Intensitas hujan dibagi menjadi3 tiga katagori, yaitu: a.
Enteng tipis : jika nilai curah hujan kurang dari 13 mmjam b.
Sedang : jika nilai curah hujan antara 13–38 mmjam
c. Lebat
: jika nilai curah hujan lebih dari 38 mmjam
3.1 Flow Chart Rancangan Penelitian
Dalam menganalisis algoritma Backpropagation dengan Learning Vector Quantization untuk memprediksi curah hujan di Kota Medan disusun langkah –
langkah yang akan dilakukan dalam penelitian ini yang dapat dilihat seperti flow chart Gambar 3.1.
Gambar 3.1 Flow Chart Rancangan Penelitian
S
Data Curah Hujan Komulatif
Algoritma Back
Prediksi Curah Hujan
TrainingSim ulasi
Analisis Kinerja Algoritma
Hasil Prediksi
Sel
Universitas Sumatera Utara
3.2 Bahan Penelitian
Bahan penelitian yang diperoleh dari Badan Meteorologi Klimatologi dan Geofisika Medan berupa data primer curah hujan komulatif bulanan selama 30 tahun
seperti pada Tabel 3.1. Tabel 3.1 Data Curah Hujan kota Medan Stasiun Polonia dalam milimeter
Universitas Sumatera Utara
Contoh pembacaan Normal curah hujan: J
an 9
5 - 129 dibawah 95 mm Bawah Normal, diatas 129 mm Atas Normal
P eb
7 2 - 98
dibawah72 mm Bawah Normal, diatas 98 mm Atas Normal
M ar
9 9 - 135
dibawah 99 mm Bawah Normal, diatas 135 mm Atas Normal Rata-rata
= jumlah dibagi 30 thn Batas bawah = 85 x rata-rata
Batas atas = 115 x rata-rata
Untuk data curah hujan tahun selanjutnya dilakukan cara yang sama.
3.3 Pseudocode Algoritma Backpropagation
Adapun pseudocode algoritma Backpropagation dalam melakukan training dapat dilihat seperti dibawah ini:
while epoch = ME and MSE eps do epoch
←epoch+1 for Data
← 0 to jmlData do for j
← 0 to 4 do Z_net[j]
← 0 Z[j]
← 0 for i
← 0 to maxI do Z_net[j]
← Z_net[j] + P[i][ Data] V[i][j] endfor
Z[j] ← 1 1 + Powe, -Z_net[j]
Endfor End for
MS[Data] ←0
for k ← 0 to maxK do
Y_net[k] ← 0
for j ← 0 to 4 do
Y_net[k] ← Y_net[k] +Z[j] W[k][j]
endfor Y[k]
← 1 1 + Powe, -Y_net[k] error[k]
← PowT[k, Data] - Y[k],2 MS[Data]
← MS[Data] + error[k] endfor
MS[Data] ← MS[Data] 7
MSE + ← MS[Data]
for k = 0 to maxK do DK[k] = T[k][ Data] - Y[k] Y[k] 1 - Y[k]
endfor for k
← 0 to maxK do for j
← 0 to 4 do dW[k][j]
← rate DK[k] Z[j]
Universitas Sumatera Utara
endfor endfor
for j ← 0 to 4 do
DK_net[j] ← 0
for k ← 0 to maxK do
DK_net[j] ← DK_net[j] +DK[k]W[k][j]
Endfor endfor
for j ← 0 to 4 do
DS[j] ← DK_net[j] Z[j] 1 - Z[j]
endfor for j
← 0 to 4 do for i
← 0 to maxI do dV[i,j]
← rate DS[j] P[i, Data] endfor
endfor for j
← 0 to 4 do for k
← 0 to maxK do W[k,j]
← W[k,j] +dW[k,j] endfor
endfor for j
← 0 to 4 do for i
← 0 tomaxI do V[i,j]
← V[i,j] +dV[i,j] endfor
endfor MSE
← MSE jml Data Endwhile
3.4 Pseudocode Algoritma Linear Vector Quantization LVQ