70 761368.16 759195.27 761857.48 764911.97 784562.29 733878.64 739598.37 738488.34 785546.69 781199.78 782380.54 751797.21 761223.53 741540.03 767008.14 770996.95 763540.63 775276.86 781600.55 823639.77 809242.12 825615.82 804616.95 826971.04 814951.59 824572.78 787756.70 9299340.85 9294629.88 9303993.33 9303130.82 9299572.68 9296600.82 9302344.42 9303056.22 9298103.76 9300741.59 9304328.50 9303669.48 9302718.46 9296442.14 9299874.42 9301264.46 9301185.72 9303107.14 9298815.05 9284093.14 9295050.29 9294512.78 9293377.01 9296690.46 9311640.59 9307852.24 9298470.85 9319977.26 9328109.32 9320257.44 9297111.21 9300736.07 9314398.68 9306361.57 9299622.79 9271926.10 9287490.61 9279791.42 9282651.92 9288358.50 9278358.09 9294267.10 186.66 194.28 189.76 188.92 189.47 185.61 191.57 200.88 186.12 197.78 188.46 196.29 191.06 191.86 187.80 188.26 188.47 187.28 189.07 191.49 190.44 192.07 193.34 193.69 190.78 188.54 194.61 185.83 191.43 187.24 190.85 191.83 189.24 190.54 192.64 191.00 195.82 193.79 193.04 191.99 193.53 188.92 ∆y 45.55 37.12 45.27 46.18 49.72 48.28 44.08 51.48 47.14 51.01 42.30 39.92 40.34 47.26 45.98 46.25 41.18 43.56 48.85 38.46 43.71 38.22 36.49 42.54 39.41 41.77 49.78 41.74 44.08 44.06 44.09 44.53 45.59 43.97 43.40 45.28 53.39 46.23 43.08 44.80 43.34 44.11 29 Lampiran 3 lanjutan Nama data x genuk y genuk x WGS-84 y WGS-84 ∆x ∆y T.44 T.48 T.49 T.50 T.80 TT.169 WNJ93-101 833761.36 755246.60 751502.90 751716.01 745427.85 777571.61 823132.00 9273802.34 9321103.40 9322952.10 9326365.72 9325913.25 9306666.80 9301227.08 833955.27 755433.86 751691.09 751909.48 745616.65 777762.88 823325.54 9273759.03 9321059.70 9322909.08 9326322.70 9325871.80 9306621.49 9301179.40 193.91 187.26 188.19 193.47 188.80 191.27 193.54 43.30 43.70 43.02 43.02 41.45 45.31 47.68 WNJ93-37 783799.97 9303999.69 783991.08 9303955.98 191.12 43.71 30 Lampiran 4 Data screening kedua Nama data x genuk y genuk x WGS-84 y WGS-84 ∆x ∆y 184/JBR 202/JBR 277/BMGAS 278/BMGAS 279/BMGAS 280/BMGAS 282/BMGAS 292/BMGAS 293/BMGAS 295/BMGAS 341/BMGAS 344/BMGAS 62 /JBR 63 /JBR 90 / BMRD BM 44 BM.018 BM.02 BM.028 BM.029 BM.03 BM.08 BM.09 BM.10 BM.11 BM.20 BM.20 BM.23 BM.25 BM.26 BM.26 BM.33 BM.34 BM.39 BM.53 BM.54 BM.66 BM.73 BM06 BM41 BM42 783808.65 781679.11 776899.25 778040.11 775711.85 777648.69 779526.58 768453.32 767793.00 766153.94 865222.99 865962.45 764321.03 766954.81 728132.03 608664.50 823061.29 810833.29 821623.60 820801.24 813244.55 822966.10 805831.36 806148.93 808644.78 792637.21 797352.19 814723.11 795971.68 796042.84 810470.88 806585.26 806424.08 810410.16 786766.11 786634.00 785030.16 796789.90 796599.65 795957.64 795938.70 9310188.54 9307057.27 9313398.67 9313915.14 9313720.79 9309271.98 9312147.46 9305120.53 9306876.72 9311061.75 9250254.60 9254633.27 9327767.81 9329638.30 9324729.52 9281380.10 9279392.82 9286914.58 9272097.42 9273504.58 9286932.63 9281025.90 9294827.78 9294799.93 9298797.58 9297462.15 9277512.51 9273103.86 9293380.69 9293127.35 9281437.57 9287917.55 9287711.13 9281146.69 9292694.38 9292517.18 9286140.47 9283113.02 9277785.55 9281330.26 9281240.36 784001.55 781867.82 777087.91 778227.26 775899.10 777837.64 779717.62 768642.46 767986.95 766344.31 865416.52 866156.49 764511.01 767143.78 728319.15 608852.65 823254.77 811026.55 821816.58 820993.76 813438.57 823159.58 806023.38 806340.92 808837.33 792828.75 797546.18 814914.49 796164.22 796234.83 810663.21 806777.79 806616.67 810603.04 786958.60 786826.45 785221.89 796982.90 796794.40 796152.00 796133.07 9310145.63 9307013.89 9313357.10 9313871.97 9313680.31 9309229.39 9312103.15 9305075.96 9306830.95 9311017.00 9250211.98 9254589.36 9327723.88 9329597.58 9324687.24 9281336.51 9279349.34 9286870.07 9272052.95 9273459.87 9286886.83 9280981.66 9294784.30 9294756.44 9298753.90 9297419.44 9277468.99 9273058.83 9293337.45 9293084.13 9281391.84 9287874.01 9287667.58 9281101.01 9292649.32 9292472.19 9286095.65 9283069.33 9277740.26 9281284.90 9281195.00 192.90 188.71 188.66 187.15 187.25 188.95 191.04 189.14 193.95 190.37 193.53 194.04 189.98 188.97 187.12 188.15 193.48 193.26 192.98 192.52 194.02 193.49 192.02 191.99 192.56 191.54 193.99 191.38 192.54 191.99 192.33 192.53 192.59 192.89 192.49 192.45 191.73 193.00 194.75 194.36 194.37 42.91 43.38 41.57 43.17 40.48 42.59 44.32 44.57 45.77 44.75 42.62 43.91 43.94 40.72 42.28 43.59 43.48 44.51 44.47 44.72 45.80 44.25 43.48 43.49 43.68 42.72 43.53 45.04 43.24 43.22 45.73 43.54 43.55 45.67 45.06 45.00 44.82 43.69 45.29 45.36 45.36 BMGAS 105 789939.40 9279537.90 790134.56 9279496.95 195.16 40.95 31 Lampiran 4 lanjutan Nama data x genuk y genuk x WGS-84 y WGS-84 ∆x ∆y BMGAS 5 BMGAS 69 BMGAS 71 BMGAS 74 BMGAS 79 BMGAS 81 BMGAS 86 BMGAS 87 BMGAS 88 BMGAS 91 BMGAS319 cl CL 15 RD 38 RD 60 T.138 T.147 T.180 T.206 T.3 T.353 T.367 T.37 T.372 T.38 T.387 T.44 T.48 T.49 T.50 T.80 TT.169 824063.00 759947.50 763476.70 759232.40 762771.30 756990.30 760712.90 761179.90 759006.80 761670.20 733688.20 785353.00 782192.00 741348.60 766820.90 770806.10 763348.80 775087.62 781410.01 823447.13 809051.12 804423.16 826778.00 814759.60 824379.24 787567.78 833761.36 755246.60 751502.90 751716.01 745427.85 777571.61 9293214.00 9304038.60 9303177.00 9302388.50 9304370.80 9302758.80 9299920.40 9301310.70 9301226.90 9303150.70 9295094.00 9296733.00 9307894.00 9328153.40 9320301.50 9297155.30 9300780.60 9314444.27 9306405.54 9299666.19 9271971.38 9279837.64 9282695.00 9288403.30 9278401.43 9294311.21 9273802.34 9321103.40 9322952.10 9326365.72 9325913.25 9306666.80 824254.28 760137.26 763665.62 759423.97 762959.76 757181.36 760900.70 761368.16 759195.27 761857.48 733878.64 785546.69 782380.54 741540.03 767008.14 770996.95 763540.63 775276.86 781600.55 823639.77 809242.12 804616.95 826971.04 814951.59 824572.78 787756.70 833955.27 755433.86 751691.09 751909.48 745616.65 777762.88 9293172.53 9303993.33 9303130.82 9302344.42 9304328.50 9302718.46 9299874.42 9301264.46 9301185.72 9303107.14 9295050.29 9296690.46 9307852.24 9328109.32 9320257.44 9297111.21 9300736.07 9314398.68 9306361.57 9299622.79 9271926.10 9279791.42 9282651.92 9288358.50 9278358.09 9294267.10 9273759.03 9321059.70 9322909.08 9326322.70 9325871.80 9306621.49 191.28 189.76 188.92 191.57 188.46 191.06 187.80 188.26 188.47 187.28 190.44 193.69 188.54 191.43 187.24 190.85 191.83 189.24 190.54 192.64 191.00 193.79 193.04 191.99 193.53 188.92 193.91 187.26 188.19 193.47 188.80 191.27 41.47 45.27 46.18 44.08 42.30 40.34 45.98 46.25 41.18 43.56 43.71 42.54 41.77 44.08 44.06 44.09 44.53 45.59 43.97 43.40 45.28 46.23 43.08 44.80 43.34 44.11 43.30 43.70 43.02 43.02 41.45 45.31 WNJ93-37 783799.97 9303999.69 783991.08 9303955.98 191.12 43.71 32 Lampiran 5 Data screening ketiga Nama data x genuk y genuk x WGS-84 y WGS-84 ∆x ∆y 184/JBR 282/BMGAS 292/BMGAS 295/BMGAS 62 /JBR BM.02 BM.028 BM.029 BM.09 BM.10 BM.11 BM.20 BM.23 BM.25 BM.26 BM.33 BM.34 BM.53 BM.54 BM.66 BM.73 BMGAS 74 BMGAS319 RD 38 T.138 T.147 T.206 T.3 T.37 T.372 T.50 783808.65 779526.58 768453.32 766153.94 764321.03 810833.29 821623.60 820801.24 805831.36 806148.93 808644.78 792637.21 814723.11 795971.68 796042.84 806585.26 806424.08 786766.11 786634.00 785030.16 796789.90 759232.40 733688.20 741348.60 770806.10 763348.80 781410.01 823447.13 826778.00 814759.60 751716.01 9310188.54 9312147.46 9305120.53 9311061.75 9327767.81 9286914.58 9272097.42 9273504.58 9294827.78 9294799.93 9298797.58 9297462.15 9273103.86 9293380.69 9293127.35 9287917.55 9287711.13 9292694.38 9292517.18 9286140.47 9283113.02 9302388.50 9295094.00 9328153.40 9297155.30 9300780.60 9306405.54 9299666.19 9282695.00 9288403.30 9326365.72 784001.55 779717.62 768642.46 766344.31 764511.01 811026.55 821816.58 820993.76 806023.38 806340.92 808837.33 792828.75 814914.49 796164.22 796234.83 806777.79 806616.67 786958.60 786826.45 785221.89 796982.90 759423.97 733878.64 741540.03 770996.95 763540.63 781600.55 823639.77 826971.04 814951.59 751909.48 9310145.63 9312103.15 9305075.96 9311017.00 9327723.88 9286870.07 9272052.95 9273459.87 9294784.30 9294756.44 9298753.90 9297419.44 9273058.83 9293337.45 9293084.13 9287874.01 9287667.58 9292649.32 9292472.19 9286095.65 9283069.33 9302344.42 9295050.29 9328109.32 9297111.21 9300736.07 9306361.57 9299622.79 9282651.92 9288358.50 9326322.70 192.90 191.04 189.14 190.37 189.98 193.26 192.98 192.52 192.02 191.99 192.56 191.54 191.38 192.54 191.99 192.53 192.59 192.49 192.45 191.73 193.00 191.57 190.44 191.43 190.85 191.83 190.54 192.64 193.04 191.99 193.47 42.91 44.32 44.57 44.75 43.94 44.51 44.47 44.72 43.48 43.49 43.68 42.72 45.04 43.24 43.22 43.54 43.55 45.06 45.00 44.82 43.69 44.08 43.71 44.08 44.09 44.53 43.97 43.40 43.08 44.80 43.02 WNJ93-37 783799.97 9303999.69 783991.08 9303955.98 191.12 43.71 33 Lampiran 6 Tabel nilai MSE pada data screening kedua Pengacakan Data 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 Rata-rata JST Data latih 1.97 2.32 2.16 2.32 1.99 2.22 1.94 2.23 2.01 2.25 2.47 2.30 2.08 2.11 2.51 2.06 2.16 2.47 1.74 2.18 2.05 2.04 2.09 1.95 2.06 2.15 Similarity Data uji 2.72 2.16 2.34 2.26 2.71 2.27 2.77 2.35 2.70 2.25 1.80 2.14 2.54 2.37 1.65 2.53 2.31 1.76 3.22 2.35 2.47 2.50 2.50 3.68 2.57 2.44 Data latih 2.13 2.51 2.46 2.41 2.33 2.48 2.22 2.38 2.39 2.41 2.61 2.35 2.28 2.44 2.74 2.22 2.58 2.62 2.06 2.26 2.38 2.33 2.52 1.98 2.50 2.38 Data uji 3.07 2.43 2.37 2.66 2.63 2.42 2.90 2.92 2.59 2.64 2.16 2.72 2.83 2.40 1.88 2.89 2.12 2.20 3.20 3.01 2.53 2.65 2.28 3.74 2.26 2.62 34 Lampiran 7 Tabel nilai MSE pada data screening ketiga Pengacakan Data 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 Rata-rata JST Data latih 0.35 0.45 0.48 0.61 0.66 0.47 0.64 0.67 0.54 0.46 0.44 0.71 0.52 0.54 0.66 0.66 0.36 0.52 0.60 0.68 0.50 0.60 0.59 0.68 0.56 0.56 Similarity Data uji 1.05 0.90 0.80 0.60 0.40 0.77 0.45 0.44 0.62 0.82 0.83 0.27 0.68 0.62 0.44 0.36 0.41 0.72 0.52 0.33 0.68 0.51 0.56 0.33 0.60 0.59 Data latih 0.36 0.46 0.49 0.67 0.66 0.48 0.65 0.68 0.54 0.46 0.44 0.72 0.55 0.55 0.66 0.67 0.67 0.52 0.60 0.69 0.50 0.61 0.60 0.68 0.57 0.58 Data uji 1.01 0.84 0.76 0.40 0.40 0.78 0.43 0.39 0.63 0.81 0.83 0.28 0.63 0.62 0.43 0.36 0.41 0.73 0.52 0.33 0.67 0.52 0.55 0.33 0.60 0.57 35 Lampiran 8 Data screening ketiga dengan pencilan > 1.96 x standar deviasi Nama data x genuk y genuk x WGS-84 y WGS-84 ∆x ∆y 105 / BMRD 129 /BMRD 157/JBR 184/JBR 202/JBR 268/JBR 277/BMGAS 278/BMGAS 279/BMGAS 280/BMGAS 282/BMGAS 292/BMGAS 293/BMGAS 295/BMGAS 297/BMGAS 341/BMGAS 344/BMGAS 401/BMGAS 405/BMGAS 49 /BMRD 55 / BMRD 62 /JBR 63 /JBR 65 /BMRD 65 /JBR 80 / BMRD 89 / BMRD 90 / BMRD 92 / BMRD BM 26 BM 27 BM 44 BM 49 BM.018 BM.02 BM.028 BM.029 BM.03 BM.08 BM.09 BM.10 734675.53 753374.49 810059.45 783808.65 781679.11 774932.81 776899.25 778040.11 775711.85 777648.69 779526.58 768453.32 767793.00 766153.94 764666.31 865222.99 865962.45 814082.14 809822.46 738586.65 755891.03 764321.03 766954.81 764138.79 764265.40 728362.16 728625.09 728132.03 727474.45 623432.20 623710.00 608664.50 644995.80 823061.29 810833.29 821623.60 820801.24 813244.55 822966.10 805831.36 806148.93 9331834.99 9321003.78 9287693.43 9310188.54 9307057.27 9314531.16 9313398.67 9313915.14 9313720.79 9309271.98 9312147.46 9305120.53 9306876.72 9311061.75 9307823.19 9250254.60 9254633.27 9290179.42 9294995.07 9329728.42 9318727.98 9327767.81 9329638.30 9317406.09 9325474.00 9320676.62 9323601.75 9324729.52 9327573.08 9296421.60 9284851.70 9281380.10 9294557.30 9279392.82 9286914.58 9272097.42 9273504.58 9286932.63 9281025.90 9294827.78 9294799.93 734869.42 753560.59 810255.38 784001.55 781867.82 775122.89 777087.91 778227.26 775899.10 777837.64 779717.62 768642.46 767986.95 766344.31 764852.57 865416.52 866156.49 814278.98 810015.50 738783.24 756077.42 764511.01 767143.78 764328.80 764451.96 728548.94 728810.17 728319.15 727664.00 623616.82 623907.79 608852.65 645192.15 823254.77 811026.55 821816.58 820993.76 813438.57 823159.58 806023.38 806340.92 9331796.06 9320957.61 9287733.55 9310145.63 9307013.89 9314484.08 9313357.10 9313871.97 9313680.31 9309229.39 9312103.15 9305075.96 9306830.95 9311017.00 9307774.70 9250211.98 9254589.36 9290129.45 9294957.19 9329685.33 9318685.46 9327723.88 9329597.58 9317358.02 9325435.69 9320631.32 9323557.31 9324687.24 9327534.98 9296384.65 9284808.91 9281336.51 9294520.59 9279349.34 9286870.07 9272052.95 9273459.87 9286886.83 9280981.66 9294784.30 9294756.44 193.89 186.10 195.93 192.90 188.71 190.08 188.66 187.15 187.25 188.95 191.04 189.14 193.95 190.37 186.26 193.53 194.04 196.84 193.04 196.59 186.39 189.98 188.97 190.01 186.56 186.78 185.08 187.12 189.55 184.62 197.79 188.15 196.35 193.48 193.26 192.98 192.52 194.02 193.49 192.02 191.99 