ANALISIS KINERJA JARINGAN SARAF TIRUAN M
Seminar Nasional Ilmu Komputer2014 (SNIKOM)
Laguboti, 20 - 24 Agustus 2014
ANALISIS KINERJA JARINGAN SARAF TIRUAN METODE BACKPROPAGATION
DALAM MEMPREDIKSI CUACA DI KOTA MEDAN
Yudhi Andrian1, M. Rhifky Wayahdi2
Dosen Teknik Informatika, STMIK Potensi Utama
2
Mahasiswa Sistem Informasi, STMIK Potensi Utama
1,2
Jl. K.L. Yos Sudarso Km 6,5 No. 3A Tanjung Mulia-Medan
1
[email protected], [email protected]
1
ABSTRAK
Jaringan Saraf Tiruan (Artificial Neural Network) sebagian besar telah cukup handal dalam pemecahan
masalah, salah satunya adalah prediksi cuaca dengan metode backpropagation. Prediksi cuaca merupakan
perkiraan kondisi cuaca di masa mendatang. Pada penelitian ini penulis akan menganalisis kinerja jaringan
saraf tiruan dengan metode backpropagation dalam memprediksi cuaca di Kota Medan. Penulis akan
menggunakan tiga parameter data dalam memprediksi cuaca yaitu data curah hujan, data suhu, dan data
kelembaban tahun 1997 – 2013. Pada kasus prediksi cuaca di Kota Medan, jaringan saraf tiruan metode
backpropagation dalam proses training dapat mengenali pola data yang diberikan dengan baik. Pada proses
training JST, semakin kecil nilai target error maka iterasinya akan semakin besar dan tingkat keakurasiannya
juga semakin tinggi. Tingkat keakurasian terbesar pada proses pengujian prediksi cuaca di Kota Medan dengan
jaringan saraf tiruan metode backpropagation adalah pada data kelembaban yaitu 86.28% pada kuadrat error
0,01.
1.
Kata Kunci: Jaringan Saraf Tiruan, Backpropagation, Prediksi Cuaca.
PENDAHULUAN
algoritma Levenberg Marquardt untuk memprediksi
Prediksi cuaca merupakan perkiraan kondisi
cuaca masa depan. Di antara beberapa algoritma
cuaca di masa mendatang. Kondisi cuaca adalah
backpropagation, backpropagation levenberg adalah
keadaan atmosfer pada waktu tertentu. Variabelyang tercepat [4].
variabel cuaca meliputi beberapa hal seperti curah
Sari, Laila dan Agus Buono (2012) dalam
hujan, suhu, kelembaban, dan lainnya. Akurasi
penelitiannya memprediksi awal musim hujan
prediksi secara luas tergantung pada pengetahuan
mengatakan bahwa pola input data yang digunakan
tentang kondisi cuaca yang berlaku di wilayah
dalam metode backpropagation sangat berpengaruh
tersebut. Cuaca adalah kondisi non-linier dan proses
terhadap kinerja Jaringan Saraf Tiruan (Artificial
dinamis yang bervariasi dari hari ke hari bahkan
Neural Network) dalam melakukan proses prediksi
menit ke menit. Pemilihan metode yang tepat untuk
keadaan yang akan datang [6].
menentukan kondisi cuaca adalah kegiatan yang
Kharola, Manisha dan Dinesh Kumar (2014)
akhir-akhir ini sering dilakukan oleh beberapa
menggunakan metode backpropagation untuk
peneliti atmosfer dan cuaca.
memprediksi cuaca, dan menemukan bahwa proses
Jaringan Saraf Tiruan (Artificial Neural
pelatihan dapat dilakukan dengan cepat. Hasilnya
Network) sebagian besar telah cukup handal selama
lebih akurat untuk memprediksi cuaca di masa depan
beberapa tahun terakhir dalam pemecahan masalah.
ketika jumlah iterasi meningkat [3].
Jaringan saraf tiruan menyediakan metodologi yang
Dari penelitian yang dilakukan oleh Sari, Laila
sangat handal dalam pemecahan masalah non-linier.
dan Agus Buono (2012) dan penelitian yang
Jaringan saraf tiruan terinspirasi oleh otak manusia
dilakukan oleh Kharola, Manisha dan Dinesh
di mana neuron saling interkoneksi secara nonKumar (2014) menunjukkan bahwa jaringan saraf
linier. Neuron saling terhubung satu sama lain
tiruan metode backpropagation dapat diterapkan
melalui suatu jaringan. Jaringan ini yang dilatih
dalam memprediksi suatu keadaan yang akan
menggunakan algoritma backpropagation yang
datang. Hal ini yang mendasari penulis untuk
mengikuti Gradient Descent Method [4].
menganalisa
lebih
lanjut
kinerja
metode
Backpropagation merupakan salah satu
backpropagation dalam memprediksi cuaca. Pada
arsitektur Artificial Neural Network yang memiliki
penelitian ini penulis akan menganalisis kinerja
proses pembelajaran maju dan koreksi kesalahan
jaringan
saraf
tiruan
dengan
metode
secara mundur. Model ini banyak digunakan baik itu
backpropagation dalam memprediksi cuaca di Kota
untuk proses pengenalan maupun prediksi dengan
Medan. Penulis memiliki asumsi bahwa tidak semua
tingkat akurasi yang cukup baik [1].
data cuaca dapat dikenali dengan baik oleh metode
Naik, Arti R. dan Prof. S.K.Pathan (2012)
backpropagation, dan data cuaca yang berbeda akan
mengusulkan sebuah metode baru prakiraan cuaca
menghasilkan tingkat pengenalan yang berbeda pula.
menggunakan jaringan saraf tiruan feed-forward dan
Penulis akan menggunakan tiga parameter data
datanya dapat dilatih dengan menggunakan
hal 1
Seminar Nasional Ilmu Komputer2014 (SNIKOM)
Laguboti, 20 - 24 Agustus 2014
dalam memprediksi cuaca yaitu data curah hujan,
data suhu, dan data kelembaban tahun 1997 – 2013.
Tujuan penelitian ini dilakukan adalah untuk
menganalisis kinerja jaringan saraf tiruan metode
backpropagation dalam mengenali pola dari ketiga
parameter data tersebut apakah pola dari ketiga
parameter tersebut dapat dikenali dengan baik yang
selanjutnya dapat dilakukan proses prediksi cuaca.
2.
3.
JARINGAN SARAF TIRUAN
Jaringan Saraf Tiruan (JST) adalah paradigma
pengolahan informasi yang terinspirasi oleh sistem
saraf secara biologis, seperti proses informasi pada
otak manusia. Elemen kunci dari paradigma ini
adalah struktur dari sistem pengolahan informasi
yang terdiri dari sejumlah besar elemen pemrosesan
yang saling berhubungan (neuron), bekerja serentak
untuk menyelesaikan masalah tertentu.
Cara kerja JST seperti cara kerja manusia, yaitu
belajar melalui contoh. Lapisan-lapisan penyusun
JST dibagi menjadi 3, yaitu lapisan input (input
layer), lapisan tersembunyi (hidden layer), dan
lapisan output (ouput layer) [7].
Pada dasarnya JST adalah sistem yang
menerima input, proses data, dan kemudian
memberikan output yang berhubungan dengan input.
Keuntungan dari JST adalah dapat digunakan untuk
mengambil data, mendeteksi tren, dan juga dapat
memprediksi pola yang tidak diberikan selama
pelatihan yang disebut dengan generalisasi [4].
METODE BACKPROPAGATION
Salah satu algoritma JST adalah propagasi
balik (backpropagation), yaitu JST multi layer yang
mengubah bobot dengan cara mundur dari lapisan
keluaran ke lapisan masukan. Tujuannya untuk
melatih jaringan agar mendapatkan keseimbangan
kemampuan untuk mengenali pola yang digunakan
selama pelatihan serta kemampuan jaringan untuk
memberikan respon yang benar terhadap pola
masukan dengan pola yang dipakai selama pelatihan
[2].
Arsitektur backpropagation merupakan salah
satu arsitektur jaringan saraf tiruan yang dapat
digunakan untuk mempelajari dan menganalisis pola
data masa lalu lebih tepat sehingga diperoleh
keluaran yang lebih akurat (dengan kesalahan atau
error minimum) [5].
Langkah-langkah dalam membangun algoritma
backpropagation adalah sebagai berikut [7]:
a. Inisialisasi bobot (ambil nilai random yang
cukup kecil).
b. Tahap perambatan maju (forward propagation)
1) Setiap unit input (X1, i=1,2,3,…,n) menerima
sinyal xi dan meneruskan sinyal tersebut ke
semua unit pada lapisan tersembunyi.
2) Setiap unit tersembunyi (Z1, j=1,2,3,…,p)
menjumlahkan
bobot
sinyal
input,
ditunjukkan dengan persamaan (1).
