Prediksi Potensi Debit Berdasarkan Data Curah Hujan Maksimum Bulanan Dengan Metode Jaringan Syaraf Tiruan Backpropogation di Daerah Aliran Sungai (DAS) Deli
DAFTAR PUSTAKA
Ginting, Jonas . 2014 . Prediksi Potensi Debit Berdasartkan Data Hujan Maksimum Bulanan dengan Metode Jaringan Syaraf Tiruan Backpropagation di DAS Alang . E – Jurnal Matriks Teknik Sipil
Kodoatie, Robert J , Roestam Syarief . 2005 . Pengelolaan Sumber Daya Air Terpadu . ANDI . Yogyakarta
Miguel Ponce, Victor . 1989 . Engineering Hydrology Principles and Practices . Prentice Hall . New Jersey
Linsley, Ray K . 1991 . Teknik Sumber Daya Air . Erlangga . Jakarta
Linsley , Ray K. Max A. Kohler . Joseph L . H . Paulhus , Yandi Hermawan . 1986 . Erlangga . Jakarta
Sosrodarsono, Ir. Suyono . 1978 . Hidrologi untuk Pengairan . Pradnya Paramita . Jakarta
Wesli. 2008 . Drainase Perkotaan . Graha Ilmu . Yogyakarta Wilson, E . M . 1993 . Hidrologi Teknik . ITB . Bandung
(2)
BAB III
METODOLOGI PENELITIAN III.1 DIAGRAM ALUR (FLOWCHART)
Dalam tugas akhir ini metode penelitian di gunakan adalah metode kuantitatif deskritif, yaitu perhitungan data yang kemudian dijabarkan. Dimulai dari pengumpulan data, pengolahan data, dan analisa data. Data yang dipakai adalah data yang ambil dari hasil peninjauan lokasi dan data yang telah diperoleh dari instansi lain yang terkait.
(3)
Gambar 3.1 Diagram Flowchart
Kesimpulan Dan Saran
Mulai
Studi Literatur
Pengumpulan Data
Reliabilitas
Selesai
Pengolahan DAS dengan Program Artificial Neural Network Praproses Data
Data Instansi
(4)
III.2 PENGEMBANGAN MODEL ARTIFICIAL NEURAL NETWORK
Sebelumnya, nomor neuron lapisan input adalah 8 dan neuron lapisan output adalah 1. Fungsi aktivasi yang digunakan adalah fungsi aktivasi tangent sigmoid untuk neuron hidden layer dan fungsi aktivasi linier untuk output layer. Data input dan output telah di normalisasi antara -1 dan 1 untuk meningkatkan keberhasilan dari jaringan.
Dalam rangka menginvestigasi nilai optimum dari neuron hidden layer, kemampuan penyamarataan jaringan telah diperkirakan. Berdasarkan pelatihan
error yang berbeda pada setiap jaringan, dengan sebuah nilai yang ditetapkan pada hidden layer. Pada penelitian ini ditetapkan neuron 3, 6, 8 dan 10 yang digunakan pada hidden layer..
Nilai optimum pada hidden layer didapatkan dengan cara men-train data input, data output, dan memasukkan nilai – nilai parameter yang telah ditentukan. Terdapat dua parameter yang digunakan, yaitu:
1. Parameter untuk membuat jaringan. Yang terdiri dari:
Tipe Jaringan (network type)
Fungsi Pelatihan (training function)
Fungsi Penyesuaian (adaption learning function)
Fungsi Hasil (performance function)
Nomor Lapisan (number of layers)
Bagian (properties for)
Nomor neuron (number of neurons)
Fungsi Aktivasi (transfer function) 2. Parameter untuk melatih jaringan. Yang terdiri dari:
Show Window
Show Command Line
Show
Epochs
Time
(5)
Min. Grad
Max. Fail
Mu
Mu dec
Mu inc
Mu max
Nilai – nilai yang digunakan pada parameter tersebut dibagi 2, yaitu dengan nilai asumsi yang mengarah ke pengurangan tingkat error dan nilai default yang memang sudah ada pada program.
Pengolahan data dilakukan dengan menggunakan parameter-parameter yang akan mengarah pada pengurangan tingkat error. Karena semakin kecil tingkat error yang terjadi akan membuat hasil prediksi semakin mendekati nilai aktualnya dan kinerjanya semakin bagus.
Untuk lebih jelasnya mengenai pemakaian dan proses pengerjaan Artificial Neural Network terhadap stabilitas marshall, akan dibahas pada bab selanjutnya.
(6)
BAB IV
HASIL DAN PEMBAHASAN
IV.1 PERHITUNGAN DEBIT HUJAN DENGAN PROGRAM ARTIFICIAL NEURAL NETWORK
Dalam bab ini akan dilakukan perhitungan debit hujan dengan menggunakan program Artificial Neural Network. Perhitungan debit hujan ini akan menggunakan langkah-langkah perhitungan yang berdasarkan proses pengelolaan data pada program Artificial Neural Network. Data dikelola dengan menggunakan berbagai macam jenis nilai neuron yang terdapat pada Hidden Layerdan berbagai jenis parameter fungsi dan nilai.
IV.1.1 Variasi Parameter Untuk Desain Artificial Neural Network
Dalam perencanaan ini ada beberapa parameter desain yang divariasikan yaitu berupa parameter untuk membuat jaringan dan parameter nilai untuk melatih jaringan. Sebelum data di input dan target yang diimplementasikan ke dalam jaringan saraf tiruan harus terlebih dahulu memasukkan nilai parameter-parameternya.Definisi dari parameter-parameter tersebut telah dijelaskan pada Bab sebelumnya, pada Bab II. Adapun parameter-parameter beserta nilaiyang digunakan baik dalam keadaan default maupun dalam keadaan penyesuaian jaringan, yaitu:
1. Parameter untuk membuat jaringan.
Tipe Jaringan (Network Type)
Pada penelitian ini digunakan tipe jaringan feed forward backpropagation.
(7)
Pada penelitian ini digunakan fungsi pelatihan trainlmatau train Levenberg Marquardt Backpropagation.
Fungsi Penyesuaian Pembelajaran (Adaption Learning Function) Pada penelitian ini digunakan fungsi penyesuaian pembelajaran LEARNGDM.
Fungsi Hasil (Performance Function)
Pada penelitian ini digunakan fungsi MSE (Mean Square Error)
Nomor pada lapisan (Number of Layers) Pada penelitian ini digunakan nomor pada lapisan 1.