38.93 46.17 40.12 42.91 43.38 47.09 41.57 43.17 40.48 42.59 44.32 44.57 45.77 44.75 48.49 42.62 43.91 49.97 37.89 43.10 42.52 43.94 40.72 48.07 38.31 45.30 44.44 42.28 38.11 36.95 42.79 43.59 36.71 43.48 44.51 44.47 44.72 45.80 44.25 43.48 43.49 BM.11 808644.78 9298797.58 808837.33 9298753.90 192.56 43.68 36 Lampiran 8 lanjutan Nama data x genuk y genuk x WGS-84 y WGS-84 ∆x ∆y BM.20 BM.20 BM.23 BM.25 BM.26 BM.26 BM.32 BM.33 BM.34 BM.39 BM.52 BM.53 BM.54 BM.66 BM.73 BM06 BM41 BM42 BMGAS 103 BMGAS 105 BMGAS 116 BMGAS 12 BMGAS 5 BMGAS 59 BMGAS 6 BMGAS 69 BMGAS 71 BMGAS 72 BMGAS 73 BMGAS 74 BMGAS 77 BMGAS 79 BMGAS 80 BMGAS 81 BMGAS 82 BMGAS 86 BMGAS 87 BMGAS 88 BMGAS 91 BMGAS 94 792637.21 797352.19 814723.11 795971.68 796042.84 810470.88 804358.16 806585.26 806424.08 810410.16 784083.32 786766.11 786634.00 785030.16 796789.90 796599.65 795957.64 795938.70 783640.50 789939.40 790374.90 827858.00 824063.00 774104.70 827062.00 759947.50 763476.70 763318.20 763077.90 759232.40 763039.70 762771.30 758244.70 756990.30 765217.60 760712.90 761179.90 759006.80 761670.20 764722.90 9297462.15 9277512.51 9273103.86 9293380.69 9293127.35 9281437.57 9280262.68 9287917.55 9287711.13 9281146.69 9293933.47 9292694.38 9292517.18 9286140.47 9283113.02 9277785.55 9281330.26 9281240.36 9280480.70 9279537.90 9286527.50 9292153.00 9293214.00 9299386.40 9294667.00 9304038.60 9303177.00 9299622.40 9296649.10 9302388.50 9298150.90 9304370.80 9303709.40 9302758.80 9296489.40 9299920.40 9301310.70 9301226.90 9303150.70 9298863.90 792828.75 797546.18 814914.49 796164.22 796234.83 810663.21 804556.55 806777.79 806616.67 810603.04 784275.58 786958.60 786826.45 785221.89 796982.90 796794.40 796152.00 796133.07 783830.31 790134.56 790568.59 828049.72 824254.28 774291.36 827256.28 760137.26 763665.62 763507.67 763263.51 759423.97 763225.82 762959.76 758440.99 757181.36 765409.46 760900.70 761368.16 759195.27 761857.48 764911.97 9297419.44 9277468.99 9273058.83 9293337.45 9293084.13 9281391.84 9280220.30 9287874.01 9287667.58 9281101.01 9293886.41 9292649.32 9292472.19 9286095.65 9283069.33 9277740.26 9281284.90 9281195.00 9280442.20 9279496.95 9286489.12 9292115.69 9293172.53 9299340.85 9294629.88 9303993.33 9303130.82 9299572.68 9296600.82 9302344.42 9298103.76 9304328.50 9303669.48 9302718.46 9296442.14 9299874.42 9301264.46 9301185.72 9303107.14 9298815.05 191.54 193.99 191.38 192.54 191.99 192.33 198.39 192.53 192.59 192.89 192.26 192.49 192.45 191.73 193.00 194.75 194.36 194.37 189.81 195.16 193.69 191.72 191.28 186.66 194.28 189.76 188.92 189.47 185.61 191.57 186.12 188.46 196.29 191.06 191.86 187.80 188.26 188.47 187.28 189.07 42.72 43.53 45.04 43.24 43.22 45.73 42.38 43.54 43.55 45.67 47.06 45.06 45.00 44.82 43.69 45.29 45.36 45.36 38.50 40.95 38.38 37.31 41.47 45.55 37.12 45.27 46.18 49.72 48.28 44.08 47.14 42.30 39.92 40.34 47.26 45.98 46.25 41.18 43.56 48.85 BMGAS 98 784370.80 9284131.60 784562.29 9284093.14 191.49 38.46 37 Lampiran 8 lanjutan Nama data x genuk y genuk x WGS-84 y WGS-84 ∆x ∆y BMGAS319 BMGAS321 BMGAS326 cl CL 11 CL 15 JBR 04 RD 29 RD 38 RD 60 T.138 T.147 T.180 T.206 T.3 T.353 T.367 T.37 T.372 T.38 T.387 T.44 T.48 T.49 T.50 T.80 TT.169 WNJ93-101 733688.20 739406.30 738295.00 785353.00 781009.00 782192.00 751602.60 761037.70 741348.60 766820.90 770806.10 763348.80 775087.62 781410.01 823447.13 809051.12 804423.16 826778.00 814759.60 824379.24 787567.78 833761.36 755246.60 751502.90 751716.01 745427.85 777571.61 823132.00 9295094.00 9294551.00 9293413.50 9296733.00 9311680.00 9307894.00 9298520.63 9320019.00 9328153.40 9320301.50 9297155.30 9300780.60 9314444.27 9306405.54 9299666.19 9271971.38 9279837.64 9282695.00 9288403.30 9278401.43 9294311.21 9273802.34 9321103.40 9322952.10 9326365.72 9325913.25 9306666.80 9301227.08 733878.64 739598.37 738488.34 785546.69 781199.78 782380.54 751797.21 761223.53 741540.03 767008.14 770996.95 763540.63 775276.86 781600.55 823639.77 809242.12 804616.95 826971.04 814951.59 824572.78 787756.70 833955.27 755433.86 751691.09 751909.48 745616.65 777762.88 823325.54 9295050.29 9294512.78 9293377.01 9296690.46 9311640.59 9307852.24 9298470.85 9319977.26 9328109.32 9320257.44 9297111.21 9300736.07 9314398.68 9306361.57 9299622.79 9271926.10 9279791.42 9282651.92 9288358.50 9278358.09 9294267.10 9273759.03 9321059.70 9322909.08 9326322.70 9325871.80 9306621.49 9301179.40 190.44 192.07 193.34 193.69 190.78 188.54 194.61 185.83 191.43 187.24 190.85 191.83 189.24 190.54 192.64 191.00 193.79 193.04 191.99 193.53 188.92 193.91 187.26 188.19 193.47 188.80 191.27 193.54 43.71 38.22 36.49 42.54 39.41 41.77 49.78 41.74 44.08 44.06 44.09 44.53 45.59 43.97 43.40 45.28 46.23 43.08 44.80 43.34 44.11 43.30 43.70 43.02 43.02 41.45 45.31 47.68 WNJ93-37 783799.97 9303999.69 783991.08 9303955.98 191.12 43.71 38 Lampiran 9 Tabel nilai MSE pada data akhir dengan pencilan > 1.96 x standar deviasi Pengacakan Data 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 Rata-rata JST Data latih Data uji 53.31 53.49 53.14 53.20 52.61 53.99 53.22 6.49 6.71 52.91 53.77 52.63 6.12 52.75 53.33 52.75 53.19 51.65 6.41 53.67 52.07 52.08 6.57 7.22 7.53 40.03 9.15 7.77 9.25 8.46 10.29 7.28 8.44 104.56 102.63 9.11 7.13 9.97 104.85 9.09 8.46 11.82 8.64 12.86 104.62 7.40 18.55 10.45 105.80 102.71 103.05 36.09 Similarity Data latih Data uji 54.48 54.74 53.47 53.84 53.49 55.07 53.67 7.42 7.96 53.94 54.48 53.54 7.19 53.18 54.01 53.29 54.24 51.78 7.72 54.34 52.11 52.52 7.73 7.57 7.76 40.78 8.43 7.09 10.29 8.76 10.12 7.02 9.27 104.73 102.17 8.64 7.65 10.31 104.36 10.31 9.16 11.03 8.44 14.06 103.42 8.20 19.58 11.64 104.41 103.92 104.29 36.29 ABSTRACT SUPRIYANTI. Coordinate Transformation Using Neural Network Resilient Back-propagation. Under the supervision of AZIZ KUSTIYO. Genuk datum, which is based on Bessel 1841 ellipsoid model, is a local datum used in Indonesia. On the other hand, World Geodetic System 1984 (WGS-84), a datum used in GPS measurement, is commonly used by the rest of the world. Therefore in order, to fully utilize WGS84, Genuk datum has to be transformed to WGS-84 datum. A model is needed to transform coordinates from Genuk datum into WGS-84 datum. This research discusses coordinate transformation using similarity transformation (4-parameter) and Resilient Back-propagation Neural Network. Similarity transformation is a traditional method for coordinate transformation. The Resilient Back-propagation Neural Network provides a new technology for coordinate transformation. Coordinate transformation in this research is conducted on West Java coordinate data. The data are split into two parts: a third are used as testing data and the rest are used as training data. The test results show that the coordinate transformation using Resilient Backpropagation Neural Network can be used as an alternative model to coordinate transform. Keyword: Coordinate Transformation, Genuk Datum, Neural Network, Resilient Backpropagation, WGS-84Datum` 1 PENDAHULUAN Latar Belakang Informasi lokasi ditentukan berdasarkan sistem koordinat yang mencakup dalam datum dan proyeksi peta. Datum adalah kumpulan parameter dan titik kontrol yang mendefinisikan ellipsoid referensi yang digunakan serta hubungan geometriknya diketahui, baik melalui pengukuran maupun penghitungan. Sistem proyeksi peta adalah sistem yang dirancang untuk merepresentasikan permukaan dari suatu bidang lengkung atau spheroid (misalnya bumi) pada suatu bidang datar (Puntodewo et al 2003). Indonesia memiliki beberapa datum sebagai sistem referensi pemetaan, yaitu datum Genuk, Indonesia Datum 1974, dan Datum Geodesi Nasional 1995 (DGN-95). Datum Genuk menggunakan model ellipsoid Bessel 1841 yang ditentukan menggunakan metode triangulasi. Indonesia Datum 1974 menggunakan ellipsoid referensi SNI (Sferoid Nasional Indonesia) dengan pengamatan menggunakan metode Doppler. Seiring dengan kemajuan teknologi satelit Global Positioning System (GPS), Indonesia menetapkan datum yang digunakan adalah DGN-95. Datum ini ditentukan menggunakan pengamatan GPS dan menggunakan ellipsoid referensi World Geodetic System 1984 (WGS84) (Handoko & Abidin 2002). Datum Genuk merupakan datum lokal yang digunakan di Indonesia dengan menggunakan model ellipsoid Bessel 1841 (Aji & Ristandi 2010). Datum World Geodetic System 1984 (WGS-84) merupakan datum yang digunakan pada sistem pengukuran GPS dan bersifat global. Oleh karena itu, agar dapat sepenuhnya memanfaatkan WGS-84, Indonesia yang masih menggunakan referensi ellipsoid Bessel 1841 (datum Genuk) perlu melakukan transformasi datum menjadi datum WGS-84. Berdasarkan Turgut (2010), negara-negara yang menggunakan datum yang berbeda sebagai basis koordinat harus melakukan transformasi datum menjadi datum WGS-84. Transformasi koordinat merupakan permasalahan yang banyak ditemui pada bidang geodesi, pemetaan, photogrammetry, teknik survey, dan Geoghraphical Information Science (Felus & Schaffrin 2005). Sebuah model diperlukan dalam melakukan proses transformasi. Transformasi koordinat menggunakan similarity transformation dan jaringan syaraf tiruan pernah dilakukan oleh Lao dan Yi (2006). Penelitian tersebut adalah A Study On Cadastral Coordinate Transformation Using Artificial Neural Network. Pada penelitian tersebut, dilakukan transformasi pada dua sistem koordinat casdatral yaitu TWD97 (Taiwan Datum 1997) dan TWD67 (Taiwan Datum 1967). Lao dan Yi membandingkan nilai standar deviasi yang diperoleh jaringan syaraf tiruan (JST) propagasi balik dan similarity transformation. Kinerja transformasi koordinat casdatral TWD67 menjadi TDW97 menggunakan JST propagasi balik lebih baik daripada similarity transformation 4-paremeter dan 6-parameter. Penelitian lain yang pernah dilakukan adalah Coordinate Transformation with Neural Networks and with Polynomials in Hungary (Zaletnyik 2004). Pada penelitian tersebut, dilakukan transformasi koordinat WGS-84 menjadi EOV (datum yang digunakan di Hungaria) menggunakan JST propagasi balik dan polinomial. Transformasi dengan menggunakan JST propagasi balik lebih efektif digunakan daripada polinomial apabila data yang digunakan berjumlah besar. Transformasi koordinat yang dilakukan pada penelitian ini adalah transformasi koordinat menggunakan model jaringan syaraf tiruan propagasi balik resilient pada data daerah Jawa bagian barat. Jaringan syaraf tiruan propagasi balik resilient (JSTPBR) adalah algoritme pelatihan JST yang baik dalam kecepatan konvergen dan tingkat akurasinya (Chien & Szu 2010). Algoritme JSTPBR berusaha untuk mengeliminasi besarnya efek dari turunan parsial dengan cara hanya menggunakan tanda turunannya saja dan mengabaikan besarnya nilai turunan (Kusumadewi 2004). Tujuan Penelitian Penelitian ini bertujuan membuat model jaringan syaraf tiruan propagasi balik resilient (JSTPBR) untuk transformasi data koordinat daerah Jawa bagian barat. Ruang Lingkup Penelitian Ruang lingkup dalam penelitian ini, yaitu: 1 Data yang akan ditransformasi merupakan data koordinat yang mengacu pada datum Genuk. 