(1)
n
z ¿ j =v 0 j+ ∑ xi v ij
i=1
Dan menerapkan fungsi aktivasi untuk
menghitung sinyal output-nya, ditunjukkan
dengan persamaan (2).
(2)
z j=f ( z ¿ j)
Fungsi aktivasi yang digunakan adalah fungsi
sigmoid, kemudian mengirimkan sinyal
tersebut ke semua unit output.
3) Setiap unit output (Yk, k=1,2,3,…,m)
menjumlahkan
bobot
sinyal
input,
ditunjukkan dengan persamaan (3).
p
y ¿k =w 0 k + ∑ zi w jk
(3)
i=1
Dan menerapkan fungsi aktivasi untuk
menghitung sinyal output-nya, ditunjukkan
dengan persamaan (4).
(4)
y =f ( y )
k
¿k
c. Tahap perambatan balik (backpropagation)
1) Setiap unit output (Yk, k=1,2,3,…,m)
menerima pola target yang sesuai dengan
pola input pelatihan, kemudian hitung error,
ditunjukkan dengan persamaan (5).
(5)
δ k =( t k − y k ) f ' ( y ¿k )
f’ adalah turunan dari fungsi aktivasi.
Kemudian hitung korelasi bobot, ditunjukkan
dengan persamaan (6).
(6)
∆ w jk =α δ k z j
Dan menghitung koreksi bias, ditunjukkan
dengan persamaan (7).
(7)
∆ w 0 k =α δ k
Sekaligus mengirimkan δk ke unit-unit yang
ada di lapisan paling kanan.
2) Setiap unit tersembunyi (Zj, j=1,2,3,…,p)
menjumlahkan delta input-nya (dari unit-unit
yang berada pada lapisan di kanannya),
ditunjukkan dengan persamaan (8).
m
δ ¿ j =∑ δ k w jk
(8)
k=1
Untuk menghitung informasi error, kalikan
nilai ini dengan turunan dari fungsi
aktivasinya, ditunjukkan dengan persamaan
(9).
'
(9)
δ j=δ ¿ j f ( z ¿ j)
Kemudian hitung koreksi bobot, ditunjukkan
dengan persamaan (10).
(10)
∆ v jk =α δ j x i
Setelah itu, hitung juga koreksi
ditunjukkan dengan persamaan (11).
∆ v 0 j=α δ j
bias,
(11)
d. Tahap perubahan bobot dan bias
1) Setiap unit output (Yk, k=1,2,3,…,m)
dilakukan perubahan bobot dan bias (j=0,1,2,
…,p), ditunjukkan dengan persamaan (12).
hal 2
Seminar Nasional Ilmu Komputer2014 (SNIKOM)
Laguboti, 20 - 24 Agustus 2014
w jk ( baru )=w jk (lama )+ ∆ w jk
(12)
Setiap unit tersembunyi (Zj, j=1,2,3,…,p)
dilakukan perubahan bobot dan bias (i=0,1,2,
…,n), ditunjukkan dengan persamaan (13).
v ij ( baru )=v ij ( lama ) + ∆ v ij
2) Tes kondisi berhenti.
4.
(13)
METODE PENELITIAN
Penelitian ini bertujuan untuk menganalisis
kinerja
jaringan
saraf
tiruan
metode
backpropagation dalam memprediksi cuaca di Kota
Medan. Penulis ingin mengetahui bagaimana kinerja
jaringan saraf tiruan metode backpropagation dalam
mengenali pola tiga parameter data yaitu data curah
hujan, data suhu, dan data kelembaban dalam
memprediksi cuaca di Kota Medan.
Untuk mencapai tujuan tersebut, penulis akan
melakukan pelatihan dan pengujian data dengan
menggunakan data curah hujan, data suhu, dan data
kelembaban bulanan Kota Medan tahun 1997 – 5.
2013. Data bersumber dari BMKG Stasiun Polonia,
Kota Medan.
Prediksi cuaca dengan jaringan saraf tiruan
backpropagation
digunakan
langkah-langkah
sebagai berikut:
a. Memisahkan data yang akan digunakan sebagai
data pelatihan dan data uji. Data curah hujan,
suhu, dan kelembaban tahun 1997 – 2008 akan
digunakan sebagai data pelatihan selama
perancangan JST, sedangkan data tahun 2009 –
2013 digunakan sebagi data pengujian.
b. Desain JST
Desain JST dilakukan untuk prediksi cuaca
bulanan dimulai dengan menentukan banyaknya
data masukan yang digunakan, banyaknya layar
tersembunyi (hidden layer) yang digunakan, dan
banyaknya keluaran yang diinginkan. Data yang
digunakan sebagai masukan sebanyak 8 data (8
tahun) dan data keluaran atau target adalah data
pada tahun ke-9 (data input 1997 – 2004 dengan
target 2005). Untuk mengetahui curah hujan,
suhu, dan kelembaban pada tahun ke-10 maka
data masukannya merupakan data pada tahun ke2 sampai tahun ke-9 (data input 1998 – 2005
dengan target 2006), demikian seterusnya.
Gambar 1 menggambarkan desain jaringan saraf
tiruan
backpropagation dengan input
layer(xi)=8, hidden layer(vi)=6, dan output
layer(yi)=1.
Gambar 1. Desain JST backpropagation
c. Pengenalan pola (pelatihan)
Pengenalan pola dilakukan dengan cara
penyesuaian nilai bobot (dalam penelitian ini
nilai bobot ditentukan secara random).
Penghentian
penyesuaian
bobot
dalam
pengenalan pola apabila kuadrat error mencapai
target error. Error dihitung setelah tahapan
forward propagation. Apabila error lebih besar
dari target error maka pelatihan akan dilanjutkan
ke tahap backward propagation sampai error
mencapai atau lebih kecil dari target error.
d. Pengujian dan prediksi
Pengujian dilakukan bertujuan untuk mengetahui
tingkat keakuratan sistem JST yang telah dibuat
dalam memprediksi cuaca pada tahun tertentu.
Sedangkan
prediksi
bertujuan
untuk
memprediksi cuaca yang akan datang.
HASIL DAN ANALISA
Prediksi cuaca dengan jaringan saraf tiruan
metode
backpropagation
dilakukan
dengan
membagi data menjadi tiga bagian, yaitu: data untuk
training/pelatihan, data untuk testing/pengujian, dan
data untuk prediksi. Data yang digunakan adalah
data curah hujan, data suhu, dan data kelembaban
Kota Medan tahun 1997 – 2013. Di mana data tahun
1997 – 2008 digunakan sebagai pelatihan, data tahun
2009 – 2013 digunakan sebagai pengujian, dan data
tahun 2014 – 2018 data yang akan diprediksi.
Pembagian data untuk pelatihan dapat dilihat pada
Tabel 1.
Tabel 1(a). Data input curah hujan tahun 1997 –
2004 dengan target tahun 2005
19
97
1
998
106
.2
1
81
96.
6
5
0.2
134
.4
2
9.4
109
.8
3
5.3
80.
9
1
33.5
175
.3
1
44.6
225
.8
2
13
95.
7
3
81
290
.6
1
70.8
391
.1
3
40.3
265
.4
2
75.8
182
.4
3
94.2
…
…
…
…
…
…
…
…
…
…
…
…
…
2
004
2
005
1
38.8
1
89.1
2
00.8
4
3.9
2
37.9
6
2.5
8
8.5
1
68.2
6
8
2
29.5
2
00.5
1
74
2
06.8
2
10.8
2
04.3
1
45.7
4
75.3
2
90.5
3
77.5
1
75.5
1
41.2
2
06.4
1
66.4
3
11.4
hal 3
Seminar Nasional Ilmu Komputer2014 (SNIKOM)
Laguboti, 20 - 24 Agustus 2014
Tabel 1(b). Data input suhu tahun 1997 – 2004
dengan target tahun 2005
19
97
1
998
3
0,1
3
0,4
3
0,4
3
1,6
3
1,5
3
2,5
3
1,1
3
3,3
3
2,5
3
3,2
3
1,2
3
2,2
3
1,3
3
1,8
3
2,2
3
0
3
0,1
3
0,6
3
0,1
3
1,9
3
0,3
3
0,5
3
0,1
2
9,5
…
…
…
…
…
…
…
…
…
…
…
…
…
2
004
005
3
0
3
0,9
3
1,4
3
1,2
3
2,5
3
1,2
3
2,7
3
2,7
3
3
3
97
2,3
3
1,8
0,5
0,3
3
.197
3
.239
3
.212
2
.18
0,3
3
0,6
0,5
3
0,6
9,8
97
1
998
6
6
7
2
6
7
6
9
6
4
6
4
6
5
6
1
5
9
6
2
6
4
6
4
6
4
6
7
5
8
7
3
7
0
7
0
7
0
6
9
7
3
7
0
7
3
7
2
…
…
…
…
…
…
…
…
…
…
…
…
…
2
004
6
2
4
5
6
8
7
8
5
.292
8
0
0
.279
0
0
.466
0
0
.395
0
0
.526
…
…
…
…
…
…
…
…
…
…
…
2
005
0
.244
0
.299
0
.312
0
.139
0
.353
0
.16
0
.188
0
.276
0
.166
0
.344
0
.312
0
.283
0
.319
0
.323
0
.316
0
.251
0
.615
0
.411
0
.507
0
.284
0
.246
0
.318
0
.274
0
.434
6
97
19
.367
6
.414
6
.586
6
.524
7
.743
2
Sebelum diproses data dinormalisasi terlebih
dahulu. Normalisasi terhadap data dilakukan agar
keluaran jaringan sesuai dengan fungsi aktivasi yang
digunakan. Data-data tersebut dinormalisasi dalam
interval [0, 1] karena data yang digunakan bernilai
positif atau 0. Selain itu juga terkait fungsi aktivasi
yang diberikan yaitu sigmoid biner.
