Penelitian Terdahulu Prediksi Curah Hujan Menggunakan Weighted Evolving Fuzzy Neural Network (WEFuNN)

c. Cari rule node r j yang memiliki nilai aktivasi tertinggi. d. Jika nila lebih besar dari sThr maka menuju langkah e. Sebaliknya, jika nila lebih kecil dari sThr, maka: Ulangi dari langkah a. e. Melakukan propagasi terhadap aktivasi dari rule node r j 2.15 f. Menghitung fuzzy ouput error. 2.16 g. Cari action node k dengan nilai aktivasi tertinggi dari A2. h. Jika Errk lebih kecil dari errThr atau r sama dengan i maka menuju ke langkah i. Sebaliknya, jika Errk lebih besar dari errThr atau r tidak sama dengan i maka: 2.17 2.18 Ulangi dari langkah a. i. Mengubah bobot W1 dan W2. 2.19 2.20 2.22

2.6 Penelitian Terdahulu

Metode prediksi telah banyak dilakukan dengan berbagai cara baik dengan metode statistik maupun softcomputing. Metode-metode tersebut telah diimplementasikan untuk memprediksi berbagai hal, termasuk memprediksi curah hujan. Pada tahun 2010 Tresnawati, Nuraini, dan Hanggoro melakukan penelitian prediksi curah hujan dengan menggunaknan metode Kalman Filter dengan Prediktor SST NINO 3.4. Adapun langkah-langkah dari metode Kalman Filter dengan Prediktor SST NINO 3.4 Tresnawati et al, 2010 adalah : Universitas Sumatera Utara 1. Memproses variabel model menggunakan SST NINO 3.4. 2. Memilih data terbaik dari data prediksi SST NINO 3.4. 3. Data divalidasi menggunakan 3 persamaan yaitu : ARMAX, BOX Jenkins BJ, dan Out Error OE. 4. Output prediksi berupa data pada persamaan terbaik berdasarkan nilai koefisien korelasi tertinggi. Pada tahun 2007 Linda melakukan penelitian prediksi curah hujan menggunakan metode Adaptive Neuro-Fuzzy Inference System ANFIS. Adapun langkah-langkah dari metode ANFIS Linda, 2007 adalah : 1. Menentukan label lingualistik pada data input dan menjadi parameter premis. 2. Mempersentasikan kuat penyulutan dari sebuah aturan. 3. Mengkalkulasi rasio kuat penyulutan aturan ke-I dan jumlah kuat penyulutan semua. Output yang dihasilkan disebut penyulutan ternormalisasi. 4. Membuat kuat penyulutan ternormalisasi menjadi parameter konsekuen. 5. Menghitung output keseluruhan sebagai penjumlahan dari semua sinyal yang masuk. Pada tahun 2012 Rizki, Usadha, dan Widjajati melakukan penelitian prediksi curah hujan menggunakan metode Fuzzy Inference System. Adapun langkah-langkah dari Fuzzy Inference System Rizki et al, 2012 adalah : 1. Membentuk variabel input dan variabel output. 2. Membentuk himpunan fuzzy pada data histori. 3. Membentuk himpunan semesta pembicaraan masing-masing variabel. 4. Menentukan fungsi keanggotaan tiap-tiap variabel. 5. Mengkombinasikan semua variabel input dengan menerapkan t-norm. 6. Membentuk basis aturan fuzzy. 7. Melakukan defuzzyfikasi terhadap output prediksi. 8. Validasi hasil prediksi menggunakan nilai Brier Score. Pada tahun 2007 Warsito dan Sumiyati melakukan penelitian prediksi curah hujan dengan menggunakan Feed-Forward Neural Network dengan Algoritma Quasi Newton BFGS dan Levenberg-Marquard. Adapun langkah-langkah dari Feed- Universitas Sumatera Utara Forward Neural Network dengan Algoritma Quasi Newton BFGS dan Levenberg- Marquard Warsito dan Sumiyati, 2007 adalah : 1. Inisialisasi bobot awal, Epoch 0, MSE ≠ 0 2. Menetapkan nilai maksimum Epoch dan Target Error. 3. Membuat kondisi pemberhentian. 4. Menerima target pola yang berhubungan dengan pola input pelatihan. 5. Menggunakan fungsi line search untuk penampungan output sementara. 6. Menghitung perubahan bobot dan bias. 7. Mengulangi langkah keempat sampai kondisi pemberhentian terpenuhi. Pada tahun 2008 Warsito, Torno, dan Sugiharto melakukan penelitian prediksi curah hujan dengan menggunakan Model General Regression Neural Network. Adapun langkah-langkah dari Model General Regression Neural Network Warsito et al, 2008 adalah : 1. Menentukan vector input berdasarkan terminology outoregresif. 2. Pada neuron pola mempersentasikan neuron pola i dan σ. 3. Pada neuron jumlahan output neuron pola ditambahkan. 4. Jumlah yang dihasilkan neuron jumlahan dikirim ke neuron output dan membentuk pembagian yang menghasilkan output prediksi. Dari beberapa penelitian terdahulu menghasilkan hasil yang berbeda-beda. Adapun hasil yang telah dihasilkan peneliti terdahulu dirangkum pada Tabel 2.3. Tabel 2.3 Penelitian Terdahulu No. Peneliti Tahun Metode Penelitian Keterangan 1. Tresnawati, R et al 2010 Kalman Filter Dengan Prediktor SST NINO 3.4 Memprediksi curah hujan bulanan menghasilkan nilai koefisien korelasi mencapai 75. Universitas Sumatera Utara Tabel 2.3 Penelitian Terdahulu Lanjutan No. Peneliti Tahun Metode Penelitian Keterangan