2 2 3 Data koordinat hasil transformasi merupakan data koordinat yang mengacu pada datum WGS -84. Data yang digunakan untuk penelitian merupakan data koordinat Jawa bagian barat yang tergabung ke dalam UTM 48S. TINJAUAN PUSTAKA Datum Genuk Datum Genuk merupakan datum lokal yang digunakan di Indonesia yang menggunakan model ellipsoid Bessel 1841 (Aji & Ristandi 2010). Datum Genuk disebut juga datum Batavia atau datum Jakarta yang merupakan datum untuk titik-titik triangulasi Sumatera, Jawa, Bali, Lombok, sampai Nusa Tenggara. Wilayah laut yang menggunakan datum Genuk ini adalah Sumatera, Jawa, Bali, sampai Nusa Tenggara. World Geodetic System 1984 (WGS-84) World Geodetic System 1984 (WGS-84) merupakan datum yang digunakan pada sistem pengukuran GPS (Turgut 2010). Ellipsoid referensi WGS-84 bersifat global sehingga dapat digunakan dalam konteks global seperti pengamatan gerakan lempeng (geodinamika), pengamatan bidang kelautan, dan penentuan batas negara di darat dan laut. Datum WGS-84 merupakan kerangka acuan yang digunakan oleh departemen pertahanan Amerika untuk semua pemetaan, charting, survei, dan kebutuhan navigasi. Datum Indonesia yang menggunakan ellipsoid referensi WGS-84 adalah DGN-95 (Handoko & Abidin 2002). Global Positioning System (GPS) Global Positioning System adalah sistem radio navigasi dan penentuan posisi dengan menggunakan satelit. Sistem ini didesain untuk memberikan posisi dan kecepatan tiga dimensi dan informasi mengenai waktu secara kontinu. Sistem GPS terdiri dari tiga segmen utama, yaitu: segmen angkasa (space segmen) yang terdiri dari satelit-satelit GPS, segmen sistem kontrol (control segment) yang terdiri atas stasiun-stasiun pemonitor dan pengontrol satelit, dan segmen pemakai (user segment) yang terdiri dari pemakai GPS termasuk alatalat penerima dan pengolah sinyal data GPS (Pratomo 2004). Global Positioning System (GPS) merupakan sistem yang biasa digunakan dalam Geodesi karena memberikan informasi mengenai waktu dan lokasi dengan tingkat akurasi yang tinggi sehingga banyak digunakan sebagai tehnik pemetaan. Datum WGS-84 merupakan datum yang digunakan pada sistem pengukuran GPS (Turgut 2010). Similarity Transformation Transformasi koordinat merupakan permasalahan yang banyak ditemui pada bidang geodesi, pemetaan, photogrammetry, teknik survey, dan Geoghraphical Information Science (Felus & Schaffrin 2005). Transformasi koordinat ini digunakan untuk mengonversi data spasial (peta, orthoimage, dan lainnya) dari satu sistem koordinat ke koordinat lainnya. Satu set titik kontrol yang digunakan untuk memperkirakan parameter transformasi diukur dalam dua sistem koordinat. Kebutuhan untuk mentransformasi data dari satu kerangka referensi geodetik menjadi kerangka referensi geodetik lainnya dapat diselesaikan dengan menerapkan transformasi koordinat (Mitsakaki 2004). Terdapat beberapa model transformasi koordinat, salah satunya transformasi 4 parameter, yaitu parameter skala K, rotasi , translasi ∆x0, dan translasi ∆y0. Similarity transformation 2D juga dikenal dengan transformasi Helmert, dengan rumus sebagai berikut: xt = ax0 – by0 + ∆x0 yt = ay0 + bx0 + ∆y0 Transformasi Helmert juga bisa dirumuskan dalam bentuk matriks sebagai berikut: [ ] [ [ ] [ ][ ] dengan a = K cos , [ ] ][ ] b = K sin , x0 dan y0 = x lama dan y lama, xt dan yt = x baru dan y baru. ∆x0 = Tx dan ∆y0 = Ty Minimal terdapat dua titik untuk menentukan nilai parameter. Namun, semakin banyak titik yang diukur dibutuhkan proses penyesuaian dalam menentukan parameter yang terbaik adalah dengan metode least square. Metode least square digunakan untuk mencari pendekatan kurva garis penduga yang paling sempurna dengan cara meminimalkan jumlah kuadrat selisih jarak tegak siku-siku 3 antara titik koordinat plot data asli dan titik koordinat pada kurva regresi untuk tiap pasangan x dan y. Similarity transformation dapat diselesaikan menggunakan metode least square dengan perhitungan sebagai berikut: [ ] [ Jaringan Syaraf Tiruan ] [ ] Sebuah jaringan syaraf tiruan (JST) adalah sebuah sistem pemrosesan informasi yang mempunyai karakteristik serupa dengan jaringan syaraf biologis (Fausett 1994). Jaringan syaraf tiruan merupakan generalisasi dari pemodelan matematis syaraf biologis, berdasarkan asumsi bahwa: 1 2 3 4 Nilai aktivasi y dari neuron Y ditentukan oleh fungsi aktivasi terhadap input yang diterimanya, y = f(y_in). Fungsi aktivasi merupakan fungsi yang menentukan level aktivasi, yakni keadaan internal sebuah neuron dalam jaringan. Output aktivasi ini biasanya dikirim sebagai sinyal ke semua neuron pada layer di atasnya. Jaringan Syaraf Tiruan Propagasi Balik Resilient (JSTPBR) Propagasi balik merupakan algoritme pembelajaran yang terawasi (supervised learning) dan biasanya digunakan oleh jaringan multilayer untuk mengubah bobotbobot yang terhubung dengan semua neuron pada hidden layer (Kusumadewi 2004). Jaringan propagasi balik memiliki karakteristik sebagai berikut: 1 Pengolahan informasi dilakukan oleh elemen-elemen sederhana yang disebut neuron. Sinyal-sinyal disampaikan antarneuron melalui suatu hubungan komunikasi. Setiap hubungan komunikasi memiliki bobot tertentu yang akan dikalikan dengan sinyal yang disampaikan melalui hubungan tersebut. Setiap neuron memiliki fungsi aktivasi yang akan menentukan sinyal output terhadap input yang diberikan kepadanya. Sebagai contoh, neuron Y diilustrasikan pada Gambar 1 menerima input dari neuron X1,. .., Xn. Bobot pada hubungan dari X1, …, dan Xn ke neuron Y adalah w1, …, wn. Input untuk neuron ke Y (y_in) adalah jumlah perkalian antara sinyal X1, …, Xn dengan bobotnya sebagai berikut : y_in = w1x1 + …. + wnxn =∑ Gambar 1 Model JST sederhana (Fausett 1994). Jaringan multilayer a Arsitektur yang digunakan adalah jaringan multilayer, yaitu satu input layer, satu output layer, dan satu atau lebih hidden layer. JST propagasi balik dengan satu hidden layer ditunjukkan oleh Gambar 2. Pada gambar tersebut, input layer ditunjukkan oleh unit-unit Xi, sementara output layer ditunjukkan oleh unit-unit Y. j Hidden layer ditunjukkan oleh unit-unit Z . k b Setiap neuron pada suatu layer dalam jaringan propagasi balik mendapat sinyal input dari semua neuron pada layer sebelumnya beserta satu sinyal bias. 2 Fungsi aktivasi Salah satu fungsi aktivasi yang digunakan adalah fungsi linear (identitas). Fungsi linear memiliki nilai yang sama dengan nilai inputnya. Grafik fungsi linear terdapat pada Gambar 2. Fungsi linear dirumuskan sebagai berikut: Gambar 2 Grafik fungsi linear. 4 Proses pelatihan jaringan propagasi balik melalui beberapa tahap, yaitu: 1 2 3 Feedforward Pada tahap ini, dilakukan penghitungan nilai aktivasi. Setiap neuron pada hidden layer dan output layer dihitung masingmasing nilai aktivasinya sesuai dengan fungsi aktivasi yang digunakan. Propagasi balik galat Setiap output neuron menghitung informasi galat antara nilai output yang dihasilkan dan nilai target. Informasi galat ini dikirimkan ke layer di bawahnya (propagasi balik galat). Penyesuaian bobot-bobot jaringan Setiap output neuron dan hidden neuron mengubah bias dan bobot-bobotnya sesuai dengan nilai galat. Model JST propagasi balik dengan satu hidden layer ditunjukkan pada Gambar 3. Sebelum proses pelatihan dilakukan, inisialisasi bobot awal merupakan satu hal yang perlu diperhatikan, mengingat nilai bobot awal sangat mempengaruhi kinerja akhir jaringan. Inisialisasi bobot awal dapat dilakukan menggunakan metode NguyenWidrow. 1 v01 1 w0n w0j v0p v0k v11 X1 Z1 v1k . . . v1p . . . vi1 vik Xi Zk vip . . . vm1 vmk Xm vmp input layer w01 . . . w11 w1j w1n wk1 wkj wkn wp1 Zp hidden layer wpj wpn Y1 . . . Yj . . . Yn output layer Gambar 3 Model JST propagasi balik. Metode Nguyen-Widrow akan menginisialisasi bobot-bobot jaringan dengan nilai antara -0.5 sampai 0.5, sedangkan bobotbobot dari input layer ke hidden layer dirancang sedemikian rupa sehingga dapat meningkatkan kemampuan hidden layer dalam melakukan proses pelatihan (Kusumadewi 2004). Metode NguyenWidrow dilakukan dengan menentukan terlebih dahulu faktor pengali (β) yang didefinisikan sebagai berikut: dengan n: jumlah unit input ⁄ p: jumlah unit hidden kemudian inisialisasikan bobot-bobot dari input layer ke hidden layer ‖ ‖ dengan V (old) = nilai acak antara -0.5 sampai ik 0.5, i = 1, 2, ..., m, k = 1, 2, ..., p, di sisi lain, bobot bias (V ) diinisialisasi 0k antara nilai –β sampai dengan β. Jaringan syaraf tiruan propagasi balik resilient adalah algoritme yang baik dalam kecepatan konvergen dan tingkat akurasinya (Chien & Szu 2010). Algoritme ini berusaha untuk mengeliminasi besarnya efek dari turunan parsial dengan cara hanya menggunakan tanda turunannya saja dan mengabaikan besarnya nilai turunan. Tanda turunan ini akan menentukan arah perbaikan bobot-bobot. Besarnya perubahan setiap bobot ditentukan oleh suatu faktor yang diatur pada parameter yang disebut Faktor Naik (FN) atau Faktor Turun (FT). Apabila gradien fungsi error berubah tanda dari satu iterasi ke iterasi berikutnya, bobot akan berkurang sebesar FT. Sebaliknya, apabila gradien error tidak berubah tanda dari satu iterasi ke iterasi berikutnya, bobot akan bertambah sebesar FN. Apabila gradien error sama dengan 0, perubahan bobot sama dengan perubahan bobot sebelumnya (Kusumadewi 2004). Pada awal iterasi, besarnya perubahan bobot diinisialisasikan dengan parameter delta0. Besarnya perubahan tidak boleh melebihi batas maksimum yang terdapat pada parameter deltamax. Apabila perubahan bobot melebihi maksimum perubahan bobot, maka perubahan bobot akan di-set sama dengan maksimum perubahan bobot. Algoritme JSTPBR dapat dilihat pada Lampiran 1. Mean Square Error (MSE) MSE merupakan salah satu cara untuk menghitung kesalahan dalam peramalan. Nilai MSE dihitung dengan cara mengkuadratkan hasil kesalahan peramalan. Nilai MSE 5 memiliki beberapa kelebihan diantaranya proses perhitungannya yang sederhana dan proses komputasinya mudah. Selain itu, perhitungan MSE juga hanya membutuhkan memori yang sedikit, bisa mengevaluasi setiap sampel, dan antara sampel tidak saling tergantung satu sama lainnya (Wang & Bovik 2009). Rumus perhitungan MSE dapat dilihat sebagai berikut: Nilai x merupakan derajat bujur dan y derajat lintang. Mulai Studi Pustaka Pengambilan Data ∑ dengan n = jumlah titik, Pemilihan Data T = nilai aktual, F = nilai prediksi, hasil dikatakan baik ketika nilai MSE mendekati 0. Data latih Data uji METODE PENELITIAN Pada penelitian ini, dilakukan dua kali percobaan, yaitu percobaan menggunakan similarity transformation dan JSTPBR. Setiap percobaan dilakukan 25 kali pengulangan masing-masing. Penelitian dimulai dengan melakukan studi pustaka yang dilanjutkan dengan pengambilan data berupa data koordinat. Setelah itu, dilakukan pemilihan pada data agar hasil yang diperoleh baik. Data yang telah dilakukan pemilihan kemudian dibagi menjadi dua, yaitu data latih dan data uji. Pada data latih, ditentukan nilai parameter menggunakan metode similarity transformation. Pada data latih, juga dilakukan pelatihan menggunakan JSTPBR. Data uji digunakan untuk menguji pelatihan JST sedangkan pada similarity transformation data uji juga digunakan untuk menguji nilai parameter yang telah diperoleh data latih. Berdasarkan pengujian JSTPBR dan pengujian parameter similarity transformation, diperoleh nilai MSE masingmasing. Langkah terakhir yang dilakukan adalah analisis hasil dengan meilhat nilai MSE sebagai evaluasi apakah hasil yang diperoleh sudah baik. Alur metode penelitian dapat dilihat pada Gambar 4. Pengambilan Data Data yang digunakan berupa data koordinat daerah Jawa bagian barat. Data terdiri atas dua buah koordinat, yaitu x dan y. Similarity transformation Pelatihan JSTPBR Pengujian parameter Pengujian JSTPBR tidak MSE optimal? ya Analisis Hasil Selesai Gambar 4 Alur metode penelitian. Pemilihan Data Pemilihan data dilakukan sebelum data dibagi menjadi data latih dan data uji. Hal ini dilakukan untuk menghilangkan kesalahan blunder yang ada pada data. Kesalahan ini biasanya terjadi karena kecerobohan pada saat pengamatan misalnya kesalahan dalam membaca alat ukur atau kesalahan dalam pencatatan hasil. 6 Proses pemilihan data dilakukan menggunakan distribusi Gaussian. Pembuangan pencilan dilakukan dengan melihat standar deviasi dari selisih data lama dan baru. Perhitungan adalah sebagai berikut: | | | | ∑ ∑ √ dengan 1 1 z1 x0 x1 z2 y1 y0 ̅̅̅̅ ∑ √ zn ̅̅̅̅ ∑ Gambar 5 Arsitektur JST. = standar deviasi , Pelatihan dilakukan dengan struktur yang ditunjukkan pada Tabel 1. = standar deviasi , Tabel 1 Karakter JST ̅̅̅̅ = rata-rata dari , ̅̅̅̅ = rata-rata dari . Selanjutnya, dilakukan proses seleksi data. Data yang tergolong dalam pencilan tidak digunakan (dibuang). Proses pemilihan pencilan dilakukan dengan cara sebagai berikut: | | Data Latih dan Data Uji ̅̅̅̅ | ̅̅̅̅| Setelah dilakukan praproses pada data, dilakukan pembagian data, yaitu data latih dan data uji. Data dibagi menjadi 66.67% untuk data latih dan 33.33% untuk data uji sehingga terdapat 50 data latih dan 25 data uji. Data dipresentasikan kedalam matriks. Ukuran matriks untuk data latih yaitu 50 x 2, 50 merupakan jumlah data dan 2 merupakan jumlah koordinat yaitu koordinat x dan y. Pada data uji, matriks berukuran 25 x 2, 25 merupakan jumlah data dan 2 merupakan jumlah koordinat. Pelatihan dengan JSTPBR Tahap selanjutnya yaitu melakukan pelatihan JSTPBR pada data latih. Sebelum melakukan pelatihan, terlebih dahulu ditentukan arsitektur JSTPBR yang terdiri dari 2 neuron input, 1 hidden layer, dan 2 neuron output. Neuron input berupa xgenuk dan ygenuk, neuron output berupa xWGS-84 dan yWGS-84. Arsitektur JST dapat dilihat pada Gambar 5. Karakteristik Spesifikasi Arsitektur 1 hidden layer Neuron input 2 Hidden neuron 1, 2, 5, 10, 20 Output neuron 2 Inisialisasi bobot Nguyen-Widrow Fungsi aktivasi Fungsi identitas Learning rate 0.01 delta0 0.07 deltamax 50 Toleransi galat 10-3 Faktor Naik 1.2 Faktor Turun 0.5 Maksimum epoh 1000 Pengujian dengan Menggunakan JSTPBR Setelah dilakukan pelatihan, dilakukan pengujian pada data latih dan data uji. Hasil pelatihan berupa nilai MSE dari masingmasing data. Semakin kecil nilai MSE maka hasil yang diperoleh pun semakin baik. Rumus perhitungan MSE dapat dilihat sebagai berikut: ∑ dengan n jumlah titik, T nilai aktual, F nilai prediksi, hasil dikatakan baik ketika nilai MSE mendekati 0. 