Fungsi sigmoid adalah fungsi asimtotik (tidak
pernah mencapai 0 ataupun 1), maka transformasi
data dilakukan pada interval yang lebih kecil yaitu
[0.1; 0.8], ditunjukkan dengan persamaan (14).
1
998
0
5
9
6
0
…
2
004
Tabel 2(b). Data suhu hasil normalisasi tahun 1997 –
2004 dengan target tahun 2005
9
7
0
.511
…
6
5
6
9
6
8
6
0
.326
0
.384
2
5
0
6
2
6
0
.25
.34
.522
4
5
0
.238
0
6
6
0
.129
0
.411
3
5
0
.123
0
6
2
6
0
.146
0
.196
6
6
0
2
6
6
0
.29
.284
005
6
1
998
0
.208
2
3
19
3
2,8
3
a adalah data minimum, b adalah data maksimum, x
adalah data yang akan dinormalisasi, dan x’ adalah
data yang telah ditransformasi. Sehingga dihasilkan
data hasil normalisasi yang ditunjukkan pada Tabel
2.
Tabel 2(a). Data curah hujan hasil normalisasi tahun
1997 – 2004 dengan target tahun 2005
2,7
2
9,8
(14)
3
2,7
2
0.8 (x−a)
+ 0.1
b−a
3
0,9
Tabel 1(c). Data input kelembaban tahun 1997 –
2004 dengan target tahun 2005
19
x'=
2
0
.414
0
0
.602
0
0
.743
0
0
.869
0
0
.853
0
.539
0
.696
0
.555
0
.633
0
.696
0
.351
0
.367
0
.445
0
.367
0
.649
0
.398
0
.429
0
.367
0
.273
…
…
…
…
…
…
…
…
…
…
…
…
…
2
004
2
005
0
.351
0
.492
0
.492
0
.571
0
.539
0
.743
0
.539
0
.775
0
.775
0
.775
0
.665
0
.775
0
.32
0
.712
0
.633
0
.79
0
.429
0
.665
0
.398
0
.398
0
.445
0
.429
0
.445
0
.32
hal 4
Seminar Nasional Ilmu Komputer2014 (SNIKOM)
Laguboti, 20 - 24 Agustus 2014
Tabel 2(c). Data kelembaban hasil normalisasi tahun
1997 – 2004 dengan target tahun 2005
19
97
1
998
0
.519
0
.748
0
.557
0
.633
0
.443
0
.443
0
.481
0
.329
0
.252
0
.367
0
.443
0
.443
0
.443
0
.557
0
.214
0
.786
0
.671
0
.671
0
.671
0
.633
0
.786
0
.671
0
.786
0
.748
…
…
…
…
…
…
…
…
…
…
…
…
…
2
004
2
005
0
.519
0
.519
0
.367
0
.519
0
.443
0
.367
0
.481
0
.405
0
.138
0
.443
0
.214
0
.367
0
.557
0
.367
0
.214
0
Tabel 4. Hasil pengujian
0
arget
error
.214
0
.481
T
.481
0
.595
Proses training dengan menggunakan bobot
random pada Tabel 3 menghasilkan kuadrat
error=0.01 untuk data curah hujan pada iterasi ke66, data suhu pada iterasi ke-9586, dan data
kelembaban pada iterasi ke-4011. Pada pengujian
awal ini didapatkan hasil bahwa jumlah iterasi untuk
data curah hujan lebih kecil daripada data lainnya.
Selanjutnya dilakukan beberapa kali proses
training dan testing, di mana jumlah hidden layer
tetap yaitu 6, alpha=1, max epoch=100000 dan nilai
target error yang bervariasi. Hasil dari pengujian ini
dapat dilihat pada Tabel 6.
terasi
.633
.671
0
0
.05
0
.02
.633
0
.633
Tabel 3. Generate bobot random
0
.3528
0
.007
0
.4313
0
.4748
0
.2344
0
.4149
0
.3476
0
.3381
0
.1422
0
.4899
Bobot input ke hidden awal
0
0
.2667
.2898
.1448
0
0
.3804
.4072
.3545
0
0
.3952
.1868
.481
0
0
.182
.2624
.3836
0
0
.1491
.3113
.3239
0
0
.4123
.2946
.493
0
0
.49
.122
.2669
0
0
.0079
.2876
.05
Bias input ke hidden
0
0
.0228
.1479
.191
Bobot hidden ke output
0
0
.2007
.1391
.0802
Bias hidden ke output
0
0
.151
0
0
.3874
0
.0227
0
0
.207
0
.4357
0
0
.0281
0
.0268
0
0
.2962
0
.1319
0
0
.1397
0
.4555
0
0
.1134
0
.0532
0
0
.4997
0
.0515
0
0
.3394
0
.1505
0
0
.4743
0
.0814
0
.3233
0
1
3
Kelemba
2
1
6
6
0
3
A
kurasi
2
7
9
2
9
7
9.22%
1
0197
7
3.78%
1.67%
586
3
7.12%
I
terasi
6
1
8
0.18%
8
7
A
kurasi
9.88%
1.2 %
0
.009
I
terasi
0.9 %
.01
Pada Tabel 1 dan Tabel 2 di atas menampilkan
data tahun 1997 – 2004 dengan target tahun 2005.
Untuk pelatihan data lainnya dilakukan hal yang
sama. Seperti telah dijelaskan di atas, data pelatihan
menggunakan data sampai tahun 2008.
Setelah proses normalisasi untuk semua data
dilakukan, selanjutnya dilakukan proses inisialisasi
bobot. Proses inisialisasi bobot dilakukan dengan
memberikan nilai bobot secara random atau acak.
Bobot di-generate secara random dengan jumlah
hidden layer=6, alpha=1, max epoch=100000.
Bobot random yang telah di-generate dapat dilihat
pada Tabel 3.
A
kurasi
2
0
.748
Suhu
ban
I
0
0
Curah
hujan
4
011
7
7
6.57%
8
6.28%
~
5,87%
Dari hasil pengujian pada Tabel 4 didapatkan
bahwa pada data curah hujan, jumlah iterasi terkecil
ada pada target error 0.05 dengan jumlah iterasi=2
dengan tingkat keakurasian=10.9% dan jumlah
iterasi terbesar ada pada target error 0.009 dengan
jumlah iterasi=87 dengan tingkat keakurasian=
37.12%. Pada data suhu, jumlah iterasi terkecil ada
pada target error 0.05 dengan jumlah iterasi=2
dengan tingkat keakurasian=69.88% dan jumlah
iterasi terbesar ada pada target error 0.009 dengan
jumlah iterasi=10197 dengan tingkat keakurasian=
75.87%. Pada data kelembaban, jumlah iterasi
terkecil ada pada target error 0.05 dengan jumlah
iterasi=2 dengan tingkat keakurasian=73.78% dan
jumlah iterasi terbesar ada pada target error 0.01
dengan jumlah iterasi=4011 dengan tingkat
keakurasian= 86.28%. Pada data kelembaban dengan
target error 0.009 jumlah iterasi tidak terhingga.
Dari hasil pengujian pada Tabel 4 dapat dilihat
tingkat keakurasian tertinggi ada pada pengujian
data kelembaban dengan target error 0.01 yaitu
86.28%, sedangkan tingkat keakurasian terendah ada
pada pengujian data curah hujan dengan target error
0.05 yaitu 10.9%. Sehingga dapat disimpulkan
bahwa semakin kecil nilai target error maka nilai
iterasinya akan semakin besar dan keakurasiannya
juga semakin tinggi.
Proses terakhir yaitu melakukan prediksi cuaca
untuk beberapa tahun berikutnya dengan mengambil
data dengan kuadrat error 0.01 dengan tingkat
keakurasian data curah hujan 30.18%. Hasil prediksi
curah hujan dapat dilihat pada Tabel 5.