Bagian (Properties for)
Pada penelitian ini digunakan bagian pada Layer 1. Nomor pada neuron (Number of neuron)
Pada penelitian ini digunakan neuron yang bervariasi, yaitu neuron 3, 6, 8 dan 10.
Fungsi Aktivasi (Transfer function) Pada penelitian ini digunakan tangent sigmoid
2. Parameter nilai untuk melatih jaringan.
Show
Pada penelitian ini digunakan nilai 20.
Epochs
Pada penelitian ini digunakan nilai epochs 1000.
Goal
Pada penelitian ini digunakan nilai goal 0,001.
Min_grad
Pada penelitian ini digunakan minimum gradient 1e-05.
Max_fail
Pada penelitian ini digunakan maximum fail 100.
Mu
Pada penelitian ini digunakan nilai mu yang bervariasi yang akan ditampilkan pada proses pengolahan data.
Mu_dec
Pada penelitian ini digunakan nilai mu_dec yang bervariasi yang akan ditampilkan pada proses pengolahan data.
(8)
Mu_inc
Pada penelitian ini digunakan nilai mu_inc yang bervariasi yang akan ditampilkan pada proses pengolahan data.
Mu_max
Pada penelitian ini digunakan mu_max 10.000.000.000.
IV.2 PERHITUNGAN DATA CURAH HUJAN KAWASAN
Berikut ini luas areal pengaruh stasiun hujan Daerah Aliran Sungai Babura
No. Nama Stasiun Penakar Curah Hujan Luas Areal
1 Stasiun Polonia 10,9 Km2
2 Stasiun Tuntungan 84,06 Km2
3 Stasiun Patumbak 0, 043 Km2
Luas Total 95,00 Km2
Sumber: Hasil Analisis
Mempersiapkan data curah hujan untuk prediksi.Pada contoh ini digunakan data rata-rata curah hujan tiap bulan di daerah sungai Babura pada tahun 2008 s.d 2010.Pada algoritma jaringan syaraf tiruan propogasi balik ini digunakan fungsi aktivitas sigmoid biner dimana fungsi ini bernilai antara 0 s.d 1.Namun fungsi sigmoid biner tersebut tidak pernah mencapai 0 maupun 1. Oleh sebab itu, data curah hujan perlu dinormalisasikan terlebih dahulu salah satu conthnya ke dalam range 0,1 s.d 0,9 menggunakan persamaan berikut ini.
�′ = 0,8 (� − �)
(� − �) + 0,1 …��������� (4.2.1) Keterangan :
X’ = data hasil normalisasi X = data asli/data awal a = nilai maksimum data asli b = nilai minimum data asli
Tabel 4.2.1. Curah Hujan Harian Stasiun : Polonia
(9)
TAHUN Jan Feb Mar Apr Mei Jun Jul Agt Sep Okt Nov Des 2008 170 86 158 223 253 226 262 282 396 378 374 311 2009 189 131 163 277 301 251 277 382 475 472 413 343 2010 217 201 238 285 330 307 312 418 532 733 468 347
DATA LATIH ALGORITMA ANN
P O L A
X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 TA
RG ET
1 0,2
779 01 0,1 850 83 0,2 646 41 0,3 364 64 0,3 696 13 0,3 397 79 0,37 955 801 0,4 016 57 0,5 276 24 0,5 077 35 0,5 033 15 0,4 337 02 0,2 988 95
2 0,1
850 83 0,2 646 41 0,3 364 64 0,3 696 13 0,3 397 79 0,3 795 58 0,40 165 746 0,5 276 24 0,5 077 35 0,5 033 15 0,4 337 02 0,2 988 95 0,2 348 07
3 0,2
646 41 0,3 364 64 0,3 696 13 0,3 397 79 0,3 795 58 0,4 016 57 0,52 762 431 0,5 077 35 0,5 033 15 0,4 337 02 0,2 988 95 0,2 348 07 0,2 701 66
4 0,3
364 64 0,3 696 13 0,3 397 79 0,3 795 58 0,4 016 57 0,5 276 24 0,50 773 481 0,5 033 15 0,4 337 02 0,2 988 95 0,2 348 07 0,2 701 66 0,3 961 33
5 0,3
696 13 0,3 397 79 0,3 795 58 0,4 016 57 0,5 276 24 0,5 077 35 0,50 331 492 0,4 337 02 0,2 988 95 0,2 348 07 0,2 701 66 0,3 961 33 0,4 226 52
6 0,3
397 79 0,3 795 58 0,4 016 57 0,5 276 24 0,5 077 35 0,5 033 15 0,43 370 166 0,2 988 95 0,2 348 07 0,2 701 66 0,3 961 33 0,4 226 52 0,3 674 03
7 0,3
795 58 0,4 016 57 0,5 276 24 0,5 077 35 0,5 033 15 0,4 337 02 0,29 889 503 0,2 348 07 0,2 701 66 0,3 961 33 0,4 226 52 0,3 674 03 0,3 961 33
8 0,4
016 57 0,5 276 24 0,5 077 35 0,5 033 15 0,4 337 02 0,2 988 95 0,23 480 663 0,2 701 66 0,3 961 33 0,4 226 52 0,3 674 03 0,3 961 33 0,5 121 55
9 0,5
276 24 0,5 077 35 0,5 033 15 0,4 337 02 0,2 988 95 0,2 348 07 0,27 016 575 0,3 961 33 0,4 226 52 0,3 674 03 0,3 961 33 0,5 121 55 0,6 149 17 1 0 0,5 077 35 0,5 033 15 0,4 337 02 0,2 988 95 0,2 348 07 0,2 701 66 0,39 613 26 0,4 226 52 0,3 674 03 0,3 961 33 0,5 121 55 0,6 149 17 0,6 116 02 1 1 0,5 033 15 0,4 337 02 0,2 988 95 0,2 348 07 0,2 701 66 0,3 961 33 0,42 265 193 0,3 674 03 0,3 961 33 0,5 121 55 0,6 149 17 0,6 116 02 0,5 464 09