7 Parameter Similarity Transformation Data latih dan data uji yang telah dipilih ditranformasi menggunakan similarity transformation. Berdasarkan hasil transformasi, dapat ditentukan MSE dari masing-masing data. Nilai MSE ini akan digunakan untuk menentukan kinerja dari transformasi menggunakan JSTPBR. Sebelum menentukan nilai MSE yang harus dilakukan adalah menentukan nilai 4-parameter, yaitu parameter skala K, rotasi , translasi ∆x0, dan translasi ∆y0. Similarity transformation 2D juga dikenal dengan transformasi Helmert, dengan rumus sebagai berikut: x2 = ax1 – by1 + ∆x0 y2 = ay1 + bx1 + ∆y0 dengan a = K cos , b = K sin , ∆x0 = Tx dan ∆y0 = Ty. Penentuan parameter similarity transformation menggunakan metode least square dengan perhitungan sebagai berikut: transformation dan JSTPBR. Kinerja JSTPBR dikatakan baik ketika nilai MSE yang diperoleh lebih kecil dari metode similarity transformation dan mendekati 0. HASIL DAN PEMBAHASAN Karakteristik Data Data koordinat yang digunakan merupakan titik sekutu daerah Jawa bagian barat dengan jumlah data awal sebanyak 177 data. Data awal dapat dilihat pada Lampiran 2. Pada percobaan ini, dilakukan perhitungan nilai MSE pada data awal dan data yang telah dipilih (screening) untuk mengetahui kondisi yang memiliki kinerja yang baik. Data awal memiliki nilai standar deviasi , standar deviasi , rata-rata , dan rata-rata yang dapat dilihat pada Tabel 2. Tabel 2 Hasil pengolahan data awal Keterangan [ Formula menjadi: ] [ tersebut dapat ] [ ] disederhanakan Berdasarakan formula yang disederhanakan diperoleh nilai X yaitu: Pada penelitian ini, dilakukan pengujian parameter yang telah diperoleh pada similarity transformation. Parameter yang telah diperoleh pada data latih akan digunakan pada data latih dan data uji untuk menentukan hasil transformasi dan nilai MSE dari data latih dan data uji. Nilai MSE yang diperoleh akan digunakan sebagai tingkat kesalahan pada similarity transformation. Rumus perhitungan MSE dapat dilihat sebagai berikut: ∑ dengan n jumlah titik, F nilai prediksi. Nilai Standar deviasi 25.20 Standar deviasi 9.39 Rata-rata 182.22 Rata-rata 44.29 Berdasarkan Tabel 2, dapat diketahui penyebaran atau variasi dari data awal. Plot data awal dapat dilihat pada Gambar 6. Y x 105 93.5 93.4 93.3 93.2 93.1 93.0 92.9 92.8 92.7 92.6 92.5 92.4 5.5 6.5 7.5 8.5 9.5 x 10 5 X Gambar 6 Plot data awal. T nilai aktual, dan Analisis Hasil Pada tahap ini, dilakukan analisis hasil dengan cara melakukan perbandingan antara hasil yang diperoleh dengan metode similarity Data awal ini dibagi menjadi data latih dan data uji untuk mengetahui kinerja dari metode similarity transformation dan JSTPBR. Nilai MSE merupakan cara untuk mengetahui kinerja kedua metode tersebut. Tabel 3 merupakan nilai MSE data awal. 8 Tabel 5 Nilai MSE data screening pertama Tabel 3 Nilai MSE data awal Metode Data latih Data uji Metode Data latih Data uji Similarity 128.81 55.59 Similarity 55.33 12.17 JSTPBR 125.59 57.00 JSTPBR 54.35 11.34 Berdasarkan Tabel 3, diketahui bahwa nilai MSE yang diperoleh sangat besar. Nilai MSE yang diperoleh menggambarkan kinerja dari sistem tersebut. Oleh karena itu, perlu dilakukan pemilihan pada data. Pemilihan data dilakukan menggunakan distribusi Gaussian. Terdapat 132 data yang diperoleh setelah pemilihan (screening) pertama yang memiliki nilai standar deviasi , standar deviasi , rata-rata , dan rata-rata yang dapat dilihat pada Tabel 4. Data screening pertama dapat dilihat pada Lampiran 3. Hasil pengolahan data screening pertama Tabel 4 Keterangan Berdasarkan Tabel 5, diketahui bahwa nilai MSE yang diperoleh lebih baik dibandingkan data awal, tetapi nilai MSE ini masih cukup besar. Oleh karena itu, perlu dilakukan pemilihan ulang pada data screening pertama. Terdapat 75 data yang diperoleh setelah pemilihan ulang pada data screening pertama dengan nilai standar deviasi , standar deviasi , rata-rata , dan rata-rata yang dapat dilihat pada Tabel 6. Data screening kedua dapat dilihat pada Lampiran 4. Hasil pengolahan data screening kedua Tabel 6 Nilai Keterangan Nilai Standar deviasi 4.47 Standar deviasi 2.25 Standar deviasi 3.46 Standar deviasi 1.41 Rata-rata 191.43 Rata-rata 191.22 Rata-rata 43.55 Rata-rata 43.80 Berdasarkan Tabel 4, dapat diketahui penyebaran atau variasi dari data screening pertama. Plot data screening kedua dapat dilihat pada Gambar 7. Y x 105 93.4 93.3 93.2 93.1 93.0 92.9 92.8 92.7 92.6 92.5 92.4 5.5 6.5 7.5 X 8.5 9.5 x105 Berdasarkan Tabel 6, dapat diketahui penyebaran atau variasi dari data screening kedua. Plot data screening kedua dapat dilihat pada Gambar 8. Y x 105 93.4 93.3 93.2 93.1 93.0 92.9 92.8 92.7 92.6 92.5 92.4 5.5 6.5 7.5 X 8.5 9.5 x105 Gambar 7 Plot data screening pertama. Gambar 8 Plot data screening kedua. Data screening pertama ini dibagi menjadi data latih dan data uji untuk mengetahui kinerja dari metode similarity transformation dan JSTPBR. Nilai MSE merupakan cara untuk mengetahui kinerja kedua metode tersebut. Tabel 5 merupakan nilai MSE data screening pertama. Data screening kedua ini dibagi menjadi data latih dan data uji untuk mengetahui kinerja dari metode similarity transformation dan JSTPBR. Nilai MSE merupakan cara untuk mengetahui kinerja kedua metode tersebut. Tabel 7 merupakan nilai MSE data screening kedua. 9 Tabel 7 Nilai MSE data screening kedua Metode Data latih Tabel 9 Nilai MSE data screening ketiga Data uji Metode Data latih Data uji Similarity 2.38 2.62 Similarity 0.58 0.57 JSTPBR 2.15 2.44 JSTPBR 0.56 0.59 Berdasarkan Tabel 7, diketahui bahwa nilai MSE yang diperoleh lebih baik dibandingkan data awal dan data screening pertama, tetapi nilai MSE ini masih belum cukup baik. Oleh karena itu, perlu dilakukan pemilihan ulang pada data screening kedua. Terdapat 32 data yang diperoleh setelah pemilihan ulang pada data screening kedua dengan nilai standar deviasi , standar deviasi , rata-rata , dan rata-rata yang dapat dilihat pada Tabel 8 dan plot data dapat dilihat pada Gambar 9. Data screening ketiga dapat dilihat pada Lampiran 5. Hasil pengolahan data screening ketiga Tabel 8 Keterangan Nilai Standar deviasi 1.03 Standar deviasi 1.97 Rata-rata 191.87 Rata-rata 43.97 Berdasarkan Tabel 8, dapat diketahui penyebaran atau variasi dari data screening ketiga. Plot data screening ketiga dapat dilihat pada Gambar 9. Berdasarkan Tabel 9, diketahui bahwa nilai MSE yang diperoleh lebih baik dibandingkan data awal, data screening pertama, dan data screening kedua. Oleh karena itu, tidak perlu dilakukan pemilihan ulang pada data screening ketiga. Berdasarkan beberapa kali pemililihan data (screening), diperoleh hubungan antara standar deviasi dan dengan nilai MSE. Hal ini dapat dilihat dengan semakin kecil standar deviasi dan , semakin kecil pula nilai MSE yang diperoleh. Oleh karena itu, diketahui bahwa data yang memenuhi syarat untuk ditransformasi merupakan data dengan standar deviasi dan ≤ 2. Batas standar deviasi data yang diperoleh akan digunakan dalam sistem pada tahapan pemilihan data. Alur pemilihan data yang digunakan oleh sistem dapat dilihat pada Gambar 10. Data tidak Hitung , , ̅̅̅̅, ̅̅̅̅, stdev , stdev Buang pencilan Y x 105 93.4 93.3 stdev stdev 93.2 & ≤2 93.1 93.0 ya 92.9 92.8 Selesai 92.7 92.6 5.5 6.5 7.5 8.5 x105 X Gambar 9 Plot data screening ketiga. Data screening ketiga ini dibagi menjadi data latih dan data uji untuk mengetahui kinerja dari metode similarity transformation dan JSTPBR. Kinerja dari kedua metode tersebut dapat diketahui dengan menghitung nilai MSE. Tabel 9 merupakan nilai MSE data screening ketiga. Gambar 10 Alur pemilihan data. Pada penelitian ini, data yang digunakan adalah data screening kedua dan firlter ketiga. Berdasarkan hasil yang didapatkan pada data screening kedua dan screening ketiga, nilai MSE sangat tidak seimbang. Hal ini dapat terjadi karena pemilihan data dan pembuangan pencilan. Pemilihan data juga dipengaruhi oleh rentang nilai dan . Perbandingan rentang nilai dan pada data screening kedua dan screening ketiga dapat dilihat pada Gambar 11 dan Gambar 12. 10 Hidden neuron optimal yang diperoleh pada percobaan akan digunakan untuk percobaan berikutnya sehingga akan diperoleh model JST yang baik dan maksimal. Percobaan dilakukan dengan jumlah hidden neuron 1, 2, 5, dan 10 dengan masing-masing dilakukan 5 kali pengulangan. Data yang digunakan untuk menentukan jumlah hidden neuron yang optimal adalah data screening ketiga. Berdasarkan percobaan jumlah hidden neuron yang optimal adalah 2 dengan MSE data uji 0.56 dan MSE data latih 0.59. 49 47 ∆y 45 43 41 39 37 35 186 188 190 ∆x 192 Gambar 11 Rentang nilai dan data screening kedua. 194 196 pada Berdasarkan Gambar 11, dapat diketahui bahwa rentang nilai berada antara 186196, sedangkan rentang nilai berada antara 39-47. Hal ini menghasilkan rata-rata 191.22, rata-rata 43.80, standar deviasi 2.25, dan standar deviasi 1.42. 49 47 pada Pada penelitian ini, ditentukan terlebih dahulu 4 parameter yang memengaruhi transformasi pada data latih, yaitu parameter skala K, rotasi , translasi ∆x0, dan translasi ∆y0. Parameter yang diperoleh digunakan untuk pengujian parameter pada data latih dan data uji dengan menentukan nilai MSE masing-masingnya. Parameter dan nilai MSE dari data uji pada data screening ketiga yang diambil 5 dari 25 kali percobaan yang dapat dilihat pada Tabel 10. Tabel 10 Nilai parameter dan nilai MSE dari data latih dan data uji menggunakan similarity transformation 45 ∆y Menentukan Nilai Parameter Similarity Ttransformation 43 41 39 Tx Ty MSE data uji 1.08E-05 275.04 -255.05 0.57 1.00 1.14E-05 280.25 -260.95 0.76 3 1.00 6.46E-06 237.64 -214.84 0.39 4 1.00 2.26E-06 198.99 -209.37 0.46 5 1.00 6.34E-06 233.91 -247.71 0.48 Data a 1 1.00 2 b 37 35 184 189 ∆x 194 Gambar 12 Rentang nilai dan data screening ketiga. 199 pada Berdasarkan Gambar 12, dapat diketahui bahwa rentang nilai berada antara 188194, sedangkan rentang nilai berada antara 41-45. Hal ini menghasilkan rata-rata 191.87, rata-rata 43.97, standar deviasi 1.03, dan standar deviasi 0.68. Oleh karena itu, standar deviasi dan yang diperoleh pada data screening kedua dan screening ketiga dapat mempengaruhi nilai MSE. Semakin kecil standar deviasi suatu data, kemungkinan terdapatnya kesalahan semakin kecil pula. Menentukan Hidden Neuron JST yang Optimal Pada penelitian ini, dilakukan percobaan kombinasi perubahan hidden neuron JSTPBR. dengan a = K cos , b = K sin , ∆x0 = Tx dan ∆y0 = Ty. Berdasarkan Tabel 10, diketahui bahwa nilai pada setiap data sama. Nilai MSE yang diperoleh berbanding lurus dengan nilai Tx dan berbanding terbalik dengan Ty, ketika nilai MSE yang diperoleh baik maka nilai Tx semakin kecil dan Ty semakin besar. Perbandingan Nilai Transformation dan Screening Kedua MSE Similarity JSTPBR Data Pada penelitian ini, dilakukan perhitungan nilai MSE pada data screening kedua. Perhitungan dilakukan dengan cara mengambil data secara acak masing-masing 11 sebanyak 25 kali. Nilai MSE diperoleh menggunakan JSTPBR dan similarity transformation. Perbandingan nilai MSE similarity transformation dan JSTPBR dapat dilihat pada Gambar 13 dan Gambar 14. Data nilai MSE pada data screening kedua dapat dilihat pada Lampiran 6. Berdasarkan Gambar 13 dan Gambar 14, diketahui bahwa MSE yang dihasilkan oleh data screening kedua tidak stabil. Nilai MSE tidak stabil karena ketika MSE data latih kecil maka MSE data uji akan sangat besar. Hal ini tidak hanya terjadi pada JSTPBR, tetapi juga pada similarity transformation. Berdasarkan Gambar 13, dapat dilihat bahwa nilai MSE data latih yang diperoleh dari similarity transformation dan JSTPBR telah mendekati pada masing-masing data yang diacak. Namun, nilai MSE yang dihasilkan tidak stabil karena pada jumlah data yang sama perbedaan nilai MSE yang diperoleh masing-masing berbeda. 4.00 3.50 Nilai MSE 3.00 2.50 2.00 1.50 1.00 0.50 0.00 Pengacakan Data JST Data latih Similarity Data latih Gambar 13 Perbandingan nilai MSE data latih menggunakan similarity transformation dan JST pada data screening kedua. 4.00 3.50 Nilai MSE 3.00 2.50 2.00 1.50 1.00 0.50 0.00 Pengacakan Data JST Data uji Similarity Data uji Gambar 14 Perbandingan nilai MSE data uji menggunakan similarity transformation dan JST pada data screening kedua. 