.367
hal 5
-
Seminar Nasional Ilmu Komputer2014 (SNIKOM)
Laguboti, 20 - 24 Agustus 2014
Tabel 5. Hasil prediksi curah hujan 2014 – 2018
Tahun
2
B 014
2
015
2
016
2
017
2
4
1.5
2
5
018
2
15.5
2
1
85.6
3
4
92.1
2
5
97.5
7
8
2
1
2
2
1
2
69.2
2
51.1
R
2
44.05
2
2
62.8
2
55.2
2
47.275
2
96.6
2
2
2
2
66.9
60.1
42.8
44.575
2
2
2
50.2
2
74.5
85.5
56.8
2
2
2
9
39.8
58.8
89.4
2
18.2
77
2
8
2
2
42.3
68.3
91
69.5
atarata
2
2
2
2
2
7
66.9
13.6
74.9
67.9
90.8
2
2
2
2
2
41
72
72.5
1
06.8
2
2
68
2
47.775
2
3
3
3
1
3
0.9
1
1
3
0.5
1
2
2
9.9
R
atarata
3
1.033
3
3
3
2
9.9
3
0.1
3
1.092
3
1.1
0.2
0.3
0.667
3
3
3
3
1
1.2
0.7
0.2
3
3
3
3
0.7
1
0.9
0.7
3
3
3
3
1.3
1.3
1.4
0.6
3
3
3
3
1.1
1.3
1.1
1.3
3
3
3
3
1.3
1.4
1.6
1
3
3
3
3
0.9
2
1.9
0.7
1.1
3
3
0.8
3
1.9
1
0.1
1.5
0
3
3
1.4
3
1.1
0.6
1.1
41.3
68.9
2
2
2
9
2
1
43.5
2
3
1
46.1
33.4
75.8
99.8
60.2
1
2
2
42.9
2
6
21.9
2
44.8
34.4
63.8
1
09.3
50.6
2
26.7
2
2
2
2
78.5
6
01.9
30
2
24.4
2
2
35.3
36.9
2
24.6
1
2
27.6
0
2
20.1
1.3
3
0.7
1.5
ulan
1
0.2
3
2
9.7
3
1.125
3
0.708
Dari Tabel 6 hasil prediksi suhu tahun 2014 –
2018, diperkirakan suhu rata-rata pertahun akan
mengalami peningkatan dan penurunan yang tidak
terlalu ekstrim dari tahun 2014 sampai tahun 2018.
Grafik prediksi suhu setiap tahunnya dapat dilihat
pada Gambar 3.
52.475
Dari Tabel 5 hasil prediksi curah hujan tahun
2014 – 2018, diperkirakan curah hujan rata-rata
pertahun akan semakin meningkat dari tahun 2014
sampai tahun 2018. Grafik peningkatan curah hujan
setiap tahunnya dapat dilihat pada Gambar 2.
Gambar 3. Grafik suhu 2014 – 2018
Untuk prediksi kelembaban beberapa tahun
berikutnya mengambil data dengan kuadrat error
0.01 dengan tingkat keakurasian 86.28% Hasil
prediksi kelembaban dapat dilihat pada Tabel 7.
Tabel 7. Hasil prediksi kelembaban 2014 – 2018
Gambar 2. Grafik curah hujan 2014 - 2018
Tahun
Untuk prediksi suhu beberapa tahun berikutnya
mengambil data dengan kuadrat error 0.01 dengan
tingkat keakurasian 79.22%. Hasil prediksi suhu
dapat dilihat pada Tabel 6.
2
B 014
1
6
3
2
2
B 014
2
015
2
6
016
017
2
018
1
3
0.1
2
3
1.3
3
3
0.8
3
1.1
3
3
0.7
3
1.1
3
3
0.4
3
1.3
3
6
3
7
3
8
0.7
3
6
6
1.8
6
1.6
6
1.3
6
6
6
1.4
6
1.1
6
1.6
6
1.7
1
1.3
6
3.2
6
6
6
6
1.8
1.3
1.2
1.5
6
6
6
6
1.5
1.5
1.8
1.6
6
6
6
6
1.5
1.3
1.8
1.6
6
6
6
6
2.1
1.6
1.5
2.4
6
6
6
6
5
3
0
2
018
1.8
1.3
1.8
1.5
6
6
6
1.4
ulan
2
017
2.1
1.9
1.4
2
6
3
1.4
4
Tahun
2
016
ulan
3
Tabel 6. Hasil prediksi suhu 2014 – 2018
2
015
6
1.5
6
1.6
6
1.7
hal 6
Seminar Nasional Ilmu Komputer2014 (SNIKOM)
Laguboti, 20 - 24 Agustus 2014
9
6
2.6
1
0
6
1.8
1
1
6
6
6
2.6
6
3.6
6
1.817
6
1.7
2.9
2.8
6
2.65
6
6
6
6
1.7
1.8
2.8
5.3
6
2.2
6
6
6
6
1.6
1.9
5
4.9
R
atarata
6
6
1
6
1.7
2.3
3.7
2
6
2.2
6
3
6
1.758
6
1.85
Dari Tabel 7 hasil prediksi kelembaban tahun
2014 – 2018, diperkirakan kelembaban rata-rata
pertahun akan mengalami peningkatan dan
penurunan yang juga tidak terlalu ekstrim dari tahun
2014 sampai tahun 2018. Grafik prediksi
kelembaban setiap tahunnya dapat dilihat pada
Gambar 4.
Gambar 4. Grafik kelembaban 2014 – 2018
Dari hasil prediksi ketiga parameter cuaca yaitu
curah hujan, suhu, dan kelembaban dapat kita
ketahui keadaan cuaca yang akan datang. Sebagai
sampel untuk prediksi cuaca diambil data tahun
2014 dari masing-masing parameter. Grafik prediksi
cuaca tahun 2014 dapat dilihat pada Gambar 5.
Gambar 5. Grafik prediksi cuaca tahun 2014
Dari Gambar 5 dapat dilihat pada tahun 2014
ini curah hujan cenderung mengalami peningkatan
dan penurunan yang cukup ekstrim yaitu curah hujan
minimum 185.6 mm dan curah hujan maksimum
290.8 mm. Sedangkan prediksi suhu dan
kelembaban cenderung stabil yaitu suhu minimum
29.9° C dan suhu maksimum 32° C, dengan
kelembaban minimum 61.3% dan kelembaban
maksimum 64.9%.
6.
dalam proses training dapat mengenali pola data
suhu dan kelembaban dengan baik, namun untuk
pola data curah hujan, proses pengenalannya
kurang baik. Hal ini sesuai dengan asumsi
penulis.
b. Pada proses training JST, semakin kecil nilai
target error maka iterasinya akan semakin besar
dan tingkat keakurasiannya juga semakin tinggi.
c. Tingkat keakurasian terbesar pada proses
pengujian prediksi cuaca di Kota Medan dengan
jaringan saraf tiruan metode backpropagation
adalah pada data kelembaban yaitu 86.28% pada
kuadrat error 0,01.
d. Kondisi cuaca pada tahun 2014 di Kota Medan
cenderung berubah setiap bulannya, dengan
curah hujan minimum 185.6 mm dan curah hujan
maksimum 290.8 mm, suhu minimum 29.9° C
dan suhu maksimum 32° C, dengan kelembaban
minimum 61.3% dan kelembaban maksimum
64.9%.
DAFTAR PUSTAKA
[1] Dewi, Candra dan M. Muslikh, 2013,
Perbandingan
Akurasi
Backpropagation
Neural Network dan ANFIS untuk Memprediksi
Cuaca. Journal of Scientic Modelling &
Computation, Vol. 1, No. 1.
[2] Ihwan, Andi, 2013, Metode Jaringan Saraf
Tiruan Propagasi Balik untuk Estimasi Curah
Hujan Bulanan di Ketapang Kalimantan
Barat, Prosiding Semirata FMIPA Universitas
Lampung.
[3] Kharola, Manisha and Dinesh Kumar, 2014,
Efficient
Weather
Prediction
By
Backpropagation Algorithm, IOSR Journal of
Computer Engineering (IOSR-JCE), Volume
16, Issue 3, Ver. IV, June.
[4] Naik, Arti R. and S.K.Pathan, 2012, Weather
Classification and Forecasting using Back
Propagation Feed-forward Neural Network,
International Journal of Scientific and Research
Publications, Vol. 2, Issue 12, December.
[5] Oktaviani, Cici dan Afdal, 2013, Prediksi
Curah Hujan Bulanan Menggunakan Jaringan
Syaraf Tiruan dengan Beberapa Fungsi
Pelatihan Backpropagation, Jurnal Fisika
Unand, Vol. 2, No. 4, Oktober.
[6] Sari, Laila dan Agus Buono, 2012, Artificial
Neural Network Modelling to Predict The
Beginning of Rainy Season Based on Sea
Surface Temperature. Jurnal Ilmu Komputer
Agri-Informatika, Vol 1, No. 2.
[7] Sutojo, T., et al, 2010, Kecerdasan Buatan,
Yogyakarta: Andi Offset.
