Flow Chart Rancangan Penelitian Bahan Penelitian Pseudocode Algoritma Backpropagation

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