12 Sama halnya dengan nilai MSE yang diperoleh pada data latih yang terlihat pada Gambar 14, nilai MSE yang dihasilkan pada data uji juga tidak stabil atau tidak membentuk pola. Hal ini disebabkan oleh standar deviasi dan yang cukup besar yaitu 2.25 dan 1.42. Perbandingan Nilai Transformation dan Screening Ketiga MSE Similarity JSTPBR Data Pada penelitian ini, juga dilakukan perhitungan nilai MSE pada data screening ketiga. Perhitungan dilakukan dengan cara mengambil data secara acak masing-masing sebanyak 25 kali. Nilai MSE diperoleh dengan menggunakan JSTPBR dan similarity transformation. Perbandingan nilai MSE similarity transformation dan JSTPBR untuk data latih data data uji pada data screening ketiga dapat dilihat pada Gambar 15 dan Gambar 16. Nilai MSE pada data screening ketiga dapat dilihat pada Lampiran 7. Berdasarkan Gambar 15 dan Gambar 16, diketahui bahwa MSE yang dihasilkan oleh data screening ketiga stabil. Nilai MSE dikatakan stabil karena MSE data latih dan data uji mendekati sama. Hal ini tidak hanya terjadi pada JSTPBR, tetapi juga pada similarity transformation menghasilkan nilai yang serupa. Berdasarkan Gambar 15, dapat dilihat bahwa nilai MSE data latih yang diperoleh dari similarity transformation dan JSTPBR telah mendekati pada masing-masing data yang diacak. Nilai MSE yang dihasilkan stabil karena pada jumlah data yang sama perbedaan nilai MSE yang diperoleh tidak jauh berbeda. Sesuai dengan nilai MSE yang dihasilkan pada data latih, nilai MSE pada data uji yang ada pada Gambar 16 cenderung stabil. Hal ini disebabkan pola data yang digunakan memiliki standar deviasi dan yang cukup baik yaitu 1.03 dan 0.68. Nilai MSE yang diperoleh pada data screening ketiga menggunakan similarity transformation lebih baik dibandingkan menggunakan JSTPBR. Hal ini sama dengan penelitian yang dilakukan oleh Zaletnyik (2004), bahwa JST propagasi balik lebih efektif digunakan pada jumlah data yang lebih besar. Selain itu, penggunaan JST propagasi balik harus lebih baik, karena JST bekerja berdasarkan pola yang terbentuk pada input. Hasil percobaan ini juga sama halnya dengan penelitian yang dilakukan oleh Lao dan Yi (2006). Penelitian tersebut menyatakan bahwa kinerja transformasi koordinat menggunakan jaringan syaraf tiruan propagasi balik akan lebih baik hasilnya dibandingkan similarity transformation 4-parameter dan 6parameter ketika data yang digunakan berjumlah banyak. Pada penelitian tersebut, yang merupakan parameter kebaikan dari kinerja transformasi adalah nilai dari standar deviasi ∆x dan standar deviasi ∆y. 2.00 Nilai MSE 1.50 1.00 0.50 0.00 Pengacakan Data JST Data latih Similarity Data latih Gambar 15 Perbandingan nilai MSE data latih menggunakan similarity transformation dan JST pada data screening ketiga. 13 2.00 Nilai MSE 1.50 1.00 0.50 0.00 Pengacakan Data JST Data uji Similarity Data uji Gambar 16 Perbandingan nilai MSE data uji menggunakan similarity transformation dan JST pada data screening ketiga. Berdasarkan percobaan ini, diketahui bahwa untuk data dengan jumlah yang sedikit dapat diselesaikan secara langsung menggunakan metode tradisional (similarity transformation). Namun, untuk jumlah data yang besar lebih baik menggunakan JSTPBR karena akan menghemat waktu dan memperoleh hasil yang lebih baik dibandingkan menggunakan similarity transformation. Pemilihan data dilakukan sebanyak tiga kali. Masing-masing hasil pemilihan data memiliki jumlah data, standar deviasi , standar deviasi , rata-rata , dan rata-rata yang dapat dilihat pada Tabel 11. Tabel 11 Keterangan Hasil pengolahan data dengan pencilan > 1.96 x standar deviasi Screening pertama Screening kedua Screening ketiga Nilai MSE pada Pemilihan Data dengan Pencilan > 1.96 x Standar Deviasi Standar deviasi 12.12 8.43 5.69 Berdasarkan kurva sebaran normal atau baku, untuk menghilangkan data sebesar 2.5% dari data terbesar dan 2.5% data terkecil maka digunakan nilai z sebesar 1.96 (Walpole 1995). Oleh karena itu, proses pemilihan pencilan dapat dilakukan dengan cara sebagai berikut: Standar deviasi 9.54 6.95 5.80 191.68 191.33 191.17 ̅̅̅̅ | | dengan | ̅̅̅̅| = standar deviasi , = standar deviasi , ̅̅̅̅ = rata-rata dari ̅̅̅̅ = rata-rata dari | | , , |, |. Rata-rata Rata-rata Jumlah data 43.05 43.33 43.47 148.00 132.00 112.00 Pada penelitian ini, dilakukan perhitungan nilai MSE pada data screening ketiga. Perhitungan dilakukan dengan cara mengambil data secara acak masing-masing sebanyak 25 kali. Nilai MSE diperoleh dengan menggunakan JSTPBR dan similarity transformation. Perbandingan nilai MSE similarity transformation dan JSTPBR dapat dilihat pada Gambar 17 dan Gambar 18. Data screening ketiga dengan pencilan > 1.96 x standar deviasi dan nilai MSE pada data akhir terdapat pada Lampiran 8 dan Lampiran 9. 14 60.00 50.00 Nilai MSE 40.00 30.00 20.00 10.00 0.00 Pengacakan Data JST Data latih Similarity Data latih Gambar 17 Nilai MSE data latih pada data screening ketiga dengan pencilan > 1.96 x standar deviasi 120.00 100.00 Nilai MSE 80.00 60.00 40.00 20.00 0.00 Pengacakan Data JST Data uji Similarity Data uji Gambar 18 Nilai MSE data uji pada data screening ketiga dengan pencilan > 1.96 x standar deviasi pola karena pada jumlah data yang sama Berdasarkan Gambar 17 dan Gambar 18 perbedaan nilai MSE yang diperoleh masingdiketahui bahwa MSE yang dihasilkan tidak masing berbeda. Sama halnya dengan MSE stabil. Nilai MSE tidak stabil karena ketika yang diperoleh pada data latih, terlihat pada MSE data latih kecil maka MSE data uji akan Gambar 18 MSE yang dihasilkan pada data uji sangat besar. Hal ini tidak hanya terjadi pada juga tidak stabil. JSTPBR, tetapi juga pada similarity transformation. Perbandingan Nilai MSE Data Screening Ketiga dengan Pencilan > 1 x Standar Berdasarkan Gambar 17, dapat dilihat Deviasi dan Pencilan > 1.96 x Standar bahwa nilai MSE data latih yang diperoleh Deviasi dari similarity transformation dan JSTPBR Berdasarkan Gambar 16 dan Gambar 18, telah mendekati pada masing-masing data diketahui bahwa nilai MSE untuk data yang diacak. Namun, nilai MSE yang screening ketiga dengan pencilan > 1 x dihasilkan tidak stabil atau tidak membentuk 15 standar deviasi lebih baik dibandingkan dengan pencilan > 1.96 x standar deviasi. Hal ini dapat dilihat dari jumlah data, standar deviasi , standar deviasi , rata-rata , rata-rata , rata-rata nilai MSE JST, dan rata-rata nilai MSE similarity pada Tabel 12. daerah Jawa bagian. Nilai MSE yang baik dihasilkan pada screening ketiga dengan ratarata MSE data uji JSTPBR 0.59 dan similarity transformation 0.56. Algoritme JSTPBR lebih efektif digunakan pada jumlah data yang lebih besar dibandingkan similarity transformation. Hasil pengolahan data screening ketiga dengan pencilan > 1 x standar deviasi dan pencilan > 1.96 x standar deviasi Nilai MSE untuk data screening ketiga dengan pencilan lebih dari satu kali standar deviasi lebih baik dibandingkan dengan pencilan 1.96 kali standar deviasi. Nilai ratarata MSE yang diperoleh pada data screening ketiga dengan pencilan lebih dari 1.96 kali standar deviasi untuk data uji JSTPBR adalah 36.09 dan similarity transformation adalah 36.29. Tabel 12 Screening ketiga dengan pencilan > 1 x standar deviasi Screening ketiga dengan pencilan > 1.96 x standar deviasi Standar deviasi 1.75 12.12 Standar deviasi 1.27 9.54 Rata-rata 191.61 191.68 Rata-rata 43.86 43.05 Jumlah data 32.00 112.00 Rata-rata MSE JSTPBR 0.59 42.89 Rata-rata MSE similarity 0.57 43.98 Keterangan Berdasarkan Tabel 12, diketahui bahwa data yang diperoleh dengan pencilan > 1 x standar deviasi lebih sedikit dibandingkan dengan pencilan > 1.96 x standar deviasi. Hal ini terjadi karena data dengan pencilan > 1 x standar deviasi data yang dihilangkan sebesar 16% dari data terbesar dan 16 dari data terkecil sehingga data yang digunakan hanya 68%. Pada data screening ketiga dengan pencilan > 1.96 x standar deviasi masih terdapat beberapa pencilan. Pencilan yang masih terdapat pada data screening ketiga dengan pencilan > 1.96 x standar deviasi dapat dieliminasi pada data screening ketiga dengan pencilan > 1 x standar deviasi. Saran Penelitian ini masih dapat dikembangkan untuk menciptakan sistem baru yang lebih baik. Saran-saran bagi penelitian lebih lanjut antara lain: 1 Sebaiknya menggunakan data yang lebih banyak sehingga jika dilakukan screening masih tersedia banyak data. 2 Percobaan dilakukan dengan menggunakan metode pemilihan data yang lain seperti selang quartil, t-student dan lain sebagainya. DAFTAR PUSTAKA Aji HS, Ristandi E. 2010. Old Wells Repositioning. Di dalam: Facing the Challenges – Building the Capacity. FIG Congress 2010, 11-16 Apr. Sydney. Australia. FS 3C. Chien SC, Szu LS. 2010. Resilient Backpropagation Neural Network for Approximation 2-D GDOP. Proceedings of the International MultiConference of Engineers and Computer Scientists 2010; Hong Kong, Vol II, 17-19 Mar 2010. Hong Kong. IMECS. Hlm 900-904. Fausett L. 1994. Fundamentals of Neural Networks. New Jersey:Prentice-Hall. KESIMPULAN DAN SARAN Kesimpulan Berdasarkan hasil yang diperoleh dari percobaan pada kedua model data, dapat disimpulkan bahwa transformasi data koordinat dari datum Genuk menjadi WGS-84 menggunakan jaringan syaraf tiruan propagasi balik resilient (JSTPBR) memberikan kinerja yang baik untuk transformasi data koordinat Felus YA, Burkhard S. 2005. Performing Similarity Transformations Using The Error in Variable Model. Baltimore: ASPRS 2005 Annual Conference. Handoko EY, Abidin HZ. 2002. Analisis transformasi datum dari datum Indonesia 1974 ke datum geodesi nasional 1995. 12:3.Bandung. JBPTITBGD. Hlm 20-30. TRANSFORMASI KOORDINAT MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK RESILIENT (Studi Kasus: Daerah Jawa Bagian Barat) SUPRIYANTI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2012 TRANSFORMASI KOORDINAT MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK RESILIENT (Studi Kasus: Daerah Jawa Bagian Barat) SUPRIYANTI Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Departemen Ilmu Komputer DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2012 16 Kusumadewi S. 2004. Membangun Jaringan Syaraf Tiruan Menggunakan Matlab & Excel Link. Yogyakarta: Graha Ilmu. Lao SL, Yi JW. 2006. A Study on Cadastral Coordinate Transformation Using Artificial Neural Network. Taipei: Department of Land Economics National Chengchi University Mitsakaki C. 2004. Coordinate Transformations. [terhubung berkala]. http://fig.net/pub/athens/papers/ts07/ts07_ 2_mitsakaki.pdf [1 Desember 2011]. Pratomo, DG. 2004. Pendidikan dan Pelatihan (diklat) Teknis Pengukuran Data Pemetaan Kota. Surabaya: Fakultas Teknik Sipil dan Perencanaan Institut Teknologi Sepuluh Nopember. Puntodewo A, Dewi S, Tarigan J. 2003. Sistem Informasi Geografis untuk Pengelolaan Sumber Daya Alam. Jakarta: Center for International Forestry Research. Turgut B. 2010. A back-propagation artificial neural network approach for threedimensional coordinate transformation. 5:21. Turkey. Academic Journals. Hlm 3330-3335. Walpole, ER. 1995. Pengantar Statistika. Jakarta: Gramedia Pustaka Utama. Wang Z, Bovik AC. 2009. Mean Square Error: Love It or Leave It?. IEEE Processing Magazine. Jan 2009. Hlm 98117. Zaletnyik MP. 2004. Coordinate Transformation With Neural Network and With Polynomials in Hungary. Budapest: Department of Geodesy and Surveying Budapest University of Technology and Economics. LAMPIRAN 18 Lampiran 1 Algoritme JST resilient Langkah 0. Inisiasi bobot Langkah 1. Selama syarat henti salah, lakukan langkah 2-9 Langkah 2. Untuk setiap pasangan pelatihan (input dan target), lakukan langkah 3-8 Langkah 3. Setiap unit input (Xi, i=1, …,n) menerima sinyal input xi dan meneruskannya ke seluruh unit pada lapisan diatasnya (hidden unit). Langkah 4. Setiap unit tersembunyi (Zj, j=1, …,p) menghitung total sinyal input terbobot, n z _ in j  v 0 j  x v i ij , i 1 lalu menghitung sinyal output dengan fungsi aktivasi,   z j  f z _ in j , dan mengirimkan sinyal ini ke seluruh unit pada lapisan atasnya (lapisan output). Langkah 5. Setiap unit output (Yk, k=1, …,m) menghitung total sinyal input terbobot, p y _ ink  w0k  z w j jk , j 1 lalu menghitung sinyal output dengan fungsi aktivasi, y k  f  y _ ink  Langkah 6. Setiap unit output (Yk, k=1, …, m) menerima sebuah pola target yang sesuai dengan pola input pelatihannya. Unit tersebut menghitung informasi kesalahan,  k  t k  y k  f '  y _ ink   2 jk   k z j  2k   k  2 jk   2 jk  2 jk (old )  2 k   2 k   2 k (old ) kemudian menghitung koreksi bobot (digunakan untuk mengubah wjk nanti), w jk  FN ;  2 jk  0    FT ;  2 jk  0 w (old );  2  0 jk  jk  w jk  min w jk , delta max w jk  w jk ;  2 jk  0   w jk ;  2 jk  0   2 jk  0 0;  19 Lampiran 1 lanjutan hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai b2k)  2 k  0  FN ;   2 k  0 b2 k   FT ; b2 (old );  2  0 k k  b2 k  minb2 k , delta max  b2k ;  2 k  0  b 2k  b 2k ;  2 k  0 0;  2k  0  Langkah 7. Setiap unit tersembunyi (Zj, j=1, …, p) menghitung selisih input (dari unit-unit pada layer atasnya)  _ in j  m  k w jk k 1 lalu mengalikannya dengan turunan fungsi aktivasi untuk menghitung informasi error  1 j   _ in j f ' z _ in j  1ij   1 j x j 1 j   1 j 1ij  1ij 1ij (old ) 1 j  1 j  1 j (old ) kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai vij)  FN ; 1ij  0  v ij   FT ; 1ij  0 v (old ); 1  0 ij  ij  vij  min vij , delta max   v ij ; 1ij  0  v ij  w jk ; 1ij  0  1ij  0 0; hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai b1j) b1 j  FN ;  1 j  0   FT ;  1 j  0   b 1 ( old );  1j  0 j   b1 j  min b1 j , delta max  20 Lampiran 1 lanjutan b1 j ;  1 j  0  b1 j  b1 j ;  1 j  0  1 j  0 0; Langkah 8. Setiap unit output (Yk, k=1, …, m) mengubah bias dan bobot-bobotnya (j=0, …, p) w jk (new)  w jk (old )  w jk b2 k (new)  b2 k (old )  b2 k Setiap unit tersembunyi (Zj, j=1, …, p) mengubah bias dan bobot-bobotnya (i=1, …, n) vij (new)  vij (old )  vij b1 j (new)  b1 j (old )  b1 j Langkah 9. Uji syarat henti: Jika besar mean square error 1 n n  t k  y k 2 lebih kecil dari toleransi yang telah k 1 ditentukan atau jumlah epoch pelatihan sudah mencapai epoch maksimum, maka selesai; jika tidak maka kembali ke langkah 1. 