(10)
1 2 0,4 337 02 0,2 988 95 0,2 348 07 0,2 701 66 0,3 961 33 0,4 226 52 0,36 740 331 0,3 961 33 0,5 121 55 0,6 149 17 0,6 116 02 0,5 464 09 0,4 690 61
DATA UJI ALGORITMA ANN P
O L A
X1 X2 X3 X4 X5 X6 X7 X8 X9 X1 0 X1 1 X1 2 TA RG ET 1 0,2
988 95 0,2 348 07 0,2 701 66 0,3 961 33 0,4 226 52 0,3 674 03 0,39 613 26 0,5 121 55 0,6 149 17 0,6 116 02 0,5 464 09 0,4 690 61 0,3 298 34
2 0,2 348 07 0,2 701 66 0,3 961 33 0,4 226 52 0,3 674 03 0,3 961 33 0,51 215 47 0,6 149 17 0,6 116 02 0,5 464 09 0,4 690 61 0,3 298 34 0,3 121 55
3 0,2 701 66 0,3 961 33 0,4 226 52 0,3 674 03 0,3 961 33 0,5 121 55 0,61 491 713 0,6 116 02 0,5 464 09 0,4 690 61 0,3 298 34 0,3 121 55 0,3 530 39
4 0,3 961 33 0,4 226 52 0,3 674 03 0,3 961 33 0,5 121 55 0,6 149 17 0,61 160 221 0,5 464 09 0,4 690 61 0,3 298 34 0,3 121 55 0,3 530 39 0,4 049 72
5 0,4 226 52 0,3 674 03 0,3 961 33 0,5 121 55 0,6 149 17 0,6 116 02 0,54 640 884 0,4 690 61 0,3 298 34 0,3 121 55 0,3 530 39 0,4 049 72 0,4 546 96
6 0,3 674 03 0,3 961 33 0,5 121 55 0,6 149 17 0,6 116 02 0,5 464 09 0,46 906 077 0,3 298 34 0,3 121 55 0,3 530 39 0,4 049 72 0,4 546 96 0,4 292 82
7 0,3 961 33 0,5 121 55 0,6 149 17 0,6 116 02 0,5 464 09 0,4 690 61 0,32 983 425 0,3 121 55 0,3 530 39 0,4 049 72 0,4 546 96 0,4 292 82 0,4 348 07
8 0,5 121 55 0,6 149 17 0,6 116 02 0,5 464 09 0,4 690 61 0,3 298 34 0,31 215 47 0,3 530 39 0,4 049 72 0,4 546 96 0,4 292 82 0,4 348 07 0,5 519 34
9 0,6 149 17 0,6 116 02 0,5 464 09 0,4 690 61 0,3 298 34 0,3 121 55 0,35 303 867 0,4 049 72 0,4 546 96 0,4 292 82 0,4 348 07 0,5 519 34 0,6 779 01
10 0,6 116 02 0,5 464 09 0,4 690 61 0,3 298 34 0,3 121 55 0,3 530 39 0,40 497 238 0,4 546 96 0,4 292 82 0,4 348 07 0,5 519 34 0,6 779
01 0,9
11 0,5 464 09 0,4 690 61 0,3 298 34 0,3 121 55 0,3 530 39 0,4 049 72 0,45 469 613 0,4 292 82 0,4 348 07 0,5 519 34 0,6 779
01 0,9
0,6 071 82
12 0,4 690 61 0,3 298 34 0,3 121 55 0,3 530 39 0,4 049 72 0,4 546 96 0,42 928 177 0,4 348 07 0,5 519 34 0,6 779
01 0,9
0,6 071 82 0,4 734 81
(11)
IV.3. PROSES RUNNING PROGRAM ARTIFICIAL NEURAL NETWORK
Dalam proses running program neural network, dilaksanakan sebanyak 4 variasi neuron. Untuk menentukan nilai optimum dari tiap neuron hidden layer, neuron 3 telah dipilih. Untuk menginvestigasi nilai optimum tersebut, dilakukan dengan cara pelatihan error yang berbeda pada setiap jaringan. Berikut langkah-langkah pengolahan data dengan menggunakan nilai optimum pada neuron 3.
IV.3.1 Tabel Hasil Simulasi Artificial Neural Network
Tingkat keakuratan hasil kinerja Neural Network dilihat dari nilai regression tertinggi pada tiap neuron yang telah diolah, kemudian dipilih nilai yang tertinggi antar semua neuron tersebut. Maka hasil dari proses pengolahan data pada neuron 3 ini, beserta nilai parameternya, dapat kita lihat secara ringkas
(12)
(13)
Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan Tahun 2017 Untuk Wilayah Polonia
Berdasarkan hasil Grafik diatas maka dapat dilihat hasil prediksi dalam bentuk table sebagai berikut :
TAHUN Jan Feb Mar Apr Mei Jun Jul Agt Sep Okt Nov Des 2017 700 500 750 750 1000 850 1100 1450 1600 1650 1450 1100
Stasiun : Tuntungan
Koordinat : (3,500244 LU ; 98,630518 BT)
TAHUN Jan Feb Mar Apr Mei Jun Jul Agt Sep Okt Nov Des 2008 317 135 243 215 303 230 274 249 538 472 336 364 2009 341 301 245 233 318 322 288 303 543 485 434 381 2010 422 471 287 406 373 382 315 354 605 818 651 470
Data Hasil Normalisasi
Jan Feb Mar Apr Mei Jun Jul Agt Sep Okt Nov
0,277901 0,185083 0,264641 0,336464 0,369613 0,339779 0,37955801 0,401657 0,527624 0,507735 0,503
0,298895 0,234807 0,270166 0,396133 0,422652 0,367403 0,3961326 0,512155 0,614917 0,611602 0,546