KESIMPULAN
Dari hasil penelitian dapat diambil beberapa
kesimpulan antara lain:
a. Pada kasus prediksi cuaca di Kota Medan,
jaringan saraf tiruan metode backpropagation
hal 7
Laguboti, 20 - 24 Agustus 2014
ANALISIS KINERJA JARINGAN SARAF TIRUAN METODE BACKPROPAGATION
DALAM MEMPREDIKSI CUACA DI KOTA MEDAN
Yudhi Andrian1, M. Rhifky Wayahdi2
Dosen Teknik Informatika, STMIK Potensi Utama
2
Mahasiswa Sistem Informasi, STMIK Potensi Utama
1,2
Jl. K.L. Yos Sudarso Km 6,5 No. 3A Tanjung Mulia-Medan
1
[email protected], [email protected]
1
ABSTRAK
Jaringan Saraf Tiruan (Artificial Neural Network) sebagian besar telah cukup handal dalam pemecahan
masalah, salah satunya adalah prediksi cuaca dengan metode backpropagation. Prediksi cuaca merupakan
perkiraan kondisi cuaca di masa mendatang. Pada penelitian ini penulis akan menganalisis kinerja jaringan
saraf tiruan dengan metode backpropagation dalam memprediksi cuaca di Kota Medan. Penulis akan
menggunakan tiga parameter data dalam memprediksi cuaca yaitu data curah hujan, data suhu, dan data
kelembaban tahun 1997 – 2013. Pada kasus prediksi cuaca di Kota Medan, jaringan saraf tiruan metode
backpropagation dalam proses training dapat mengenali pola data yang diberikan dengan baik. Pada proses
training JST, semakin kecil nilai target error maka iterasinya akan semakin besar dan tingkat keakurasiannya
juga semakin tinggi. Tingkat keakurasian terbesar pada proses pengujian prediksi cuaca di Kota Medan dengan
jaringan saraf tiruan metode backpropagation adalah pada data kelembaban yaitu 86.28% pada kuadrat error
0,01.
1.
Kata Kunci: Jaringan Saraf Tiruan, Backpropagation, Prediksi Cuaca.
PENDAHULUAN
algoritma Levenberg Marquardt untuk memprediksi
Prediksi cuaca merupakan perkiraan kondisi
cuaca masa depan. Di antara beberapa algoritma
cuaca di masa mendatang. Kondisi cuaca adalah
backpropagation, backpropagation levenberg adalah
keadaan atmosfer pada waktu tertentu. Variabelyang tercepat [4].
variabel cuaca meliputi beberapa hal seperti curah
Sari, Laila dan Agus Buono (2012) dalam
hujan, suhu, kelembaban, dan lainnya. Akurasi
penelitiannya memprediksi awal musim hujan
prediksi secara luas tergantung pada pengetahuan
mengatakan bahwa pola input data yang digunakan
tentang kondisi cuaca yang berlaku di wilayah
dalam metode backpropagation sangat berpengaruh
tersebut. Cuaca adalah kondisi non-linier dan proses
terhadap kinerja Jaringan Saraf Tiruan (Artificial
dinamis yang bervariasi dari hari ke hari bahkan
Neural Network) dalam melakukan proses prediksi
menit ke menit. Pemilihan metode yang tepat untuk
keadaan yang akan datang [6].
menentukan kondisi cuaca adalah kegiatan yang
Kharola, Manisha dan Dinesh Kumar (2014)
akhir-akhir ini sering dilakukan oleh beberapa
menggunakan metode backpropagation untuk
peneliti atmosfer dan cuaca.
memprediksi cuaca, dan menemukan bahwa proses
Jaringan Saraf Tiruan (Artificial Neural
pelatihan dapat dilakukan dengan cepat. Hasilnya
Network) sebagian besar telah cukup handal selama
lebih akurat untuk memprediksi cuaca di masa depan
beberapa tahun terakhir dalam pemecahan masalah.
ketika jumlah iterasi meningkat [3].
Jaringan saraf tiruan menyediakan metodologi yang
Dari penelitian yang dilakukan oleh Sari, Laila
sangat handal dalam pemecahan masalah non-linier.
dan Agus Buono (2012) dan penelitian yang
Jaringan saraf tiruan terinspirasi oleh otak manusia
dilakukan oleh Kharola, Manisha dan Dinesh
di mana neuron saling interkoneksi secara nonKumar (2014) menunjukkan bahwa jaringan saraf
linier. Neuron saling terhubung satu sama lain
tiruan metode backpropagation dapat diterapkan
melalui suatu jaringan. Jaringan ini yang dilatih
dalam memprediksi suatu keadaan yang akan
menggunakan algoritma backpropagation yang
datang. Hal ini yang mendasari penulis untuk
mengikuti Gradient Descent Method [4].
menganalisa
lebih
lanjut
kinerja
metode
Backpropagation merupakan salah satu
backpropagation dalam memprediksi cuaca. Pada
arsitektur Artificial Neural Network yang memiliki
penelitian ini penulis akan menganalisis kinerja
proses pembelajaran maju dan koreksi kesalahan
jaringan
saraf
tiruan
dengan
metode
secara mundur. Model ini banyak digunakan baik itu
backpropagation dalam memprediksi cuaca di Kota
untuk proses pengenalan maupun prediksi dengan
Medan. Penulis memiliki asumsi bahwa tidak semua
tingkat akurasi yang cukup baik [1].
data cuaca dapat dikenali dengan baik oleh metode
Naik, Arti R. dan Prof. S.K.Pathan (2012)
backpropagation, dan data cuaca yang berbeda akan
mengusulkan sebuah metode baru prakiraan cuaca
menghasilkan tingkat pengenalan yang berbeda pula.
menggunakan jaringan saraf tiruan feed-forward dan
Penulis akan menggunakan tiga parameter data
datanya dapat dilatih dengan menggunakan
hal 1
Seminar Nasional Ilmu Komputer2014 (SNIKOM)
Laguboti, 20 - 24 Agustus 2014
dalam memprediksi cuaca yaitu data curah hujan,
data suhu, dan data kelembaban tahun 1997 – 2013.
Tujuan penelitian ini dilakukan adalah untuk
menganalisis kinerja jaringan saraf tiruan metode
backpropagation dalam mengenali pola dari ketiga
parameter data tersebut apakah pola dari ketiga
parameter tersebut dapat dikenali dengan baik yang
selanjutnya dapat dilakukan proses prediksi cuaca.
2.
3.
JARINGAN SARAF TIRUAN
Jaringan Saraf Tiruan (JST) adalah paradigma
pengolahan informasi yang terinspirasi oleh sistem
saraf secara biologis, seperti proses informasi pada
otak manusia. Elemen kunci dari paradigma ini
adalah struktur dari sistem pengolahan informasi
yang terdiri dari sejumlah besar elemen pemrosesan
yang saling berhubungan (neuron), bekerja serentak
untuk menyelesaikan masalah tertentu.
Cara kerja JST seperti cara kerja manusia, yaitu
belajar melalui contoh. Lapisan-lapisan penyusun
JST dibagi menjadi 3, yaitu lapisan input (input
layer), lapisan tersembunyi (hidden layer), dan
lapisan output (ouput layer) [7].
Pada dasarnya JST adalah sistem yang
menerima input, proses data, dan kemudian
memberikan output yang berhubungan dengan input.
Keuntungan dari JST adalah dapat digunakan untuk
mengambil data, mendeteksi tren, dan juga dapat
memprediksi pola yang tidak diberikan selama
pelatihan yang disebut dengan generalisasi [4].
METODE BACKPROPAGATION
Salah satu algoritma JST adalah propagasi
balik (backpropagation), yaitu JST multi layer yang
mengubah bobot dengan cara mundur dari lapisan
keluaran ke lapisan masukan. Tujuannya untuk
melatih jaringan agar mendapatkan keseimbangan
kemampuan untuk mengenali pola yang digunakan
selama pelatihan serta kemampuan jaringan untuk
memberikan respon yang benar terhadap pola
masukan dengan pola yang dipakai selama pelatihan
[2].
Arsitektur backpropagation merupakan salah
satu arsitektur jaringan saraf tiruan yang dapat
digunakan untuk mempelajari dan menganalisis pola
data masa lalu lebih tepat sehingga diperoleh
keluaran yang lebih akurat (dengan kesalahan atau
error minimum) [5].
Langkah-langkah dalam membangun algoritma
backpropagation adalah sebagai berikut [7]:
a. Inisialisasi bobot (ambil nilai random yang
cukup kecil).
b. Tahap perambatan maju (forward propagation)
1) Setiap unit input (X1, i=1,2,3,…,n) menerima
sinyal xi dan meneruskan sinyal tersebut ke
semua unit pada lapisan tersembunyi.
2) Setiap unit tersembunyi (Z1, j=1,2,3,…,p)
menjumlahkan
bobot
sinyal
input,
ditunjukkan dengan persamaan (1).
(1)
n
z ¿ j =v 0 j+ ∑ xi v ij
i=1
Dan menerapkan fungsi aktivasi untuk
menghitung sinyal output-nya, ditunjukkan
dengan persamaan (2).