21 Lampiran 2 Data awal Nama data x genuk y genuk x WGS-84 y WGS-84 ∆x 105 / BMRD 111 / BMRD 117/JBR 118/JBR 129 /BMRD 130/JBR 133/JBR 156/JBR 157/JBR 184/JBR 202/JBR 268/JBR 277/BMGAS 278/BMGAS 279/BMGAS 28 /JBR 280/BMGAS 282/BMGAS 292/BMGAS 293/BMGAS 295/BMGAS 297/BMGAS 30 /JBR 33 /JBR 341/BMGAS 344/BMGAS 36 /JBR 377/BMGAS 379/BMGAS 381/BMGAS 382/BMGAS 401/BMGAS 405/BMGAS 406/BMGAS 407/BMGAS 408/BMGAS 409/BMGAS 49 /BMRD 55 / BMRD 62 /JBR 63 /JBR 65 /BMRD 734675.53 732631.23 772406.97 771506.81 753374.49 779890.30 803547.00 811954.55 810059.45 783808.65 781679.11 774932.81 776899.25 778040.11 775711.85 758326.40 777648.69 779526.58 768453.32 767793.00 766153.94 764666.31 758572.10 760273.20 865222.99 865962.45 761166.90 822206.56 816748.64 823493.82 816751.37 814082.14 809822.46 810635.74 811567.40 814772.13 813191.66 738586.65 755891.03 764321.03 766954.81 764138.79 9331834.99 9334629.21 9297229.22 9294206.43 9321003.78 9299989.21 9282159.86 9286335.71 9287693.43 9310188.54 9307057.27 9314531.16 9313398.67 9313915.14 9313720.79 9325650.30 9309271.98 9312147.46 9305120.53 9306876.72 9311061.75 9307823.19 9327240.50 9330674.10 9250254.60 9254633.27 9331541.20 9291848.37 9284821.36 9292578.07 9288897.26 9290179.42 9294995.07 9296266.21 9298104.59 9292828.43 9294293.36 9329728.42 9318727.98 9327767.81 9329638.30 9317406.09 734869.42 732831.14 772615.11 771716.76 753560.59 780088.25 803696.93 812142.26 810255.38 784001.55 781867.82 775122.89 777087.91 778227.26 775899.10 758508.91 777837.64 779717.62 768642.46 767986.95 766344.31 764852.57 758753.03 760455.86 865416.52 866156.49 761346.90 822387.05 816923.62 823679.64 816924.06 814278.98 810015.50 810832.49 811763.36 814978.00 813395.16 738783.24 756077.42 764511.01 767143.78 764328.80 9331796.06 9334591.80 9297186.79 9294162.39 9320957.61 9299955.82 9282108.70 9286318.70 9287733.55 9310145.63 9307013.89 9314484.08 9313357.10 9313871.97 9313680.31 9325600.13 9309229.39 9312103.15 9305075.96 9306830.95 9311017.00 9307774.70 9327190.76 9330631.40 9250211.98 9254589.36 9331498.68 9291764.15 9284744.95 9292489.88 9288814.17 9290129.45 9294957.19 9296231.02 9298072.45 9292783.94 9294251.60 9329685.33 9318685.46 9327723.88 9329597.58 9317358.02 193.89 199.91 208.14 209.95 186.10 197.95 149.93 187.71 195.93 192.90 188.71 190.08 188.66 187.15 187.25 182.51 188.95 191.04 189.14 193.95 190.37 186.26 180.93 182.66 193.53 194.04 180.00 180.49 174.98 185.82 172.69 196.84 193.04 196.75 195.96 205.87 203.50 196.59 186.39 189.98 188.97 190.01 ∆y 38.93 37.41 42.43 44.04 46.17 33.40 51.16 17.01 40.12 42.91 43.38 47.09 41.57 43.17 40.48 50.17 42.59 44.32 44.57 45.77 44.75 48.49 49.74 42.70 42.62 43.91 42.52 84.22 76.41 88.19 83.09 49.97 37.89 35.19 32.14 44.49 41.76 43.10 42.52 43.94 40.72 48.07 22 Lampiran 2 lanjutan Nama data x genuk y genuk x WGS-84 y WGS-84 ∆x ∆y 65 /JBR 74 / BMRD 79 / JBR 80 / BMRD 81/JBR 83/JBR 86 / BMRD 89 / BMRD 89/JBR 90 / BMRD 92 / BMRD 96/JBR BM 26 BM 27 BM 31 BM 32 BM 44 BM 49 BM BGD 11 BM BGD 15 BM BGD 17 BM GAS 245 BM GAS 246 BM GAS 248 BM GAS 249 BM GAS 251 BM GAS 254 BM GAS 255 BM GAS 257 BM GAS 257 BM GAS 262 BM GAS 263 BM GAS 269 BM GAS 270 BM GAS 42 BM GAS 65 BM GAS 67 BM RDG 14 BM RDG 16 BM RDG 17 BM RDG 18 764265.4 728311.5 733517.9 728362.16 773156.51 781929.82 728118.92 728625.09 779711.19 728132.03 727474.45 775262.97 623432.2 623710 619524.5 615902.8 608664.5 644995.8 201125.6 204265.7 203370.3 193156.5 192992.1 193530.2 193195.6 193239.9 196453.9 198128.4 201442.6 201442.6 199396.8 194234.8 199322.9 201462.4 747422.2 742227.2 749214.3 201590.9 204377.6 206242.9 203930.6 9325474 9314977.41 9338410.8 9320676.62 9305025.72 9298463.38 9322552.78 9323601.75 9295785.44 9324729.52 9327573.08 9303451.4 9296421.6 9284851.7 9292029 9297398 9281380.1 9294557.3 9271708.6 9272595.2 9275750.4 9301890.6 9300295 9298329.8 9296875.9 9283806.1 9283205.2 9283355.7 9288258.9 9288258.9 9289176.3 9289904.3 9290106.3 9286122.8 9298244.7 9303817.7 9300787.7 9257635 9257649.8 9257665.5 9261349.3 764451.96 728493.96 733715.17 728548.94 773358.82 782120.68 728299.51 728810.17 779915.19 728319.15 727664 775473.83 623616.82 623907.79 619711.82 616085.47 608852.65 645192.15 201244.03 204390.68 203483.66 193250.6 193104.54 193632.94 193312.51 193358.91 196574.23 198250.3 201565.48 201565.48 199517 194348.43 199444.05 201587.28 747613.75 742419.14 749408.69 201708.47 204494.6 206364.01 204046.16 9325435.69 9314932.79 9338386.61 9320631.32 9304982.2 9298436.62 9322507.74 9323557.31 9295750.65 9324687.24 9327534.98 9303402.75 9296384.65 9284808.91 9291997.29 9297356.46 9281336.51 9294520.59 9271666.28 9272553.7 9275705.84 9301864.8 9300254.69 9298250.93 9296831.87 9283759.12 9283160.91 9283308.76 9288214.82 9288214.82 9289132.02 9289863.73 9290062.55 9286081.39 9298210.85 9303786.98 9300755.78 9257589.16 9257606.14 9257624.47 9261301.78 186.56 182.46 197.27 186.78 202.31 190.86 180.59 185.08 204 187.12 189.55 210.86 184.62 197.79 187.32 182.67 188.15 196.35 118.43 124.98 113.36 94.1 112.44 102.74 116.91 119.01 120.33 121.9 122.88 122.88 120.2 113.63 121.15 124.88 191.55 191.94 194.39 117.57 117 121.11 115.56 38.31 44.62 24.19 45.3 43.52 26.76 45.04 44.44 34.79 42.28 38.11 48.66 36.95 42.79 31.71 41.54 43.59 36.71 42.32 41.5 44.56 25.8 40.31 78.87 44.03 46.99 44.29 46.95 44.08 44.08 44.28 40.57 43.75 41.41 33.85 30.73 31.92 45.84 43.66 41.04 47.53 BM RDG 19 206026.4 9261727.4 206144.33 9261686.18 117.93 41.22 23 Lampiran 2 lanjutan Nama data x genuk y genuk x WGS-84 y WGS-84 ∆x ∆y BM.018 BM.02 BM.028 BM.029 BM.03 BM.08 BM.09 BM.10 BM.11 BM.20 BM.20 BM.23 BM.25 BM.26 BM.26 BM.31 BM.32 BM.33 BM.34 BM.38 BM.39 BM.52 BM.53 BM.54 BM.56 BM.66 BM.73 BM06 BM41 BM42 BMGAS 10 BMGAS 103 BMGAS 105 BMGAS 116 BMGAS 12 BMGAS 31 BMGAS 317 BMGAS 4 BMGAS 5 BMGAS 59 BMGAS 6 823061.29 810833.29 821623.60 820801.24 813244.55 822966.10 805831.36 806148.93 808644.78 792637.21 797352.19 814723.11 795971.68 796042.84 810470.88 802740.40 804358.16 806585.26 806424.08 811548.49 810410.16 784083.32 786766.11 786634.00 833565.97 785030.16 796789.90 796599.65 795957.64 795938.70 827958.00 783640.50 789939.40 790374.90 827858.00 830470.00 745001.50 826734.00 824063.00 774104.70 827062.00 9279392.82 9286914.58 9272097.42 9273504.58 9286932.63 9281025.90 9294827.78 9294799.93 9298797.58 9297462.15 9277512.51 9273103.86 9293380.69 9293127.35 9281437.57 9277158.06 9280262.68 9287917.55 9287711.13 9274296.48 9281146.69 9293933.47 9292694.38 9292517.18 9273296.79 9286140.47 9283113.02 9277785.55 9281330.26 9281240.36 9293555.00 9280480.70 9279537.90 9286527.50 9292153.00 9289353.00 9292845.50 9295864.00 9293214.00 9299386.40 9294667.00 823254.77 811026.55 821816.58 820993.76 813438.57 823159.58 806023.38 806340.92 808837.33 792828.75 797546.18 814914.49 796164.22 796234.83 810663.21 802940.73 804556.55 806777.79 806616.67 811749.09 810603.04 784275.58 786958.60 786826.45 833766.00 785221.89 796982.90 796794.40 796152.00 796133.07 828148.42 783830.31 790134.56 790568.59 828049.72 830659.53 745198.80 826927.19 824254.28 774291.36 827256.28 9279349.34 9286870.07 9272052.95 9273459.87 9286886.83 9280981.66 9294784.30 9294756.44 9298753.90 9297419.44 9277468.99 9273058.83 9293337.45 9293084.13 9281391.84 9277113.99 9280220.30 9287874.01 9287667.58 9274244.76 9281101.01 9293886.41 9292649.32 9292472.19 9273258.10 9286095.65 9283069.33 9277740.26 9281284.90 9281195.00 9293525.44 9280442.20 9279496.95 9286489.12 9292115.69 9289317.61 9292811.01 9295828.57 9293172.53 9299340.85 9294629.88 193.48 193.26 192.98 192.52 194.02 193.49 192.02 191.99 192.56 191.54 193.99 191.38 192.54 191.99 192.33 200.33 198.39 192.53 192.59 200.60 192.89 192.26 192.49 192.45 200.03 191.73 193.00 194.75 194.36 194.37 190.42 189.81 195.16 193.69 191.72 189.53 197.30 193.19 191.28 186.66 194.28 43.48 44.51 44.47 44.72 45.80 44.25 43.48 43.49 43.68 42.72 43.53 45.04 43.24 43.22 45.73 44.08 42.38 43.54 43.55 51.71 45.67 47.06 45.06 45.00 38.68 44.82 43.69 45.29 45.36 45.36 29.56 38.50 40.95 38.38 37.31 35.40 34.49 35.44 41.47 45.55 37.12 BMGAS 69 759947.50 9304038.60 760137.26 9303993.33 189.76 45.27 24 Lampiran 2 lanjutan Nama data x genuk y genuk x WGS-84 y WGS-84 ∆x ∆y BMGAS 71 BMGAS 72 BMGAS 73 BMGAS 74 BMGAS 75 BMGAS 77 BMGAS 78 BMGAS 79 BMGAS 80 BMGAS 81 BMGAS 82 BMGAS 86 BMGAS 87 BMGAS 88 BMGAS 91 BMGAS 94 BMGAS 98 BMGAS319 BMGAS321 BMGAS326 cl CL 11 CL 15 CL 4 JBR 04 JBR 06 JBR 09 JBR 15 RD 29 RD 38 RD 60 T.138 T.147 T.180 T.206 T.3 T.353 T.36 T.367 T.37 763476.70 763318.20 763077.90 759232.40 767736.00 763039.70 766770.20 762771.30 758244.70 756990.30 765217.60 760712.90 761179.90 759006.80 761670.20 764722.90 784370.80 733688.20 739406.30 738295.00 785353.00 781009.00 782192.00 779561.00 751602.60 749430.13 742328.20 754852.95 761037.70 741348.60 766820.90 770806.10 763348.80 775087.62 781410.01 823447.13 809051.12 825420.00 804423.16 826778.00 9303177.00 9299622.40 9296649.10 9302388.50 9303107.70 9298150.90 9300792.60 9304370.80 9303709.40 9302758.80 9296489.40 9299920.40 9301310.70 9301226.90 9303150.70 9298863.90 9284131.60 9295094.00 9294551.00 9293413.50 9296733.00 9311680.00 9307894.00 9315235.00 9298520.63 9298628.01 9302608.54 9297041.74 9320019.00 9328153.40 9320301.50 9297155.30 9300780.60 9314444.27 9306405.54 9299666.19 9271971.38 9287544.00 9279837.64 9282695.00 763665.62 763507.67 763263.51 759423.97 767936.88 763225.82 766967.98 762959.76 758440.99 757181.36 765409.46 760900.70 761368.16 759195.27 761857.48 764911.97 784562.29 733878.64 739598.37 738488.34 785546.69 781199.78 782380.54 779695.87 751797.21 749621.23 742520.05 755041.53 761223.53 741540.03 767008.14 770996.95 763540.63 775276.86 781600.55 823639.77 809242.12 825615.82 804616.95 826971.04 9303130.82 9299572.68 9296600.82 9302344.42 9303056.22 9298103.76 9300741.59 9304328.50 9303669.48 9302718.46 9296442.14 9299874.42 9301264.46 9301185.72 9303107.14 9298815.05 9284093.14 9295050.29 9294512.78 9293377.01 9296690.46 9311640.59 9307852.24 9315142.69 9298470.85 9298569.42 9302538.59 9296983.08 9319977.26 9328109.32 9320257.44 9297111.21 9300736.07 9314398.68 9306361.57 9299622.79 9271926.10 9287490.61 9279791.42 9282651.92 188.92 189.47 185.61 191.57 200.88 186.12 197.78 188.46 196.29 191.06 191.86 187.80 188.26 188.47 187.28 189.07 191.49 190.44 192.07 193.34 193.69 190.78 188.54 134.87 194.61 191.10 191.85 188.58 185.83 191.43 187.24 190.85 191.83 189.24 190.54 192.64 191.00 195.82 193.79 193.04 46.18 49.72 48.28 44.08 51.48 47.14 51.01 42.30 39.92 40.34 47.26 45.98 46.25 41.18 43.56 48.85 38.46 43.71 38.22 36.49 42.54 39.41 41.77 92.31 49.78 58.59 69.95 58.66 41.74 44.08 44.06 44.09 44.53 45.59 43.97 43.40 45.28 53.39 46.23 43.08 T.372 814759.60 9288403.30 814951.59 9288358.50 191.99 44.80 25 Lampiran 2 lanjutan Nama data x genuk y genuk x WGS-84 y WGS-84 ∆x ∆y T.38 T.387 T.44 T.48 T.49 T.50 T.80 TT.169 WNJ93-101 824379.24 787567.78 833761.36 755246.60 751502.90 751716.01 745427.85 777571.61 823132.00 9278401.43 9294311.21 9273802.34 9321103.40 9322952.10 9326365.72 9325913.25 9306666.80 9301227.08 824572.78 787756.70 833955.27 755433.86 751691.09 751909.48 745616.65 777762.88 823325.54 9278358.09 9294267.10 9273759.03 9321059.70 9322909.08 9326322.70 9325871.80 9306621.49 9301179.40 193.53 188.92 193.91 187.26 188.19 193.47 188.80 191.27 193.54 43.34 44.11 43.30 43.70 43.02 43.02 41.45 45.31 47.68 WNJ93-37 783799.97 9303999.69 783991.08 9303955.98 191.12 43.71 26 Lampiran 3 Data screening pertama