0,329834 0,312155 0,353039 0,404972 0,454696 0,429282 0,43480663 0,551934 0,677901 0,9 0,607
(14)
DATA LATIH ALGORITMA ANN P
O L A
X1 X2 X3 X4 X5 X6 X7 X8 X9 X1 0 X1 1 X1 2 TA RG ET 1 0,3
131
77 0,1
0,2 265 01 0,1 937 04 0,2 967 79 0,2 112 74 0,2 628 11 0,2 335 29 0,5 720 35 0,4 947 29 0,3 354 32 0,3 682 28 0,3 412 88 2 0,1 0,2 265 01 0,1 937 04 0,2 967 79 0,2 112 74 0,2 628 11 0,2 335 29 0,5 720 35 0,4 947 29 0,3 354 32 0,3 682 28 0,3 412 88 0,2 944 36
3 0,2 265 01 0,1 937 04 0,2 967 79 0,2 112 74 0,2 628 11 0,2 335 29 0,5 720 35 0,4 947 29 0,3 354 32 0,3 682 28 0,3 412 88 0,2 944 36 0,2 288 43
4 0,1 937 04 0,2 967 79 0,2 112 74 0,2 628 11 0,2 335 29 0,5 720 35 0,4 947 29 0,3 354 32 0,3 682 28 0,3 412 88 0,2 944 36 0,2 288 43 0,2 147 88
5 0,2 967 79 0,2 112 74 0,2 628 11 0,2 335 29 0,5 720 35 0,4 947 29 0,3 354 32 0,3 682 28 0,3 412 88 0,2 944 36 0,2 288 43 0,2 147 88 0,3 143 48
6 0,2 112 74 0,2 628 11 0,2 335 29 0,5 720 35 0,4 947 29 0,3 354 32 0,3 682 28 0,3 412 88 0,2 944 36 0,2 288 43 0,2 147 88 0,3 143 48 0,3 190 34
7 0,2 628 11 0,2 335 29 0,5 720 35 0,4 947 29 0,3 354 32 0,3 682 28 0,3 412 88 0,2 944 36 0,2 288 43 0,2 147 88 0,3 143 48 0,3 190 34 0,2 792 09
8 0,2 335 29 0,5 720 35 0,4 947 29 0,3 354 32 0,3 682 28 0,3 412 88 0,2 944 36 0,2 288 43 0,2 147 88 0,3 143 48 0,3 190 34 0,2 792 09 0,2 967 79
9 0,5 720 35 0,4 947 29 0,3 354 32 0,3 682 28 0,3 412 88 0,2 944 36 0,2 288 43 0,2 147 88 0,3 143 48 0,3 190 34 0,2 792 09 0,2 967 79 0,5 778 92
10 0,4 947 29 0,3 354 32 0,3 682 28 0,3 412 88 0,2 944 36 0,2 288 43 0,2 147 88 0,3 143 48 0,3 190 34 0,2 792 09 0,2 967 79 0,5 778 92 0,5 099 56
11 0,3 354 32 0,3 682 28 0,3 412 88 0,2 944 36 0,2 288 43 0,2 147 88 0,3 143 48 0,3 190 34 0,2 792 09 0,2 967 79 0,5 778 92 0,5 099 56 0,4 502 2
12 0,3 682 28 0,3 412 88 0,2 944 36 0,2 288 43 0,2 147 88 0,3 143 48 0,3 190 34 0,2 792 09 0,2 967 79 0,5 778 92 0,5 099 56 0,4 502 2 0,3 881 41
(15)
DATA UJI ALGORITMA ANN P
O L A
X1 X2 X3 X4 X5 X6 X7 X8 X9 X1 0 X1 1 X1 2 TA RG ET 1 0,3
412 88 0,2 944 36 0,2 288 43 0,2 147 88 0,3 143 48 0,3 190 34 0,2 792 09 0,2 967 79 0,5 778 92 0,5 099 56 0,4 502 2 0,3 881 41 0,4 361 64
2 0,2 944 36 0,2 288 43 0,2 147 88 0,3 143 48 0,3 190 34 0,2 792 09 0,2 967 79 0,5 778 92 0,5 099 56 0,4 502 2 0,3 881 41 0,4 361 64 0,4 935 58
3 0,2 288 43 0,2 147 88 0,3 143 48 0,3 190 34 0,2 792 09 0,2 967 79 0,5 778 92 0,5 099 56 0,4 502 2 0,3 881 41 0,4 361 64 0,4 935 58 0,2 780 38
4 0,2 147 88 0,3 143 48 0,3 190 34 0,2 792 09 0,2 967 79 0,5 778 92 0,5 099 56 0,4 502 2 0,3 881 41 0,4 361 64 0,4 935 58 0,2 780 38 0,4 174 23
5 0,3 143 48 0,3 190 34 0,2 792 09 0,2 967 79 0,5 778 92 0,5 099 56 0,4 502 2 0,3 881 41 0,4 361 64 0,4 935 58 0,2 780 38 0,4 174 23 0,3 787 7
6 0,3 190 34 0,2 792 09 0,2 967 79 0,5 778 92 0,5 099 56 0,4 502 2 0,3 881 41 0,4 361 64 0,4 935 58 0,2 780 38 0,4 174 23 0,3 787 7 0,3 893 12
7 0,2 792 09 0,2 967 79 0,5 778 92 0,5 099 56 0,4 502 2 0,3 881 41 0,4 361 64 0,4 935 58 0,2 780 38 0,4 174 23 0,3 787 7 0,3 893 12 0,3 108 35
8 0,2 967 79 0,5 778 92 0,5 099 56 0,4 502 2 0,3 881 41 0,4 361 64 0,4 935 58 0,2 780 38 0,4 174 23 0,3 787 7 0,3 893 12 0,3 108 35 0,3 565 15
9 0,5 778 92 0,5 099 56 0,4 502 2 0,3 881 41 0,4 361 64 0,4 935 58 0,2 780 38 0,4 174 23 0,3 787 7 0,3 893 12 0,3 108 35 0,3 565 15 0,6 505 12
10 0,5 099 56 0,4 502 2 0,3 881 41 0,4 361 64 0,4 935 58 0,2 780 38 0,4 174 23 0,3 787 7 0,3 893 12 0,3 108 35 0,3 565 15 0,6 505
12 0,9
11 0,4 502 2 0,3 881 41 0,4 361 64 0,4 935 58 0,2 780 38 0,4 174 23 0,3 787 7 0,3 893 12 0,3 108 35 0,3 565 15 0,6 505
12 0,9
0,7 043 92
12 0,3 881 41 0,4 361 64 0,4 935 58 0,2 780 38 0,4 174 23 0,3 787 7 0,3 893 12 0,3 108 35 0,3 565 15 0,6 505
12 0,9
0,7 043 92 0,4 923 87
(16)
Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan Tahun 2017 Untuk Wilayah Tuntungan
Berdasarkan hasil Grafik diatas maka dapat dilihat hasil prediksi dalam bentuk table sebagai berikut :
TAHUN Jan Feb Mar Apr Mei Jun Jul Agt Sep Okt Nov Des 2017 700 480 450 420 600 620 480 690 1300 1400 1100 1000
Stasiun : Patumbak
Koordinat : (3,2727930 LU ; 98,433347 BT)
TAHUN Jan Feb Mar Apr Mei Jun Jul Agt Sep Okt Nov Des 2008 132 47 140 155 198 157 178 239 303 346 247 197 2009 158 71 149 181 214 159 203 248 322 409 255 287 2010 276 85 225 187 252 267 217 289 367 581 369 369
Data Hasil Normalisasi
Jan Feb Mar Apr Mei Jun Jul Agt Sep Okt Nov
0,227341 0,1 0,239326 0,261798 0,326217 0,264794 0,296255 0,38764 0,483521 0,54794 0,399625
0,266292 0,135955 0,252809 0,300749 0,350187 0,26779 0,333708 0,401124 0,511985 0,642322 0,411
0,443071 0,156929 0,366667 0,309738 0,407116 0,429588 0,354682 0,462547 0,579401 0,9 0,582397
(17)
DATA LATIH ALGORITMA ANN P
O L A
X1 X2 X3 X4 X5 X6 X7 X8 X9 X1 0 X1 1 X1 2 TA RG ET 1 0,2
774 7 0,1 596 19 0,2 885 62 0,3 093 59 0,3 689 77 0,3 121 32 0,3 412 48 0,4 258 23 0,5 145 58 0,5 741 77 0,4 369 15 0,3 675 91 0,3 135 18
2 0,1 596 19 0,2 885 62 0,3 093 59 0,3 689 77 0,3 121 32 0,3 412 48 0,4 258 23 0,5 145 58 0,5 741 77 0,4 369 15 0,3 675 91 0,3 135 18 0,1 928 94
3 0,2 885 62 0,3 093 59 0,3 689 77 0,3 121 32 0,3 412 48 0,4 258 23 0,5 145 58 0,5 741 77 0,4 369 15 0,3 675 91 0,3 135 18 0,1 928 94 0,3 010 4
4 0,3 093 59 0,3 689 77 0,3 121 32 0,3 412 48 0,4 258 23 0,5 145 58 0,5 741 77 0,4 369 15 0,3 675 91 0,3 135 18 0,1 928 94 0,3 010 4 0,3 454 07
5 0,3 689 77 0,3 121 32 0,3 412 48 0,4 258 23 0,5 145 58 0,5 741 77 0,4 369 15 0,3 675 91 0,3 135 18 0,1 928 94 0,3 010 4 0,3 454 07 0,3 911 61
6 0,3 121 32 0,3 412 48 0,4 258 23 0,5 145 58 0,5 741 77 0,4 369 15 0,3 675 91 0,3 135 18 0,1 928 94 0,3 010 4 0,3 454 07 0,3 911 61 0,3 149 05
7 0,3 412 48 0,4 258 23 0,5 145 58 0,5 741 77 0,4 369 15 0,3 675 91 0,3 135 18 0,1 928 94 0,3 010 4 0,3 454 07 0,3 911 61 0,3 149 05 0,3 759 1
8 0,4 258 23 0,5 145 58 0,5 741 77 0,4 369 15 0,3 675 91 0,3 135 18 0,1 928 94 0,3 010 4 0,3 454 07 0,3 911 61 0,3 149 05 0,3 759 1 0,4 383 02
9 0,5 145 58 0,5 741 77 0,4 369 15 0,3 675 91 0,3 135 18 0,1 928 94 0,3 010 4 0,3 454 07 0,3 911 61 0,3 149 05 0,3 759 1 0,4 383 02 0,5 409 01
10 0,5 741 77 0,4 369 15 0,3 675 91 0,3 135 18 0,1 928 94 0,3 010 4 0,3 454 07 0,3 911 61 0,3 149 05 0,3 759 1 0,4 383 02 0,5 409 01 0,6 615 25
11 0,4 369 15 0,3 675 91 0,3 135 18 0,1 928 94 0,3 010 4 0,3 454 07 0,3 911 61 0,3 149 05 0,3 759 1 0,4 383 02 0,5 409 01 0,6 615 25 0,4 480 07
12 0,3 675 91 0,3 135 18 0,1 928 94 0,3 010 4 0,3 454 07 0,3 911 61 0,3 149 05 0,3 759 1 0,4 383 02 0,5 409 01 0,6 615 25 0,4 480 07 0,4 923 74
(18)
DATA UJI ALGORITMA ANN P
O L A
X1 X2 X3 X4 X5 X6 X7 X8 X9 X1 0 X1 1 X1 2 TA RG ET 1 0,3
135 18 0,1 928 94 0,3 010 4 0,3 454 07 0,3 911 61 0,3 149 05 0,3 759 1 0,4 383 02 0,5 409 01 0,6 615 25 0,4 480 07 0,4 923 74 0,4 771 23
2 0,1 928 94 0,3 010 4 0,3 454 07 0,3 911 61 0,3 149 05 0,3 759 1 0,4 383 02 0,5 409 01 0,6 615 25 0,4 480 07 0,4 923 74 0,4 771 23 0,2 123 05
3 0,3 010 4 0,3 454 07 0,3 911 61 0,3 149 05 0,3 759 1 0,4 383 02 0,5 409 01 0,6 615 25 0,4 480 07 0,4 923 74 0,4 771 23 0,2 123 05 0,4 064 12
4 0,3 454 07 0,3 911 61 0,3 149 05 0,3 759 1 0,4 383 02 0,5 409 01 0,6 615 25 0,4 480 07 0,4 923 74 0,4 771 23 0,2 123 05 0,4 064 12 0,3 537 26
5 0,3 911 61 0,3 149 05 0,3 759 1 0,4 383 02 0,5 409 01 0,6 615 25 0,4 480 07 0,4 923 74 0,4 771 23 0,2 123 05 0,4 064 12 0,3 537 26 0,4 438 47
6 0,3 149 05 0,3 759 1 0,4 383 02 0,5 409 01 0,6 615 25 0,4 480 07 0,4 923 74 0,4 771 23 0,2 123 05 0,4 064 12 0,3 537 26 0,4 438 47 0,4 646 45
7 0,3 759 1 0,4 383 02 0,5 409 01 0,6 615 25 0,4 480 07 0,4 923 74 0,4 771 23 0,2 123 05 0,4 064 12 0,3 537 26 0,4 438 47 0,4 646 45 0,3 953 21