(2)
z j=f ( z ¿ j)
Fungsi aktivasi yang digunakan adalah fungsi
sigmoid, kemudian mengirimkan sinyal
tersebut ke semua unit output.
3) Setiap unit output (Yk, k=1,2,3,…,m)
menjumlahkan
bobot
sinyal
input,
ditunjukkan dengan persamaan (3).
p
y ¿k =w 0 k + ∑ zi w jk
(3)
i=1
Dan menerapkan fungsi aktivasi untuk
menghitung sinyal output-nya, ditunjukkan
dengan persamaan (4).
(4)
y =f ( y )
k
¿k
c. Tahap perambatan balik (backpropagation)
1) Setiap unit output (Yk, k=1,2,3,…,m)
menerima pola target yang sesuai dengan
pola input pelatihan, kemudian hitung error,
ditunjukkan dengan persamaan (5).
(5)
δ k =( t k − y k ) f ' ( y ¿k )
f’ adalah turunan dari fungsi aktivasi.
Kemudian hitung korelasi bobot, ditunjukkan
dengan persamaan (6).
(6)
∆ w jk =α δ k z j
Dan menghitung koreksi bias, ditunjukkan
dengan persamaan (7).
(7)
∆ w 0 k =α δ k
Sekaligus mengirimkan δk ke unit-unit yang
ada di lapisan paling kanan.
2) Setiap unit tersembunyi (Zj, j=1,2,3,…,p)
menjumlahkan delta input-nya (dari unit-unit
yang berada pada lapisan di kanannya),
ditunjukkan dengan persamaan (8).
m
δ ¿ j =∑ δ k w jk
(8)
k=1
Untuk menghitung informasi error, kalikan
nilai ini dengan turunan dari fungsi
aktivasinya, ditunjukkan dengan persamaan
(9).
'
(9)
δ j=δ ¿ j f ( z ¿ j)
Kemudian hitung koreksi bobot, ditunjukkan
dengan persamaan (10).
(10)
∆ v jk =α δ j x i
Setelah itu, hitung juga koreksi
ditunjukkan dengan persamaan (11).
∆ v 0 j=α δ j
bias,
(11)
d. Tahap perubahan bobot dan bias
1) Setiap unit output (Yk, k=1,2,3,…,m)
dilakukan perubahan bobot dan bias (j=0,1,2,
…,p), ditunjukkan dengan persamaan (12).
hal 2
Seminar Nasional Ilmu Komputer2014 (SNIKOM)
Laguboti, 20 - 24 Agustus 2014
w jk ( baru )=w jk (lama )+ ∆ w jk
(12)
Setiap unit tersembunyi (Zj, j=1,2,3,…,p)
dilakukan perubahan bobot dan bias (i=0,1,2,
…,n), ditunjukkan dengan persamaan (13).
v ij ( baru )=v ij ( lama ) + ∆ v ij
2) Tes kondisi berhenti.
4.
(13)
METODE PENELITIAN
Penelitian ini bertujuan untuk menganalisis
kinerja
jaringan
saraf
tiruan
metode
backpropagation dalam memprediksi cuaca di Kota
Medan. Penulis ingin mengetahui bagaimana kinerja
jaringan saraf tiruan metode backpropagation dalam
mengenali pola tiga parameter data yaitu data curah
hujan, data suhu, dan data kelembaban dalam
memprediksi cuaca di Kota Medan.
Untuk mencapai tujuan tersebut, penulis akan
melakukan pelatihan dan pengujian data dengan
menggunakan data curah hujan, data suhu, dan data
kelembaban bulanan Kota Medan tahun 1997 – 5.
2013. Data bersumber dari BMKG Stasiun Polonia,
Kota Medan.
Prediksi cuaca dengan jaringan saraf tiruan
backpropagation
digunakan
langkah-langkah
sebagai berikut:
a. Memisahkan data yang akan digunakan sebagai
data pelatihan dan data uji. Data curah hujan,
suhu, dan kelembaban tahun 1997 – 2008 akan
digunakan sebagai data pelatihan selama
perancangan JST, sedangkan data tahun 2009 –
2013 digunakan sebagi data pengujian.
b. Desain JST
Desain JST dilakukan untuk prediksi cuaca
bulanan dimulai dengan menentukan banyaknya
data masukan yang digunakan, banyaknya layar
tersembunyi (hidden layer) yang digunakan, dan
banyaknya keluaran yang diinginkan. Data yang
digunakan sebagai masukan sebanyak 8 data (8
tahun) dan data keluaran atau target adalah data
pada tahun ke-9 (data input 1997 – 2004 dengan
target 2005). Untuk mengetahui curah hujan,
suhu, dan kelembaban pada tahun ke-10 maka
data masukannya merupakan data pada tahun ke2 sampai tahun ke-9 (data input 1998 – 2005
dengan target 2006), demikian seterusnya.
Gambar 1 menggambarkan desain jaringan saraf
tiruan
backpropagation dengan input
layer(xi)=8, hidden layer(vi)=6, dan output
layer(yi)=1.
Gambar 1. Desain JST backpropagation
c. Pengenalan pola (pelatihan)
Pengenalan pola dilakukan dengan cara
penyesuaian nilai bobot (dalam penelitian ini
nilai bobot ditentukan secara random).
Penghentian
penyesuaian
bobot
dalam
pengenalan pola apabila kuadrat error mencapai
target error. Error dihitung setelah tahapan
forward propagation. Apabila error lebih besar
dari target error maka pelatihan akan dilanjutkan
ke tahap backward propagation sampai error
mencapai atau lebih kecil dari target error.
d. Pengujian dan prediksi
Pengujian dilakukan bertujuan untuk mengetahui
tingkat keakuratan sistem JST yang telah dibuat
dalam memprediksi cuaca pada tahun tertentu.
Sedangkan
prediksi
bertujuan
untuk
memprediksi cuaca yang akan datang.
HASIL DAN ANALISA
Prediksi cuaca dengan jaringan saraf tiruan
metode
backpropagation
dilakukan
dengan
membagi data menjadi tiga bagian, yaitu: data untuk
training/pelatihan, data untuk testing/pengujian, dan
data untuk prediksi. Data yang digunakan adalah
data curah hujan, data suhu, dan data kelembaban
Kota Medan tahun 1997 – 2013. Di mana data tahun
1997 – 2008 digunakan sebagai pelatihan, data tahun
2009 – 2013 digunakan sebagai pengujian, dan data
tahun 2014 – 2018 data yang akan diprediksi.
Pembagian data untuk pelatihan dapat dilihat pada
Tabel 1.
Tabel 1(a). Data input curah hujan tahun 1997 –
2004 dengan target tahun 2005
19
97
1
998
106
.2
1
81
96.
6
5
0.2
134
.4
2
9.4
109
.8
3
5.3
80.
9
1
33.5
175
.3
1
44.6
225
.8
2
13
95.
7
3
81
290
.6
1
70.8
391
.1
3
40.3
265
.4
2
75.8
182
.4
3
94.2
…
…
…
…
…
…
…
…
…
…
…
…
…
2
004
2
005
1
38.8
1
89.1
2
00.8
4
3.9
2
37.9
6
2.5
8
8.5
1
68.2
6
8
2
29.5
2
00.5
1
74
2
06.8
2
10.8
2
04.3
1
45.7
4
75.3
2
90.5
3
77.5
1
75.5
1
41.2
2
06.4
1
66.4
3
11.4
hal 3
Seminar Nasional Ilmu Komputer2014 (SNIKOM)
Laguboti, 20 - 24 Agustus 2014
Tabel 1(b). Data input suhu tahun 1997 – 2004
dengan target tahun 2005
19
97
1
998
3
0,1
3
0,4
3
0,4
3
1,6
3
1,5
3
2,5
3
1,1
3
3,3
3
2,5
3
3,2
3
1,2
3
2,2
3
1,3
3
1,8
3
2,2
3
0
3
0,1
3
0,6
3
0,1
3
1,9
3
0,3
3
0,5
3
0,1
2
9,5
…
…
…
…
…
…
…
…
…
…
…
…
…
2
004
005
3
0
3
0,9
3
1,4
3
1,2
3
2,5
3
1,2
3
2,7
3
2,7
3
3
3
97
2,3
3
1,8
0,5
0,3
3
.197
3
.239
3
.212
2
.18
0,3
3
0,6
0,5
3
0,6
9,8
97
1
998
6
6
7
2
6
7
6
9
6
4
6
4
6
5
6
1
5
9
6
2
6
4
6
4
6
4
6
7
5
8
7
3
7
0
7
0
7
0
6
9
7
3
7
0
7
3
7
2
…
…
…
…
…
…
…
…
…
…
…
…
…
2
004
6
2
4
5
6
8
7
8
5
.292
8
0
0
.279
0
0
.466
0
0
.395
0
0
.526
…
…
…
…
…
…
…
…
…
…
…
2
005
0
.244
0
.299
0
.312
0
.139
0
.353
0
.16
0
.188
0
.276
0
.166
0
.344
0
.312
0
.283
0
.319
0
.323
0
.316
0
.251
0
.615
0
.411
0
.507
0
.284
0
.246
0
.318
0
.274
0
.434
6
97
19
.367
6
.414
6
.586
6
.524
7
.743
2
Sebelum diproses data dinormalisasi terlebih
dahulu. Normalisasi terhadap data dilakukan agar
keluaran jaringan sesuai dengan fungsi aktivasi yang
digunakan. Data-data tersebut dinormalisasi dalam
interval [0, 1] karena data yang digunakan bernilai
positif atau 0. Selain itu juga terkait fungsi aktivasi
yang diberikan yaitu sigmoid biner.