Nama data x genuk y genuk x WGS-84 y WGS-84 ∆x ∆y 105 / BMRD 111 / BMRD 129 /BMRD 157/JBR 184/JBR 202/JBR 268/JBR 277/BMGAS 278/BMGAS 279/BMGAS 28 /JBR 280/BMGAS 282/BMGAS 292/BMGAS 293/BMGAS 295/BMGAS 297/BMGAS 30 /JBR 33 /JBR 341/BMGAS 344/BMGAS 36 /JBR 401/BMGAS 405/BMGAS 406/BMGAS 408/BMGAS 409/BMGAS 49 /BMRD 55 / BMRD 62 /JBR 63 /JBR 65 /BMRD 65 /JBR 74 / BMRD 80 / BMRD 81/JBR 86 / BMRD 89 / BMRD 90 / BMRD 92 / BMRD BM 26 734675.53 732631.23 753374.49 810059.45 783808.65 781679.11 774932.81 776899.25 778040.11 775711.85 758326.40 777648.69 779526.58 768453.32 767793.00 766153.94 764666.31 758572.10 760273.20 865222.99 865962.45 761166.90 814082.14 809822.46 810635.74 814772.13 813191.66 738586.65 755891.03 764321.03 766954.81 764138.79 764265.40 728311.50 728362.16 773156.51 728118.92 728625.09 728132.03 727474.45 623432.20 9331834.99 9334629.21 9321003.78 9287693.43 9310188.54 9307057.27 9314531.16 9313398.67 9313915.14 9313720.79 9325650.30 9309271.98 9312147.46 9305120.53 9306876.72 9311061.75 9307823.19 9327240.50 9330674.10 9250254.60 9254633.27 9331541.20 9290179.42 9294995.07 9296266.21 9292828.43 9294293.36 9329728.42 9318727.98 9327767.81 9329638.30 9317406.09 9325474.00 9314977.41 9320676.62 9305025.72 9322552.78 9323601.75 9324729.52 9327573.08 9296421.60 734869.42 732831.14 753560.59 810255.38 784001.55 781867.82 775122.89 777087.91 778227.26 775899.10 758508.91 777837.64 779717.62 768642.46 767986.95 766344.31 764852.57 758753.03 760455.86 865416.52 866156.49 761346.90 814278.98 810015.50 810832.49 814978.00 813395.16 738783.24 756077.42 764511.01 767143.78 764328.80 764451.96 728493.96 728548.94 773358.82 728299.51 728810.17 728319.15 727664.00 623616.82 9331796.06 9334591.80 9320957.61 9287733.55 9310145.63 9307013.89 9314484.08 9313357.10 9313871.97 9313680.31 9325600.13 9309229.39 9312103.15 9305075.96 9306830.95 9311017.00 9307774.70 9327190.76 9330631.40 9250211.98 9254589.36 9331498.68 9290129.45 9294957.19 9296231.02 9292783.94 9294251.60 9329685.33 9318685.46 9327723.88 9329597.58 9317358.02 9325435.69 9314932.79 9320631.32 9304982.20 9322507.74 9323557.31 9324687.24 9327534.98 9296384.65 193.89 199.91 186.10 195.93 192.90 188.71 190.08 188.66 187.15 187.25 182.51 188.95 191.04 189.14 193.95 190.37 186.26 180.93 182.66 193.53 194.04 180.00 196.84 193.04 196.75 205.87 203.50 196.59 186.39 189.98 188.97 190.01 186.56 182.46 186.78 202.31 180.59 185.08 187.12 189.55 184.62 38.93 37.41 46.17 40.12 42.91 43.38 47.09 41.57 43.17 40.48 50.17 42.59 44.32 44.57 45.77 44.75 48.49 49.74 42.70 42.62 43.91 42.52 49.97 37.89 35.19 44.49 41.76 43.10 42.52 43.94 40.72 48.07 38.31 44.62 45.30 43.52 45.04 44.44 42.28 38.11 36.95 BM 27 623710.00 9284851.70 623907.79 9284808.91 197.79 42.79 27 Lampiran 3 lanjutan Nama data x genuk y genuk x WGS-84 y WGS-84 ∆x ∆y BM 32 BM 44 BM 49 BM.018 BM.02 BM.028 BM.029 BM.03 BM.08 BM.09 BM.10 BM.11 BM.20 BM.20 BM.23 BM.25 BM.26 BM.26 BM.31 BM.32 BM.33 BM.34 BM.38 BM.39 BM.52 BM.53 BM.54 BM.56 BM.66 BM.73 BM06 BM41 BM42 BMGAS 103 BMGAS 105 BMGAS 116 BMGAS 12 BMGAS 31 BMGAS 4 615902.80 608664.50 644995.80 823061.29 810833.29 821623.60 820801.24 813244.55 822966.10 805831.36 806148.93 808644.78 792637.21 797352.19 814723.11 795971.68 796042.84 810470.88 802740.40 804358.16 806585.26 806424.08 811548.49 810410.16 784083.32 786766.11 786634.00 833565.97 785030.16 796789.90 796599.65 795957.64 795938.70 783640.50 789939.40 790374.90 827858.00 830470.00 826734.00 9297398.00 9281380.10 9294557.30 9279392.82 9286914.58 9272097.42 9273504.58 9286932.63 9281025.90 9294827.78 9294799.93 9298797.58 9297462.15 9277512.51 9273103.86 9293380.69 9293127.35 9281437.57 9277158.06 9280262.68 9287917.55 9287711.13 9274296.48 9281146.69 9293933.47 9292694.38 9292517.18 9273296.79 9286140.47 9283113.02 9277785.55 9281330.26 9281240.36 9280480.70 9279537.90 9286527.50 9292153.00 9289353.00 9295864.00 616085.47 608852.65 645192.15 823254.77 811026.55 821816.58 820993.76 813438.57 823159.58 806023.38 806340.92 808837.33 792828.75 797546.18 814914.49 796164.22 796234.83 810663.21 802940.73 804556.55 806777.79 806616.67 811749.09 810603.04 784275.58 786958.60 786826.45 833766.00 785221.89 796982.90 796794.40 796152.00 796133.07 783830.31 790134.56 790568.59 828049.72 830659.53 826927.19 9297356.46 9281336.51 9294520.59 9279349.34 9286870.07 9272052.95 9273459.87 9286886.83 9280981.66 9294784.30 9294756.44 9298753.90 9297419.44 9277468.99 9273058.83 9293337.45 9293084.13 9281391.84 9277113.99 9280220.30 9287874.01 9287667.58 9274244.76 9281101.01 9293886.41 9292649.32 9292472.19 9273258.10 9286095.65 9283069.33 9277740.26 9281284.90 9281195.00 9280442.20 9279496.95 9286489.12 9292115.69 9289317.61 9295828.57 182.67 188.15 196.35 193.48 193.26 192.98 192.52 194.02 193.49 192.02 191.99 192.56 191.54 193.99 191.38 192.54 191.99 192.33 200.33 198.39 192.53 192.59 200.60 192.89 192.26 192.49 192.45 200.03 191.73 193.00 194.75 194.36 194.37 189.81 195.16 193.69 191.72 189.53 193.19 41.54 43.59 36.71 43.48 44.51 44.47 44.72 45.80 44.25 43.48 43.49 43.68 42.72 43.53 45.04 43.24 43.22 45.73 44.08 42.38 43.54 43.55 51.71 45.67 47.06 45.06 45.00 38.68 44.82 43.69 45.29 45.36 45.36 38.50 40.95 38.38 37.31 35.40 35.44 BMGAS 5 824063.00 9293214.00 824254.28 9293172.53 191.28 41.47 28 Lampiran 3 lanjutan Nama data x genuk y genuk x WGS-84 y WGS-84 ∆x BMGAS 59 BMGAS 6 BMGAS 69 BMGAS 71 BMGAS 72 BMGAS 73 BMGAS 74 BMGAS 75 BMGAS 77 BMGAS 78 BMGAS 79 BMGAS 80 BMGAS 81 BMGAS 82 BMGAS 86 BMGAS 87 BMGAS 88 BMGAS 91 BMGAS 94 BMGAS 98 BMGAS319 BMGAS321 BMGAS326 cl CL 11 CL 15 JBR 04 RD 29 RD 38 RD 60 T.138 T.147 T.180 T.206 T.3 T.353 T.36 T.367 T.37 T.372 T.38 T.387 774104.70 827062.00 759947.50 763476.70 763318.20 763077.90 759232.40 767736.00 763039.70 766770.20 762771.30 758244.70 756990.30 765217.60 760712.90 761179.90 759006.80 761670.20 764722.90 784370.80 733688.20 739406.30 738295.00 785353.00 781009.00 782192.00 751602.60 761037.70 741348.60 766820.90 770806.10 763348.80 775087.62 781410.01 823447.13 809051.12 825420.00 804423.16 826778.00 814759.60 824379.24 787567.78 9299386.40 9294667.00 9304038.60 9303177.00 9299622.40 9296649.10 9302388.50 9303107.70 9298150.90 9300792.60 9304370.80 9303709.40 9302758.80 9296489.40 9299920.40 9301310.70 9301226.90 9303150.70 9298863.90 9284131.60 9295094.00 9294551.00 9293413.50 9296733.00 9311680.00 9307894.00 9298520.63 9320019.00 9328153.40 9320301.50 9297155.30 9300780.60 9314444.27 9306405.54 9299666.19 9271971.38 9287544.00 9279837.64 9282695.00 9288403.30 9278401.43 9294311.21 774291.36 827256.28 760137.26 763665.62 763507.67 763263.51 759423.97 767936.88 763225.82 766967.98 762959.76 758440.99 757181.36 765409.46 760900.70 761368.16 759195.27 761857.48 764911.97 784562.29 733878.64 739598.37 738488.34 785546.69 781199.78 782380.54 751797.21 761223.53 741540.03 767008.14 770996.95 763540.63 775276.86 781600.55 823639.77 809242.12 825615.82 804616.95 826971.04 814951.59 824572.78 787756.70 9299340.85 9294629.88 9303993.33 9303130.82 9299572.68 9296600.82 9302344.42 9303056.22 9298103.76 9300741.59 9304328.50 9303669.48 9302718.46 9296442.14 9299874.42 9301264.46 9301185.72 9303107.14 9298815.05 9284093.14 9295050.29 9294512.78 9293377.01 9296690.46 9311640.59 9307852.24 9298470.85 9319977.26 9328109.32 9320257.44 9297111.21 9300736.07 9314398.68 9306361.57 9299622.79 9271926.10 9287490.61 9279791.42 9282651.92 9288358.50 9278358.09 9294267.10 186.66 194.28 189.76 188.92 189.47 185.61 191.57 200.88 186.12 197.78 188.46 196.29 191.06 191.86 187.80 188.26 188.47 187.28 189.07 191.49 190.44 192.07 193.34 193.69 190.78 188.54 194.61 185.83 191.43 187.24 190.85 191.83 189.24 190.54 192.64 191.00 195.82 193.79 193.04 191.99 193.53 188.92 ∆y 45.55 37.12 45.27 46.18 49.72 48.28 44.08 51.48 47.14 51.01 42.30 39.92 40.34 47.26 45.98 46.25 41.18 43.56 48.85 38.46 43.71 38.22 36.49 42.54 39.41 41.77 49.78 41.74 44.08 44.06 44.09 44.53 45.59 43.97 43.40 45.28 53.39 46.23 43.08 44.80 43.34 44.11 29 Lampiran 3 lanjutan Nama data x genuk y genuk x WGS-84 y WGS-84 ∆x ∆y T.44 T.48 T.49 T.50 T.80 TT.169 WNJ93-101 833761.36 755246.60 751502.90 751716.01 745427.85 777571.61 823132.00 9273802.34 9321103.40 9322952.10 9326365.72 9325913.25 9306666.80 9301227.08 833955.27 755433.86 751691.09 751909.48 745616.65 777762.88 823325.54 9273759.03 9321059.70 9322909.08 9326322.70 9325871.80 9306621.49 9301179.40 193.91 187.26 188.19 193.47 188.80 191.27 193.54 43.30 43.70 43.02 43.02 41.45 45.31 47.68 WNJ93-37 783799.97 9303999.69 783991.08 9303955.98 191.12 43.71 30 Lampiran 4 Data screening kedua Nama data x genuk y genuk x WGS-84 y WGS-84 ∆x ∆y 184/JBR 202/JBR 277/BMGAS 278/BMGAS 279/BMGAS 280/BMGAS 282/BMGAS 292/BMGAS 293/BMGAS 295/BMGAS 341/BMGAS 344/BMGAS 62 /JBR 63 /JBR 90 / BMRD BM 44 BM.018 BM.02 BM.028 BM.029 BM.03 BM.08 BM.09 BM.10 BM.11 BM.20 BM.20 BM.23 BM.25 BM.26 BM.26 BM.33 BM.34 BM.39 BM.53 BM.54 BM.66 BM.73 BM06 BM41 BM42 783808.65 781679.11 776899.25 778040.11 775711.85 777648.69 779526.58 768453.32 767793.00 766153.94 865222.99 865962.45 764321.03 766954.81 728132.03 608664.50 823061.29 810833.29 821623.60 820801.24 813244.55 822966.10 805831.36 806148.93 808644.78 792637.21 797352.19 814723.11 795971.68 796042.84 810470.88 806585.26 806424.08 810410.16 786766.11 786634.00 785030.16 796789.90 796599.65 795957.64 795938.70 9310188.54 9307057.27 9313398.67 9313915.14 9313720.79 9309271.98 9312147.46 9305120.53 9306876.72 9311061.75 9250254.60 9254633.27 9327767.81 9329638.30 9324729.52 9281380.10 9279392.82 9286914.58 9272097.42 9273504.58 9286932.63 9281025.90 9294827.78 9294799.93 9298797.58 9297462.15 9277512.51 9273103.86 9293380.69 9293127.35 9281437.57 9287917.55 9287711.13 9281146.69 9292694.38 9292517.18 9286140.47 9283113.02 9277785.55 9281330.26 9281240.36 784001.55 781867.82 777087.91 778227.26 775899.10 777837.64 779717.62 768642.46 767986.95 766344.31 865416.52 866156.49 764511.01 767143.78 728319.15 608852.65 823254.77 811026.55 821816.58 820993.76 813438.57 823159.58 806023.38 806340.92 808837.33 792828.75 797546.18 814914.49 796164.22 796234.83 810663.21 806777.79 806616.67 810603.04 786958.60 786826.45 785221.89 796982.90 796794.40 796152.00 796133.07 9310145.63 9307013.89 9313357.10 9313871.97 9313680.31 9309229.39 9312103.15 9305075.96 9306830.95 9311017.00 9250211.98 9254589.36 9327723.88 9329597.58 9324687.24 9281336.51 9279349.34 9286870.07 9272052.95 9273459.87 9286886.83 9280981.66 9294784.30 9294756.44 9298753.90 9297419.44 9277468.99 9273058.83 9293337.45 9293084.13 9281391.84 9287874.01 9287667.58 9281101.01 9292649.32 9292472.19 9286095.65 9283069.33 9277740.26 9281284.90 9281195.00 192.90 188.71 188.66 187.15 187.25 188.95 191.04 189.14 193.95 190.37 193.53 194.04 189.98 188.97 187.12 188.15 193.48 193.26 192.98 192.52 194.02 193.49 192.02 191.99 192.56 191.54 193.99 191.38 192.54 191.99 192.33 192.53 192.59 192.89 192.49 192.45 191.73 193.00 194.75 194.36 194.37 42.91 43.38 41.57 43.17 40.48 42.59 44.32 44.57 45.77 44.75 42.62 43.91 43.94 40.72 42.28 43.59 43.48 44.51 44.47 44.72 45.80 44.25 43.48 43.49 43.68 42.72 43.53 45.04 43.24 43.22 45.73 43.54 43.55 45.67 45.06 45.00 44.82 43.69 45.29 45.36 45.36 BMGAS 105 789939.40 9279537.90 790134.56 9279496.95 195.16 40.95 31 Lampiran 4 lanjutan Nama data x genuk y genuk x WGS-84 y WGS-84 ∆x ∆y BMGAS 5 BMGAS 69 BMGAS 71 BMGAS 74 BMGAS 79 BMGAS 81 BMGAS 86 BMGAS 87 BMGAS 88 BMGAS 91 BMGAS319 cl CL 15 RD 38 RD 60 T.138 T.147 T.180 T.206 T.3 T.353 T.367 T.37 T.372 T.38 T.387 T.44 T.48 T.49 T.50 T.80 TT.169 824063.00 759947.50 763476.70 759232.40 762771.30 756990.30 760712.90 761179.90 759006.80 761670.20 733688.20 785353.00 782192.00 741348.60 766820.90 770806.10 763348.80 775087.62 781410.01 823447.13 809051.12 804423.16 826778.00 814759.60 824379.24 787567.78 833761.36 755246.60 751502.90 751716.01 745427.85 777571.61 9293214.00 9304038.60 9303177.00 9302388.50 9304370.80 9302758.80 9299920.40 9301310.70 9301226.90 9303150.70 9295094.00 9296733.00 9307894.00 9328153.40 9320301.50 9297155.30 9300780.60 9314444.27 9306405.54 9299666.19 9271971.38 9279837.64 9282695.00 9288403.30 9278401.43 9294311.21 9273802.34 9321103.40 9322952.10 9326365.72 9325913.25 9306666.80 824254.28 760137.26 763665.62 759423.97 762959.76 757181.36 760900.70 761368.16 759195.27 761857.48 733878.64 785546.69 782380.54 741540.03 767008.14 770996.95 763540.63 775276.86 781600.55 823639.77 809242.12 804616.95 826971.04 814951.59 824572.78 787756.70 833955.27 755433.86 751691.09 751909.48 745616.65 777762.88 9293172.53 9303993.33 9303130.82 9302344.42 9304328.50 9302718.46 9299874.42 9301264.46 9301185.72 9303107.14 