8 0,4 383 02 0,5 409 01 0,6 615 25 0,4 480 07 0,4 923 74 0,4 771 23 0,2 123 05 0,4 064 12 0,3 537 26 0,4 438 47 0,4 646 45 0,3 953 21 0,4 951 47
9 0,5 409 01 0,6 615 25 0,4 480 07 0,4 923 74 0,4 771 23 0,2 123 05 0,4 064 12 0,3 537 26 0,4 438 47 0,4 646 45 0,3 953 21 0,4 951 47 0,6 032 93
10 0,6 615 25 0,4 480 07 0,4 923 74 0,4 771 23 0,2 123 05 0,4 064 12 0,3 537 26 0,4 438 47 0,4 646 45 0,3 953 21 0,4 951 47 0,6 032
93 0,9
11 0,4 480 07 0,4 923 74 0,4 771 23 0,2 123 05 0,4 064 12 0,3 537 26 0,4 438 47 0,4 646 45 0,3 953 21 0,4 951 47 0,6 032
93 0,9
0,6 060 66
12 0,4 923 74 0,4 771 23 0,2 123 05 0,4 064 12 0,3 537 26 0,4 438 47 0,4 646 45 0,3 953 21 0,4 951 47 0,6 032
93 0,9
0,6 060 66 0,6 060 66
(19)
Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan Tahun 2017 Untuk Wilayah Patumbak
Berdasarkan hasil Grafik diatas maka dapat dilihat hasil prediksi dalam bentuk table sebagai berikut :
TAHUN Jan Feb Mar Apr Mei Jun Jul Agt Sep Okt Nov Des 2017 800 300 800 780 790 800 900 1100 1300 1805 1205 1100
Berdasarkan Hasil prediksi debit curah hujan 2017 - 2020 dengan menggunakan metode Jaringan Syaraf Tiruan Backpropagation adalah sebagai berikut :
TAHUN Jan Feb Mar Apr Mei Jun Jul Agt Sep Okt Nov Des 2017 700 500 750 750 1000 850 1100 1450 1600 1650 1450 1100
TAHUN Jan Feb Mar Apr Mei Jun Jul Agt Sep Okt Nov Des 2018 700 480 450 420 600 620 480 690 1300 1400 1100 1000
TAHUN Jan Feb Mar Apr Mei Jun Jul Agt Sep Okt Nov Des 2019 800 300 800 780 790 800 900 1100 1300 1805 1205 1100
(20)
Stasiun : Polonia
Koordinat : (3,567069 LU ; 98,683367 BT)
TAHUN Jan Feb Mar Apr Mei Jun Jul Agt Sep Okt Nov Des
2009 189 131 163 277 301 251 277 382 475 472 413 343
2010 217 201 238 285 330 307 312 418 532 733 468 347
2017 700 500 750 750 1000 850 1100 1450 1600 1650 1450 1100
Data Hasil Normalisasi
Jan Feb Mar Apr Mei Jun Jul Agt Sep Okt Nov
0,140138 0,1 0,135986 0,15075 0,165975 0,1406 0,1609 0,181661 0,215802 0,25594 0,18489
0,194579 0,106459 0,17105 0,153518 0,183506 0,190427 0,167359 0,200577 0,236563 0,335294 0,237486
0,436332 0,205652 0,436332 0,427105 0,431719 0,436332 0,482468 0,57474 0,667013 0,9 0,623183
Sumber: Data Sekunder, BMKG Sampali
DATA LATIH ALGORITMA ANN P
O L A
X1 X2 X3 X4 X5 X6 X7 X8 X9 X1 0 X1 1 X1 2 TA RG ET 1 0,3
131
77 0,1
0,2 265 01 0,1 937 04 0,2 967 79 0,2 112 74 0,2 628 11 0,2 335 29 0,5 720 35 0,4 947 29 0,3 354 32 0,3 682 28 0,3 412 88 2 0,1 0,2 265 01 0,1 937 04 0,2 967 79 0,2 112 74 0,2 628 11 0,2 335 29 0,5 720 35 0,4 947 29 0,3 354 32 0,3 682 28 0,3 412 88 0,2 944 36
3 0,2 265 01 0,1 937 04 0,2 967 79 0,2 112 74 0,2 628 11 0,2 335 29 0,5 720 35 0,4 947 29 0,3 354 32 0,3 682 28 0,3 412 88 0,2 944 36 0,2 288 43
4 0,1 937 04 0,2 967 79 0,2 112 74 0,2 628 11 0,2 335 29 0,5 720 35 0,4 947 29 0,3 354 32 0,3 682 28 0,3 412 88 0,2 944 36 0,2 288 43 0,2 147 88
5 0,2 967 79 0,2 112 74 0,2 628 11 0,2 335 29 0,5 720 35 0,4 947 29 0,3 354 32 0,3 682 28 0,3 412 88 0,2 944 36 0,2 288 43 0,2 147 88 0,3 143 48
6 0,2 112 74 0,2 628 11 0,2 335 29 0,5 720 35 0,4 947 29 0,3 354 32 0,3 682 28 0,3 412 88 0,2 944 36 0,2 288 43 0,2 147 88 0,3 143 48 0,3 190 34
7 0,2 628 11 0,2 335 29 0,5 720 35 0,4 947 29 0,3 354 32 0,3 682 28 0,3 412 88 0,2 944 36 0,2 288 43 0,2 147 88 0,3 143 48 0,3 190 34 0,2 792 09
(21)
8 0,2 335 29 0,5 720 35 0,4 947 29 0,3 354 32 0,3 682 28 0,3 412 88 0,2 944 36 0,2 288 43 0,2 147 88 0,3 143 48 0,3 190 34 0,2 792 09 0,2 967 79
9 0,5 720 35 0,4 947 29 0,3 354 32 0,3 682 28 0,3 412 88 0,2 944 36 0,2 288 43 0,2 147 88 0,3 143 48 0,3 190 34 0,2 792 09 0,2 967 79 0,5 778 92
10 0,4 947 29 0,3 354 32 0,3 682 28 0,3 412 88 0,2 944 36 0,2 288 43 0,2 147 88 0,3 143 48 0,3 190 34 0,2 792 09 0,2 967 79 0,5 778 92 0,5 099 56