Fungsi sigmoid adalah fungsi asimtotik (tidak
pernah mencapai 0 ataupun 1), maka transformasi
data dilakukan pada interval yang lebih kecil yaitu
[0.1; 0.8], ditunjukkan dengan persamaan (14).
1
998
0
5
9
6
0
…
2
004
Tabel 2(b). Data suhu hasil normalisasi tahun 1997 –
2004 dengan target tahun 2005
9
7
0
.511
…
6
5
6
9
6
8
6
0
.326
0
.384
2
5
0
6
2
6
0
.25
.34
.522
4
5
0
.238
0
6
6
0
.129
0
.411
3
5
0
.123
0
6
2
6
0
.146
0
.196
6
6
0
2
6
6
0
.29
.284
005
6
1
998
0
.208
2
3
19
3
2,8
3
a adalah data minimum, b adalah data maksimum, x
adalah data yang akan dinormalisasi, dan x’ adalah
data yang telah ditransformasi. Sehingga dihasilkan
data hasil normalisasi yang ditunjukkan pada Tabel
2.
Tabel 2(a). Data curah hujan hasil normalisasi tahun
1997 – 2004 dengan target tahun 2005
2,7
2
9,8
(14)
3
2,7
2
0.8 (x−a)
+ 0.1
b−a
3
0,9
Tabel 1(c). Data input kelembaban tahun 1997 –
2004 dengan target tahun 2005
19
x'=
2
0
.414
0
0
.602
0
0
.743
0
0
.869
0
0
.853
0
.539
0
.696
0
.555
0
.633
0
.696
0
.351
0
.367
0
.445
0
.367
0
.649
0
.398
0
.429
0
.367
0
.273
…
…
…
…
…
…
…
…
…
…
…
…
…
2
004
2
005
0
.351
0
.492
0
.492
0
.571
0
.539
0
.743
0
.539
0
.775
0
.775
0
.775
0
.665
0
.775
0
.32
0
.712
0
.633
0
.79
0
.429
0
.665
0
.398
0
.398
0
.445
0
.429
0
.445
0
.32
hal 4
Seminar Nasional Ilmu Komputer2014 (SNIKOM)
Laguboti, 20 - 24 Agustus 2014
Tabel 2(c). Data kelembaban hasil normalisasi tahun
1997 – 2004 dengan target tahun 2005
19
97
1
998
0
.519
0
.748
0
.557
0
.633
0
.443
0
.443
0
.481
0
.329
0
.252
0
.367
0
.443
0
.443
0
.443
0
.557
0
.214
0
.786
0
.671
0
.671
0
.671
0
.633
0
.786
0
.671
0
.786
0
.748
…
…
…
…
…
…
…
…
…
…
…
…
…
2
004
2
005
0
.519
0
.519
0
.367
0
.519
0
.443
0
.367
0
.481
0
.405
0
.138
0
.443
0
.214
0
.367
0
.557
0
.367
0
.214
0
Tabel 4. Hasil pengujian
0
arget
error
.214
0
.481
T
.481
0
.595
Proses training dengan menggunakan bobot
random pada Tabel 3 menghasilkan kuadrat
error=0.01 untuk data curah hujan pada iterasi ke66, data suhu pada iterasi ke-9586, dan data
kelembaban pada iterasi ke-4011. Pada pengujian
awal ini didapatkan hasil bahwa jumlah iterasi untuk
data curah hujan lebih kecil daripada data lainnya.
Selanjutnya dilakukan beberapa kali proses
training dan testing, di mana jumlah hidden layer
tetap yaitu 6, alpha=1, max epoch=100000 dan nilai
target error yang bervariasi. Hasil dari pengujian ini
dapat dilihat pada Tabel 6.
terasi
.633
.671
0
0
.05
0
.02
.633
0
.633
Tabel 3. Generate bobot random
0
.3528
0
.007
0
.4313
0
.4748
0
.2344
0
.4149
0
.3476
0
.3381
0
.1422
0
.4899
Bobot input ke hidden awal
0
0
.2667
.2898
.1448
0
0
.3804
.4072
.3545
0
0
.3952
.1868
.481
0
0
.182
.2624
.3836
0
0
.1491
.3113
.3239
0
0
.4123
.2946
.493
0
0
.49
.122
.2669
0
0
.0079
.2876
.05
Bias input ke hidden
0
0
.0228
.1479
.191
Bobot hidden ke output
0
0
.2007
.1391
.0802
Bias hidden ke output
0
0
.151
0
0
.3874
0
.0227
0
0
.207
0
.4357
0
0
.0281
0
.0268
0
0
.2962
0
.1319
0
0
.1397
0
.4555
0
0
.1134
0
.0532
0
0
.4997
0
.0515
0
0
.3394
0
.1505
0
0
.4743
0
.0814
0
.3233
0
1
3
Kelemba
2
1
6
6
0
3
A
kurasi
2
7
9
2
9
7
9.22%
1
0197
7
3.78%
1.67%
586
3
7.12%
I
terasi
6
1
8
0.18%
8
7
A
kurasi
9.88%
1.2 %
0
.009
I
terasi
0.9 %
.01
Pada Tabel 1 dan Tabel 2 di atas menampilkan
data tahun 1997 – 2004 dengan target tahun 2005.
Untuk pelatihan data lainnya dilakukan hal yang
sama. Seperti telah dijelaskan di atas, data pelatihan
menggunakan data sampai tahun 2008.
Setelah proses normalisasi untuk semua data
dilakukan, selanjutnya dilakukan proses inisialisasi
bobot. Proses inisialisasi bobot dilakukan dengan
memberikan nilai bobot secara random atau acak.
Bobot di-generate secara random dengan jumlah
hidden layer=6, alpha=1, max epoch=100000.
Bobot random yang telah di-generate dapat dilihat
pada Tabel 3.
A
kurasi
2
0
.748
Suhu
ban
I
0
0
Curah
hujan
4
011
7
7
6.57%
8
6.28%
~
5,87%
Dari hasil pengujian pada Tabel 4 didapatkan
bahwa pada data curah hujan, jumlah iterasi terkecil
ada pada target error 0.05 dengan jumlah iterasi=2
dengan tingkat keakurasian=10.9% dan jumlah
iterasi terbesar ada pada target error 0.009 dengan
jumlah iterasi=87 dengan tingkat keakurasian=
37.12%. Pada data suhu, jumlah iterasi terkecil ada
pada target error 0.05 dengan jumlah iterasi=2
dengan tingkat keakurasian=69.88% dan jumlah
iterasi terbesar ada pada target error 0.009 dengan
jumlah iterasi=10197 dengan tingkat keakurasian=
75.87%. Pada data kelembaban, jumlah iterasi
terkecil ada pada target error 0.05 dengan jumlah
iterasi=2 dengan tingkat keakurasian=73.78% dan
jumlah iterasi terbesar ada pada target error 0.01
dengan jumlah iterasi=4011 dengan tingkat
keakurasian= 86.28%. Pada data kelembaban dengan
target error 0.009 jumlah iterasi tidak terhingga.
Dari hasil pengujian pada Tabel 4 dapat dilihat
tingkat keakurasian tertinggi ada pada pengujian
data kelembaban dengan target error 0.01 yaitu
86.28%, sedangkan tingkat keakurasian terendah ada
pada pengujian data curah hujan dengan target error
0.05 yaitu 10.9%. Sehingga dapat disimpulkan
bahwa semakin kecil nilai target error maka nilai
iterasinya akan semakin besar dan keakurasiannya
juga semakin tinggi.
Proses terakhir yaitu melakukan prediksi cuaca
untuk beberapa tahun berikutnya dengan mengambil
data dengan kuadrat error 0.01 dengan tingkat
keakurasian data curah hujan 30.18%. Hasil prediksi
curah hujan dapat dilihat pada Tabel 5.