2. Linda

2007 Adaptive Neuro- Fuzzy Inference Systems ANFIS Memprediksi curah hujan menghasilkan nilai RMSE sebesar 0,063313 dan reange of influence 0,320

3. Rizki, D.N et

al 2012 Fuzzy Inference System Prediksi curah hujan di Surabaya Utara menghasilkan nilai keakuratan sebesar 77,68 4. Warsito dan Sumiyati 2007 Feed-Forward Neural Network Menggunakan Algoritma Quasi Newton BFGS dan Levenberg-Marquard Menghasilkan nilai mean square error MSE sebesar 1,8087 dan pada algoritma Levenberg-Marquardt menghasilkan nilai MSE sebesar 4,1123 5. Warsito, B et al 2008 General Regression Neural Network memberikan prediksi in- sample yang lebih baik dari model ARIMA sedangkan prediksi out- sample memberikan hasil berimbang dengan model ARIMA Berdasarkan penelitian sebelumnya penulis akan melakukan penelitian tentang prediksi curah hujan dengan menggunakan Weighted Evolving Fuzzy Neural Network WEFuNN, dimana WEFuNN merupakan salah satu metode softcomputing yang memiliki struktur hybrid dari fuzzy inference system dan jaringan saraf tiruan yang mana didalam jaringannya menerapkan prinsip-prinsip evolving connectionist system ECOS. Pada pelatihannya dilakukan pengkoneksian node-node berdasarkan data Universitas Sumatera Utara sampel masukan. Dengan cara ini, WEFuNN dapat melakukan pelatihan secara online dan data sample dapat ditambah tanpa harus mengubah parameter pada WEFuNN Kasabov, 2007. Universitas Sumatera Utara BAB 3 ANALISIS DAN PERANCANGAN SISTEM Pada bab ini secara garis besar membahas analisis metode weighted evolving fuzzy neural network WEFuNN pada sistem, seperti data yang akan digunkan, gambaran umum cara kerja algoritma weighted evolving fuzzy neural network WEFuNN dan tahapan-tahapan yang akan dilakukan dalam perancangan sistem yang akan dibangun.

3.1 Data yang digunakan