11 0,3 354 32 0,3 682 28 0,3 412 88 0,2 944 36 0,2 288 43 0,2 147 88 0,3 143 48 0,3 190 34 0,2 792 09 0,2 967 79 0,5 778 92 0,5 099 56 0,4 502 2
12 0,3 682 28 0,3 412 88 0,2 944 36 0,2 288 43 0,2 147 88 0,3 143 48 0,3 190 34 0,2 792 09 0,2 967 79 0,5 778 92 0,5 099 56 0,4 502 2 0,3 881 41
DATA UJI ALGORITMA ANN P
O L A
X1 X2 X3 X4 X5 X6 X7 X8 X9 X1 0 X1 1 X1 2 TA RG ET 1 0,3
412 88 0,2 944 36 0,2 288 43 0,2 147 88 0,3 143 48 0,3 190 34 0,2 792 09 0,2 967 79 0,5 778 92 0,5 099 56 0,4 502 2 0,3 881 41 0,4 361 64
2 0,2 944 36 0,2 288 43 0,2 147 88 0,3 143 48 0,3 190 34 0,2 792 09 0,2 967 79 0,5 778 92 0,5 099 56 0,4 502 2 0,3 881 41 0,4 361 64 0,4 935 58
3 0,2 288 43 0,2 147 88 0,3 143 48 0,3 190 34 0,2 792 09 0,2 967 79 0,5 778 92 0,5 099 56 0,4 502 2 0,3 881 41 0,4 361 64 0,4 935 58 0,2 780 38
4 0,2 147 88 0,3 143 48 0,3 190 34 0,2 792 09 0,2 967 79 0,5 778 92 0,5 099 56 0,4 502 2 0,3 881 41 0,4 361 64 0,4 935 58 0,2 780 38 0,4 174 23
5 0,3 143 48 0,3 190 34 0,2 792 09 0,2 967 79 0,5 778 92 0,5 099 56 0,4 502 2 0,3 881 41 0,4 361 64 0,4 935 58 0,2 780 38 0,4 174 23 0,3 787 7
6 0,3 190 34 0,2 792 09 0,2 967 79 0,5 778 92 0,5 099 56 0,4 502 2 0,3 881 41 0,4 361 64 0,4 935 58 0,2 780 38 0,4 174 23 0,3 787 7 0,3 893 12
7 0,2 792 09 0,2 967 79 0,5 778 92 0,5 099 56 0,4 502 2 0,3 881 41 0,4 361 64 0,4 935 58 0,2 780 38 0,4 174 23 0,3 787 7 0,3 893 12 0,3 108 35
8 0,2 967 79 0,5 778 92 0,5 099 56 0,4 502 2 0,3 881 41 0,4 361 64 0,4 935 58 0,2 780 38 0,4 174 23 0,3 787 7 0,3 893 12 0,3 108 35 0,3 565 15
(22)
9 0,5 778 92 0,5 099 56 0,4 502 2 0,3 881 41 0,4 361 64 0,4 935 58 0,2 780 38 0,4 174 23 0,3 787 7 0,3 893 12 0,3 108 35 0,3 565 15 0,6 505 12
10 0,5 099 56 0,4 502 2 0,3 881 41 0,4 361 64 0,4 935 58 0,2 780 38 0,4 174 23 0,3 787 7 0,3 893 12 0,3 108 35 0,3 565 15 0,6 505
12 0,9
11 0,4 502 2 0,3 881 41 0,4 361 64 0,4 935 58 0,2 780 38 0,4 174 23 0,3 787 7 0,3 893 12 0,3 108 35 0,3 565 15 0,6 505
12 0,9
0,7 043 92
12 0,3 881 41 0,4 361 64 0,4 935 58 0,2 780 38 0,4 174 23 0,3 787 7 0,3 893 12 0,3 108 35 0,3 565 15 0,6 505
12 0,9
0,7 043 92 0,4 923 87
Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan Tahun 2020 Untuk Wilayah Polonia
Berdasarkan hasil Grafik diatas maka dapat dilihat hasil prediksi dalam bentuk table sebagai berikut :
TAHUN Jan Feb Mar Apr Mei Jun Jul Agt Sep Okt Nov Des 2020 210 200 100 400 250 390 300 290 700 1100 500 430
(23)
Stasiun : Tuntungan
Koordinat : (3,500244 LU ; 98,630518 BT)
TAHUN Jan Feb Mar Apr Mei Jun Jul Agt Sep Okt Nov Des
2009 341 301 245 233 318 322 288 303 543 485 434 381
2010 422 471 287 406 373 382 315 354 605 818 651 470
2017 700 480 450 420 600 620 480 690 1300 1400 1100 1000
Data Hasil Normalisasi
Jan Feb Mar Apr Mei Jun Jul Agt Sep Okt Nov
0,174036 0,146615 0,108226 0,1 0,158269 0,161011 0,137704 0,147986 0,312511 0,272751 0,237789
0,229563 0,263153 0,137018 0,218595 0,195973 0,202142 0,156213 0,182948 0,355013 0,501028 0,386547
0,420137 0,269323 0,248757 0,228192 0,351585 0,365296 0,269323 0,413282 0,831448 0,9 0,694344
Sumber: Data Sekunder, BMKG Sampali
DATA LATIH ALGORITMA ANN P
O L A
X1 X2 X3 X4 X5 X6 X7 X8 X9 X1 0 X1 1 X1 2 TA RG ET 1 0,1
740 36 0,1 466 15 0,1 082
26 0,1
0,1 582 69 0,1 610 11 0,1 377 04 0,1 479 86 0,3 125 11 0,2 727 51 0,2 377 89 0,2 014 57 0,2 295 63
2 0,1 466 15
0,1 082
26 0,1
0,1 582 69 0,1 610 11 0,1 377 04 0,1 479 86 0,3 125 11 0,2 727 51 0,2 377 89 0,2 014 57 0,2 295 63 0,2 631 53
3 0,1 082
26 0,1
0,1 582 69 0,1 610 11 0,1 377 04 0,1 479 86 0,3 125 11 0,2 727 51 0,2 377 89 0,2 014 57 0,2 295 63 0,2 631 53 0,1 370 18 4 0,1 0,1 582 69 0,1 610 11 0,1 377 04 0,1 479 86 0,3 125 11 0,2 727 51 0,2 377 89 0,2 014 57 0,2 295 63 0,2 631 53 0,1 370 18 0,2 185 95 5 0,1
582 69 0,1 610 11 0,1 377 04 0,1 479 86 0,3 125 11 0,2 727 51 0,2 377 89 0,2 014 57 0,2 295 63 0,2 631 53 0,1 370 18 0,2 185 95 0,1 959 73
