Proses awal untuk pengoperasian aplikasi yang dibangun adalah melakukan input data training berupa data curah hujan. Proses input data pelatihan dilakukan dengan
menyiapkan data curah hujan selama 30 tahun yang akan dilatih. Selanjutnya pilih algoritma yang digunakan untuk melakukan training pembelajaran dan prediksi
curah hujan yang telah dipilih.
4.1 Hasil
Sebelum melakukan prediksi curah hujan, pada jaringan syaraf tiruan dilakukan training dalam pengenalan data curah hujan dengan data sebanyak 30 tahun
menggunakan kedua algoritma diatas.
4.1.1 Input Parameter Jaringan
Sebelum melakukan training dan memprediksi curah hujan, maka dilakukan pemasukan data parameter jaringan. Input data parameter dapat dilihat seperti pada
Gambar 4.2.
Gambar 4.2. Tampilan Input Data Parameter
Pada Gambar 4.2 di atas terdapat data-data antara lain: Error
= nilai error yang diperbolehkan target Of Epoch
= jumlah epoch
Universitas Sumatera Utara
Of Layer = jumlah layer
Neuron of the input Layer = jumlah neuron pada input layer
Neuron of the hidden Layer = jumlah neuron pada hiden layer Neuron of the output Layer = jumlah neuron pada output layer
Learning rate = rasio training
Momentum factor = nilai momentum
Bias = nilai bias
4.1.2 Training Algoritma Backpropagation
Training dengan algoritma Backpropagation yaitu proses melatih jaringan dengan data curah hujan sebanyak 30 tahun. Training dengan algoritma
Backpropagation dapat dilihat seperti pada Gambar 4.3.
Gambar 4.3 Tampilan Training Algoritma Backpropagation
Pada Gambar 4.3 di atas terlihat hasil training data curah hujan dengan waktu 21 detik dan error terbaik pada epoch 2982.
4.1.3 Prediksi Curah Hujan Dengan Algoritma Backpropagation
Prediksi curah hujan dengan algoritma Backpropagation adalah dengan menginput tahun dan bulan yang hendak diprediksi seperti pada Gambar 4.4.
Universitas Sumatera Utara
Gambar 4.4. Tampilan Prediksi Curah Hujan Algoritma Backpropagation
Pada Gambar 4.4 di atas terlihat hasil prediksi curah hujan untuk tahun 2010 dengan bulan April diperoleh hasil 146 mm dengan sifat normal dengan akurasi
sebesar 70 . Hasil prediksi dengan data bulan April dengan 30 tahun dihasilkan sifat curah hujan dengan batas normal= 116.82 sampai 167.93.
4.1.4 Training dengan Algoritma Learning Vector Quantization LVQ
Training dengan algoritma Learning Vector Quantization LVQ yaitu proses melatih jaringan dengan data curah hujan sebanyak 30 tahun. Training dengan
algoritma Learning Vector Quantization dapat dilihat seperti pada Gambar 4.5.
Universitas Sumatera Utara
Gambar 4.5 Tampilan Training Algoritma Learning Vector Quantization LVQ
Pada Gambar 4.5 di atas terlihat hasil training data curah hujan dengan waktu 17 detik dan error terbaik pada epoch 3321.
4.1.5 Prediksi Curah Hujan Dengan Algoritma Learning Vector Quantization