.367
hal 5
-
Seminar Nasional Ilmu Komputer2014 (SNIKOM)
Laguboti, 20 - 24 Agustus 2014
Tabel 5. Hasil prediksi curah hujan 2014 – 2018
Tahun
2
B 014
2
015
2
016
2
017
2
4
1.5
2
5
018
2
15.5
2
1
85.6
3
4
92.1
2
5
97.5
7
8
2
1
2
2
1
2
69.2
2
51.1
R
2
44.05
2
2
62.8
2
55.2
2
47.275
2
96.6
2
2
2
2
66.9
60.1
42.8
44.575
2
2
2
50.2
2
74.5
85.5
56.8
2
2
2
9
39.8
58.8
89.4
2
18.2
77
2
8
2
2
42.3
68.3
91
69.5
atarata
2
2
2
2
2
7
66.9
13.6
74.9
67.9
90.8
2
2
2
2
2
41
72
72.5
1
06.8
2
2
68
2
47.775
2
3
3
3
1
3
0.9
1
1
3
0.5
1
2
2
9.9
R
atarata
3
1.033
3
3
3
2
9.9
3
0.1
3
1.092
3
1.1
0.2
0.3
0.667
3
3
3
3
1
1.2
0.7
0.2
3
3
3
3
0.7
1
0.9
0.7
3
3
3
3
1.3
1.3
1.4
0.6
3
3
3
3
1.1
1.3
1.1
1.3
3
3
3
3
1.3
1.4
1.6
1
3
3
3
3
0.9
2
1.9
0.7
1.1
3
3
0.8
3
1.9
1
0.1
1.5
0
3
3
1.4
3
1.1
0.6
1.1
41.3
68.9
2
2
2
9
2
1
43.5
2
3
1
46.1
33.4
75.8
99.8
60.2
1
2
2
42.9
2
6
21.9
2
44.8
34.4
63.8
1
09.3
50.6
2
26.7
2
2
2
2
78.5
6
01.9
30
2
24.4
2
2
35.3
36.9
2
24.6
1
2
27.6
0
2
20.1
1.3
3
0.7
1.5
ulan
1
0.2
3
2
9.7
3
1.125
3
0.708
Dari Tabel 6 hasil prediksi suhu tahun 2014 –
2018, diperkirakan suhu rata-rata pertahun akan
mengalami peningkatan dan penurunan yang tidak
terlalu ekstrim dari tahun 2014 sampai tahun 2018.
Grafik prediksi suhu setiap tahunnya dapat dilihat
pada Gambar 3.
52.475
Dari Tabel 5 hasil prediksi curah hujan tahun
2014 – 2018, diperkirakan curah hujan rata-rata
pertahun akan semakin meningkat dari tahun 2014
sampai tahun 2018. Grafik peningkatan curah hujan
setiap tahunnya dapat dilihat pada Gambar 2.
Gambar 3. Grafik suhu 2014 – 2018
Untuk prediksi kelembaban beberapa tahun
berikutnya mengambil data dengan kuadrat error
0.01 dengan tingkat keakurasian 86.28% Hasil
prediksi kelembaban dapat dilihat pada Tabel 7.
Tabel 7. Hasil prediksi kelembaban 2014 – 2018
Gambar 2. Grafik curah hujan 2014 - 2018
Tahun
Untuk prediksi suhu beberapa tahun berikutnya
mengambil data dengan kuadrat error 0.01 dengan
tingkat keakurasian 79.22%. Hasil prediksi suhu
dapat dilihat pada Tabel 6.
2
B 014
1
6
3
2
2
B 014
2
015
2
6
016
017
2
018
1
3
0.1
2
3
1.3
3
3
0.8
3
1.1
3
3
0.7
3
1.1
3
3
0.4
3
1.3
3
6
3
7
3
8
0.7
3
6
6
1.8
6
1.6
6
1.3
6
6
6
1.4
6
1.1
6
1.6
6
1.7
1
1.3
6
3.2
6
6
6
6
1.8
1.3
1.2
1.5
6
6
6
6
1.5
1.5
1.8
1.6
6
6
6
6
1.5
1.3
1.8
1.6
6
6
6
6
2.1
1.6
1.5
2.4
6
6
6
6
5
3
0
2
018
1.8
1.3
1.8
1.5
6
6
6
1.4
ulan
2
017
2.1
1.9
1.4
2
6
3
1.4
4
Tahun
2
016
ulan
3
Tabel 6. Hasil prediksi suhu 2014 – 2018
2
015
6
1.5
6
1.6
6
1.7
hal 6
Seminar Nasional Ilmu Komputer2014 (SNIKOM)
Laguboti, 20 - 24 Agustus 2014
9
6
2.6
1
0
6
1.8
1
1
6
6
6
2.6
6
3.6
6
1.817
6
1.7
2.9
2.8
6
2.65
6
6
6
6
1.7
1.8
2.8
5.3
6
2.2
6
6
6
6
1.6
1.9
5
4.9
R
atarata
6
6
1
6
1.7
2.3
3.7
2
6
2.2
6
3
6
1.758
6
1.85
Dari Tabel 7 hasil prediksi kelembaban tahun
2014 – 2018, diperkirakan kelembaban rata-rata
pertahun akan mengalami peningkatan dan
penurunan yang juga tidak terlalu ekstrim dari tahun
2014 sampai tahun 2018. Grafik prediksi
kelembaban setiap tahunnya dapat dilihat pada
Gambar 4.
Gambar 4. Grafik kelembaban 2014 – 2018
Dari hasil prediksi ketiga parameter cuaca yaitu
curah hujan, suhu, dan kelembaban dapat kita
ketahui keadaan cuaca yang akan datang. Sebagai
sampel untuk prediksi cuaca diambil data tahun
2014 dari masing-masing parameter. Grafik prediksi
cuaca tahun 2014 dapat dilihat pada Gambar 5.
Gambar 5. Grafik prediksi cuaca tahun 2014
Dari Gambar 5 dapat dilihat pada tahun 2014
ini curah hujan cenderung mengalami peningkatan
dan penurunan yang cukup ekstrim yaitu curah hujan
minimum 185.6 mm dan curah hujan maksimum
290.8 mm. Sedangkan prediksi suhu dan
kelembaban cenderung stabil yaitu suhu minimum
29.9° C dan suhu maksimum 32° C, dengan
kelembaban minimum 61.3% dan kelembaban
maksimum 64.9%.
6.
dalam proses training dapat mengenali pola data
suhu dan kelembaban dengan baik, namun untuk
pola data curah hujan, proses pengenalannya
kurang baik. Hal ini sesuai dengan asumsi
penulis.
b. Pada proses training JST, semakin kecil nilai
target error maka iterasinya akan semakin besar
dan tingkat keakurasiannya juga semakin tinggi.
c. Tingkat keakurasian terbesar pada proses
pengujian prediksi cuaca di Kota Medan dengan
jaringan saraf tiruan metode backpropagation
adalah pada data kelembaban yaitu 86.28% pada
kuadrat error 0,01.
d. Kondisi cuaca pada tahun 2014 di Kota Medan
cenderung berubah setiap bulannya, dengan
curah hujan minimum 185.6 mm dan curah hujan
maksimum 290.8 mm, suhu minimum 29.9° C
dan suhu maksimum 32° C, dengan kelembaban
minimum 61.3% dan kelembaban maksimum
64.9%.
DAFTAR PUSTAKA
[1] Dewi, Candra dan M. Muslikh, 2013,
Perbandingan
Akurasi
Backpropagation
Neural Network dan ANFIS untuk Memprediksi
Cuaca. Journal of Scientic Modelling &
Computation, Vol. 1, No. 1.
[2] Ihwan, Andi, 2013, Metode Jaringan Saraf
Tiruan Propagasi Balik untuk Estimasi Curah
Hujan Bulanan di Ketapang Kalimantan
Barat, Prosiding Semirata FMIPA Universitas
Lampung.
[3] Kharola, Manisha and Dinesh Kumar, 2014,
Efficient
Weather
Prediction
By
Backpropagation Algorithm, IOSR Journal of
Computer Engineering (IOSR-JCE), Volume
16, Issue 3, Ver. IV, June.
[4] Naik, Arti R. and S.K.Pathan, 2012, Weather
Classification and Forecasting using Back
Propagation Feed-forward Neural Network,
International Journal of Scientific and Research
Publications, Vol. 2, Issue 12, December.
[5] Oktaviani, Cici dan Afdal, 2013, Prediksi
Curah Hujan Bulanan Menggunakan Jaringan
Syaraf Tiruan dengan Beberapa Fungsi
Pelatihan Backpropagation, Jurnal Fisika
Unand, Vol. 2, No. 4, Oktober.
[6] Sari, Laila dan Agus Buono, 2012, Artificial
Neural Network Modelling to Predict The
Beginning of Rainy Season Based on Sea
Surface Temperature. Jurnal Ilmu Komputer
Agri-Informatika, Vol 1, No. 2.
[7] Sutojo, T., et al, 2010, Kecerdasan Buatan,
Yogyakarta: Andi Offset.
KESIMPULAN
Dari hasil penelitian dapat diambil beberapa
kesimpulan antara lain:
a. Pada kasus prediksi cuaca di Kota Medan,
jaringan saraf tiruan metode backpropagation
hal 7