9295050.29 9296690.46 9307852.24 9328109.32 9320257.44 9297111.21 9300736.07 9314398.68 9306361.57 9299622.79 9271926.10 9279791.42 9282651.92 9288358.50 9278358.09 9294267.10 9273759.03 9321059.70 9322909.08 9326322.70 9325871.80 9306621.49 191.28 189.76 188.92 191.57 188.46 191.06 187.80 188.26 188.47 187.28 190.44 193.69 188.54 191.43 187.24 190.85 191.83 189.24 190.54 192.64 191.00 193.79 193.04 191.99 193.53 188.92 193.91 187.26 188.19 193.47 188.80 191.27 41.47 45.27 46.18 44.08 42.30 40.34 45.98 46.25 41.18 43.56 43.71 42.54 41.77 44.08 44.06 44.09 44.53 45.59 43.97 43.40 45.28 46.23 43.08 44.80 43.34 44.11 43.30 43.70 43.02 43.02 41.45 45.31 WNJ93-37 783799.97 9303999.69 783991.08 9303955.98 191.12 43.71 32 Lampiran 5 Data screening ketiga Nama data x genuk y genuk x WGS-84 y WGS-84 ∆x ∆y 184/JBR 282/BMGAS 292/BMGAS 295/BMGAS 62 /JBR BM.02 BM.028 BM.029 BM.09 BM.10 BM.11 BM.20 BM.23 BM.25 BM.26 BM.33 BM.34 BM.53 BM.54 BM.66 BM.73 BMGAS 74 BMGAS319 RD 38 T.138 T.147 T.206 T.3 T.37 T.372 T.50 783808.65 779526.58 768453.32 766153.94 764321.03 810833.29 821623.60 820801.24 805831.36 806148.93 808644.78 792637.21 814723.11 795971.68 796042.84 806585.26 806424.08 786766.11 786634.00 785030.16 796789.90 759232.40 733688.20 741348.60 770806.10 763348.80 781410.01 823447.13 826778.00 814759.60 751716.01 9310188.54 9312147.46 9305120.53 9311061.75 9327767.81 9286914.58 9272097.42 9273504.58 9294827.78 9294799.93 9298797.58 9297462.15 9273103.86 9293380.69 9293127.35 9287917.55 9287711.13 9292694.38 9292517.18 9286140.47 9283113.02 9302388.50 9295094.00 9328153.40 9297155.30 9300780.60 9306405.54 9299666.19 9282695.00 9288403.30 9326365.72 784001.55 779717.62 768642.46 766344.31 764511.01 811026.55 821816.58 820993.76 806023.38 806340.92 808837.33 792828.75 814914.49 796164.22 796234.83 806777.79 806616.67 786958.60 786826.45 785221.89 796982.90 759423.97 733878.64 741540.03 770996.95 763540.63 781600.55 823639.77 826971.04 814951.59 751909.48 9310145.63 9312103.15 9305075.96 9311017.00 9327723.88 9286870.07 9272052.95 9273459.87 9294784.30 9294756.44 9298753.90 9297419.44 9273058.83 9293337.45 9293084.13 9287874.01 9287667.58 9292649.32 9292472.19 9286095.65 9283069.33 9302344.42 9295050.29 9328109.32 9297111.21 9300736.07 9306361.57 9299622.79 9282651.92 9288358.50 9326322.70 192.90 191.04 189.14 190.37 189.98 193.26 192.98 192.52 192.02 191.99 192.56 191.54 191.38 192.54 191.99 192.53 192.59 192.49 192.45 191.73 193.00 191.57 190.44 191.43 190.85 191.83 190.54 192.64 193.04 191.99 193.47 42.91 44.32 44.57 44.75 43.94 44.51 44.47 44.72 43.48 43.49 43.68 42.72 45.04 43.24 43.22 43.54 43.55 45.06 45.00 44.82 43.69 44.08 43.71 44.08 44.09 44.53 43.97 43.40 43.08 44.80 43.02 WNJ93-37 783799.97 9303999.69 783991.08 9303955.98 191.12 43.71 33 Lampiran 6 Tabel nilai MSE pada data screening kedua Pengacakan Data 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 Rata-rata JST Data latih 1.97 2.32 2.16 2.32 1.99 2.22 1.94 2.23 2.01 2.25 2.47 2.30 2.08 2.11 2.51 2.06 2.16 2.47 1.74 2.18 2.05 2.04 2.09 1.95 2.06 2.15 Similarity Data uji 2.72 2.16 2.34 2.26 2.71 2.27 2.77 2.35 2.70 2.25 1.80 2.14 2.54 2.37 1.65 2.53 2.31 1.76 3.22 2.35 2.47 2.50 2.50 3.68 2.57 2.44 Data latih 2.13 2.51 2.46 2.41 2.33 2.48 2.22 2.38 2.39 2.41 2.61 2.35 2.28 2.44 2.74 2.22 2.58 2.62 2.06 2.26 2.38 2.33 2.52 1.98 2.50 2.38 Data uji 3.07 2.43 2.37 2.66 2.63 2.42 2.90 2.92 2.59 2.64 2.16 2.72 2.83 2.40 1.88 2.89 2.12 2.20 3.20 3.01 2.53 2.65 2.28 3.74 2.26 2.62 34 Lampiran 7 Tabel nilai MSE pada data screening ketiga Pengacakan Data 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 Rata-rata JST Data latih 0.35 0.45 0.48 0.61 0.66 0.47 0.64 0.67 0.54 0.46 0.44 0.71 0.52 0.54 0.66 0.66 0.36 0.52 0.60 0.68 0.50 0.60 0.59 0.68 0.56 0.56 Similarity Data uji 1.05 0.90 0.80 0.60 0.40 0.77 0.45 0.44 0.62 0.82 0.83 0.27 0.68 0.62 0.44 0.36 0.41 0.72 0.52 0.33 0.68 0.51 0.56 0.33 0.60 0.59 Data latih 0.36 0.46 0.49 0.67 0.66 0.48 0.65 0.68 0.54 0.46 0.44 0.72 0.55 0.55 0.66 0.67 0.67 0.52 0.60 0.69 0.50 0.61 0.60 0.68 0.57 0.58 Data uji 1.01 0.84 0.76 0.40 0.40 0.78 0.43 0.39 0.63 0.81 0.83 0.28 0.63 0.62 0.43 0.36 0.41 0.73 0.52 0.33 0.67 0.52 0.55 0.33 0.60 0.57 35 Lampiran 8 Data screening ketiga dengan pencilan > 1.96 x standar deviasi Nama data x genuk y genuk x WGS-84 y WGS-84 ∆x ∆y 105 / BMRD 129 /BMRD 157/JBR 184/JBR 202/JBR 268/JBR 277/BMGAS 278/BMGAS 279/BMGAS 280/BMGAS 282/BMGAS 292/BMGAS 293/BMGAS 295/BMGAS 297/BMGAS 341/BMGAS 344/BMGAS 401/BMGAS 405/BMGAS 49 /BMRD 55 / BMRD 62 /JBR 63 /JBR 65 /BMRD 65 /JBR 80 / BMRD 89 / BMRD 90 / BMRD 92 / BMRD BM 26 BM 27 BM 44 BM 49 BM.018 BM.02 BM.028 BM.029 BM.03 BM.08 BM.09 BM.10 734675.53 753374.49 810059.45 783808.65 781679.11 774932.81 776899.25 778040.11 775711.85 777648.69 779526.58 768453.32 767793.00 766153.94 764666.31 865222.99 865962.45 814082.14 809822.46 738586.65 755891.03 764321.03 766954.81 764138.79 764265.40 728362.16 728625.09 728132.03 727474.45 623432.20 623710.00 608664.50 644995.80 823061.29 810833.29 821623.60 820801.24 813244.55 822966.10 805831.36 806148.93 9331834.99 9321003.78 9287693.43 9310188.54 9307057.27 9314531.16 9313398.67 9313915.14 9313720.79 9309271.98 9312147.46 9305120.53 9306876.72 9311061.75 9307823.19 9250254.60 9254633.27 9290179.42 9294995.07 9329728.42 9318727.98 9327767.81 9329638.30 9317406.09 9325474.00 9320676.62 9323601.75 9324729.52 9327573.08 9296421.60 9284851.70 9281380.10 9294557.30 9279392.82 9286914.58 9272097.42 9273504.58 9286932.63 9281025.90 9294827.78 9294799.93 734869.42 753560.59 810255.38 784001.55 781867.82 775122.89 777087.91 778227.26 775899.10 777837.64 779717.62 768642.46 767986.95 766344.31 764852.57 865416.52 866156.49 814278.98 810015.50 738783.24 756077.42 764511.01 767143.78 764328.80 764451.96 728548.94 728810.17 728319.15 727664.00 623616.82 623907.79 608852.65 645192.15 823254.77 811026.55 821816.58 820993.76 813438.57 823159.58 806023.38 806340.92 9331796.06 9320957.61 9287733.55 9310145.63 9307013.89 9314484.08 9313357.10 9313871.97 9313680.31 9309229.39 9312103.15 9305075.96 9306830.95 9311017.00 9307774.70 9250211.98 9254589.36 9290129.45 9294957.19 9329685.33 9318685.46 9327723.88 9329597.58 9317358.02 9325435.69 9320631.32 9323557.31 9324687.24 9327534.98 9296384.65 9284808.91 9281336.51 9294520.59 9279349.34 9286870.07 9272052.95 9273459.87 9286886.83 9280981.66 9294784.30 9294756.44 193.89 186.10 195.93 192.90 188.71 190.08 188.66 187.15 187.25 188.95 191.04 189.14 193.95 190.37 186.26 193.53 194.04 196.84 193.04 196.59 186.39 189.98 188.97 190.01 186.56 186.78 185.08 187.12 189.55 184.62 197.79 188.15 196.35 193.48 193.26 192.98 192.52 194.02 193.49 192.02 191.99 38.93 46.17 40.12 42.91 43.38 47.09 41.57 43.17 40.48 42.59 44.32 44.57 45.77 44.75 48.49 42.62 43.91 49.97 37.89 43.10 42.52 43.94 40.72 48.07 38.31 45.30 44.44 42.28 38.11 36.95 42.79 43.59 36.71 43.48 44.51 44.47 44.72 45.80 44.25 43.48 43.49 BM.11 808644.78 9298797.58 808837.33 9298753.90 192.56 43.68 36 Lampiran 8 lanjutan Nama data x genuk y genuk x WGS-84 y WGS-84 ∆x ∆y BM.20 BM.20 BM.23 BM.25 BM.26 BM.26 BM.32 BM.33 BM.34 BM.39 BM.52 BM.53 BM.54 BM.66 BM.73 BM06 BM41 BM42 BMGAS 103 BMGAS 105 BMGAS 116 BMGAS 12 BMGAS 5 BMGAS 59 BMGAS 6 BMGAS 69 BMGAS 71 BMGAS 72 BMGAS 73 BMGAS 74 BMGAS 77 BMGAS 79 BMGAS 80 BMGAS 81 BMGAS 82 BMGAS 86 BMGAS 87 BMGAS 88 BMGAS 91 BMGAS 94 792637.21 797352.19 814723.11 795971.68 796042.84 810470.88 804358.16 806585.26 806424.08 810410.16 784083.32 786766.11 786634.00 785030.16 796789.90 796599.65 795957.64 795938.70 783640.50 789939.40 790374.90 827858.00 824063.00 774104.70 827062.00 759947.50 763476.70 763318.20 763077.90 759232.40 763039.70 762771.30 758244.70 756990.30 765217.60 760712.90 761179.90 759006.80 761670.20 764722.90 9297462.15 9277512.51 9273103.86 9293380.69 9293127.35 9281437.57 9280262.68 9287917.55 9287711.13 9281146.69 9293933.47 9292694.38 9292517.18 9286140.47 9283113.02 9277785.55 9281330.26 9281240.36 9280480.70 9279537.90 9286527.50 9292153.00 9293214.00 9299386.40 9294667.00 9304038.60 9303177.00 9299622.40 9296649.10 9302388.50 9298150.90 9304370.80 9303709.40 9302758.80 9296489.40 9299920.40 9301310.70 9301226.90 9303150.70 9298863.90 792828.75 797546.18 814914.49 796164.22 796234.83 810663.21 804556.55 806777.79 806616.67 810603.04 784275.58 786958.60 786826.45 785221.89 796982.90 796794.40 796152.00 796133.07 783830.31 790134.56 790568.59 828049.72 824254.28 774291.36 827256.28 760137.26 763665.62 763507.67 763263.51 759423.97 763225.82 762959.76 758440.99 757181.36 765409.46 760900.70 761368.16 759195.27 761857.48 764911.97 9297419.44 9277468.99 9273058.83 9293337.45 9293084.13 9281391.84 9280220.30 9287874.01 9287667.58 9281101.01 9293886.41 9292649.32 9292472.19 9286095.65 9283069.33 9277740.26 9281284.90 9281195.00 9280442.20 9279496.95 9286489.12 9292115.69 9293172.53 9299340.85 9294629.88 9303993.33 9303130.82 9299572.68 9296600.82 9302344.42 9298103.76 9304328.50 9303669.48 9302718.46 9296442.14 9299874.42 9301264.46 9301185.72 9303107.14 9298815.05 191.54 193.99 191.38 192.54 191.99 192.33 198.39 192.53 192.59 192.89 192.26 192.49 192.45 191.73 193.00 194.75 194.36 194.37 189.81 195.16 193.69 191.72 191.28 186.66 194.28 189.76 188.92 189.47 185.61 191.57 186.12 188.46 196.29 191.06 191.86 187.80 188.26 188.47 187.28 189.07 42.72 43.53 45.04 43.24 43.22 45.73 42.38 43.54 43.55 45.67 47.06 45.06 45.00 44.82 43.69 45.29 45.36 45.36 38.50 40.95 38.38 37.31 41.47 45.55 37.12 45.27 46.18 49.72 48.28 44.08 47.14 42.30 39.92 40.34 47.26 45.98 46.25 41.18 43.56 48.85 BMGAS 98 784370.80 9284131.60 784562.29 9284093.14 191.49 38.46 37 Lampiran 8 lanjutan Nama data x genuk y genuk x WGS-84 y WGS-84 ∆x ∆y BMGAS319 BMGAS321 BMGAS326 cl CL 11 CL 15 JBR 04 RD 29 RD 38 RD 60 T.138 T.147 T.180 T.206 T.3 T.353 T.367 T.37 T.372 T.38 T.387 T.44 T.48 T.49 T.50 T.80 TT.169 WNJ93-101 733688.20 739406.30 738295.00 785353.00 781009.00 782192.00 751602.60 761037.70 741348.60 766820.90 770806.10 763348.80 775087.62 781410.01 823447.13 809051.12 804423.16 826778.00 814759.60 824379.24 787567.78 833761.36 755246.60 751502.90 751716.01 745427.85 777571.61 823132.00 9295094.00 9294551.00 9293413.50 9296733.00 9311680.00 9307894.00 9298520.63 9320019.00 9328153.40 9320301.50 9297155.30 9300780.60 9314444.27 9306405.54 9299666.19 9271971.38 9279837.64 9282695.00 9288403.30 9278401.43 9294311.21 9273802.34 9321103.40 9322952.10 9326365.72 9325913.25 9306666.80 9301227.08 733878.64 739598.37 738488.34 785546.69 781199.78 782380.54 751797.21 761223.53 741540.03 767008.14 770996.95 763540.63 775276.86 781600.55 823639.77 809242.12 804616.95 826971.04 814951.59 824572.78 787756.70 833955.27 755433.86 751691.09 751909.48 745616.65 777762.88 823325.54 9295050.29 9294512.78 9293377.01 9296690.46 9311640.59 9307852.24 9298470.85 9319977.26 9328109.32 9320257.44 9297111.21 9300736.07 9314398.68 9306361.57 9299622.79 9271926.10 9279791.42 9282651.92 9288358.50 9278358.09 9294267.10 9273759.03 9321059.70 9322909.08 9326322.70 9325871.80 9306621.49 9301179.40 190.44 192.07 193.34 193.69 190.78 188.54 194.61 185.83 191.43 187.24 190.85 191.83 189.24 190.54 192.64 191.00 193.79 193.04 191.99 193.53 188.92 193.91 187.26 188.19 193.47 188.80 191.27 193.54 43.71 38.22 36.49 42.54 39.41 41.77 49.78 41.74 44.08 44.06 44.09 44.53 45.59 43.97 43.40 45.28 46.23 43.08 44.80 43.34 44.11 43.30 43.70 43.02 43.02 41.45 45.31 47.68 WNJ93-37 783799.97 9303999.69 783991.08 9303955.98 191.12 43.71 38 Lampiran 9 Tabel nilai MSE pada data akhir dengan pencilan > 1.96 x standar deviasi Pengacakan Data 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 Rata-rata JST Data latih Data uji 53.31 53.49 53.14 53.20 52.61 53.99 53.22 6.49 6.71 52.91 53.77 52.63 6.12 52.75 53.33 52.75 53.19 51.65 6.41 53.67 52.07 52.08 6.57 7.22 7.53 40.03 9.15 7.77 9.25 8.46 10.29 7.28 8.44 104.56 102.63 9.11 7.13 9.97 104.85 9.09 8.46 11.82 8.64 12.86 104.62 7.40 18.55 10.45 105.80 102.71 103.05 36.09 Similarity Data latih Data uji 54.48 54.74 53.47 53.84 53.49 55.07 53.67 7.42 7.96 53.94 54.48 53.54 7.19 53.18 54.01 53.29 54.24 51.78 7.72 54.34 52.11 52.52 7.73 7.57 7.76 40.78 8.43 7.09 10.29 8.76 10.12 7.02 9.27 104.73 102.17 8.64 7.65 10.31 104.36 10.31 9.16 11.03 8.44 14.06 103.42 8.20 19.58 11.64 104.41 103.92 104.29 36.29
Transformasi Koordinat Menggunakan Jaringan Syaraf Tiruan Propagasi Balik Resilient Transformasi Koordinat Menggunakan Jaringan Syaraf Tiruan Propagasi Balik Resilient
Aktifitas terbaru
Penulis
Dokumen yang terkait
Upload teratas

Transformasi Koordinat Menggunakan Jaringan Syaraf Tiruan Propagasi Balik Resilient

Gratis