6 0,1 610 11 0,1 377 04 0,1 479 86 0,3 125 11 0,2 727 51 0,2 377 89 0,2 014 57 0,2 295 63 0,2 631 53 0,1 370 18 0,2 185 95 0,1 959 73 0,2 021 42 7 0,1
377 04 0,1 479 86 0,3 125 11 0,2 727 51 0,2 377 89 0,2 014 57 0,2 295 63 0,2 631 53 0,1 370 18 0,2 185 95 0,1 959 73 0,2 021 42 0,1 562 13
(24)
8 0,1 479 86 0,3 125 11 0,2 727 51 0,2 377 89 0,2 014 57 0,2 295 63 0,2 631 53 0,1 370 18 0,2 185 95 0,1 959 73 0,2 021 42 0,1 562 13 0,1 829 48
9 0,3 125 11 0,2 727 51 0,2 377 89 0,2 014 57 0,2 295 63 0,2 631 53 0,1 370 18 0,2 185 95 0,1 959 73 0,2 021 42 0,1 562 13 0,1 829 48 0,3 550 13
10 0,2 727 51 0,2 377 89 0,2 014 57 0,2 295 63 0,2 631 53 0,1 370 18 0,2 185 95 0,1 959 73 0,2 021 42 0,1 562 13 0,1 829 48 0,3 550 13 0,5 010 28
11 0,2 377 89 0,2 014 57 0,2 295 63 0,2 631 53 0,1 370 18 0,2 185 95 0,1 959 73 0,2 021 42 0,1 562 13 0,1 829 48 0,3 550 13 0,5 010 28 0,3 865 47
12 0,2 014 57 0,2 295 63 0,2 631 53 0,1 370 18 0,2 185 95 0,1 959 73 0,2 021 42 0,1 562 13 0,1 829 48 0,3 550 13 0,5 010 28 0,3 865 47 0,2 624 68
DATA UJI ALGORITMA ANN P
O L A
X1 X2 X3 X4 X5 X6 X7 X8 X9 X1 0 X1 1 X1 2 TA RG ET 1 0,2
295 63 0,2 631 53 0,1 370 18 0,2 185 95 0,1 959 73 0,2 021 42 0,1 562 13 0,1 829 48 0,3 550 13 0,5 010 28 0,3 865 47 0,2 624 68 0,4 201 37
2 0,2 631 53 0,1 370 18 0,2 185 95 0,1 959 73 0,2 021 42 0,1 562 13 0,1 829 48 0,3 550 13 0,5 010 28 0,3 865 47 0,2 624 68 0,4 201 37 0,2 693 23
3 0,1 370 18 0,2 185 95 0,1 959 73 0,2 021 42 0,1 562 13 0,1 829 48 0,3 550 13 0,5 010 28 0,3 865 47 0,2 624 68 0,4 201 37 0,2 693 23 0,2 487 57
4 0,2 185 95 0,1 959 73 0,2 021 42 0,1 562 13 0,1 829 48 0,3 550 13 0,5 010 28 0,3 865 47 0,2 624 68 0,4 201 37 0,2 693 23 0,2 487 57 0,2 281 92
5 0,1 959 73 0,2 021 42 0,1 562 13 0,1 829 48 0,3 550 13 0,5 010 28 0,3 865 47 0,2 624 68 0,4 201 37 0,2 693 23 0,2 487 57 0,2 281 92 0,3 515 85
6 0,2 021 42 0,1 562 13 0,1 829 48 0,3 550 13 0,5 010 28 0,3 865 47 0,2 624 68 0,4 201 37 0,2 693 23 0,2 487 57 0,2 281 92 0,3 515 85 0,3 652 96
7 0,1 562 13 0,1 829 48 0,3 550 13 0,5 010 28 0,3 865 47 0,2 624 68 0,4 201 37 0,2 693 23 0,2 487 57 0,2 281 92 0,3 515 85 0,3 652 96 0,2 693 23
(25)
829 48 550 13 010 28 865 47 624 68 201 37 693 23 487 57 281 92 515 85 652 96 693 23 132 82
9 0,3 550 13 0,5 010 28 0,3 865 47 0,2 624 68 0,4 201 37 0,2 693 23 0,2 487 57 0,2 281 92 0,3 515 85 0,3 652 96 0,2 693 23 0,4 132 82 0,8 314 48
10 0,5 010 28 0,3 865 47 0,2 624 68 0,4 201 37 0,2 693 23 0,2 487 57 0,2 281 92 0,3 515 85 0,3 652 96 0,2 693 23 0,4 132 82 0,8 314
48 0,9
11 0,3 865 47 0,2 624 68 0,4 201 37 0,2 693 23 0,2 487 57 0,2 281 92 0,3 515 85 0,3 652 96 0,2 693 23 0,4 132 82 0,8 314
48 0,9
0,6 943 44
12 0,2 624 68 0,4 201 37 0,2 693 23 0,2 487 57 0,2 281 92 0,3 515 85 0,3 652 96 0,2 693 23 0,4 132 82 0,8 314
48 0,9
0,6 943 44 0,6 257 93
Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan Tahun 2020 Untuk Wilayah Tuntungan
Berdasarkan hasil Grafik diatas maka dapat dilihat hasil prediksi dalam bentuk table sebagai berikut :
TAHUN Jan Feb Mar Apr Mei Jun Jul Agt Sep Okt Nov Des 2020 550 400 350 100 350 480 280 300 980 940 900 600
(26)
Stasiun : Patumbak
Koordinat : (3,2727930 LU ; 98,433347BT)
TAHUN Jan Feb Mar Apr Mei Jun Jul Agt Sep Okt Nov Des
2009 158 71 149 181 214 159 203 248 322 409 255 287
2010 276 85 225 187 252 267 217 289 367 581 369 369
2017 800 300 800 780 790 800 900 1100 1300 1805 1205 1100
Data Hasil Normalisasi
Jan Feb Mar Apr Mei Jun Jul Agt Sep Okt Nov
0,140138 0,1 0,135986 0,15075 0,165975 0,1406 0,1609 0,181661 0,215802 0,25594 0,18489
0,194579 0,106459 0,17105 0,153518 0,183506 0,190427 0,167359 0,200577 0,236563 0,335294 0,237486
0,436332 0,205652 0,436332 0,427105 0,431719 0,436332 0,482468 0,57474 0,667013 0,9 0,623183
Sumber: Data Sekunder, BMKG Sampali
DATA LATIH ALGORITMA ANN P
O L A
X1 X2 X3 X4 X5 X6 X7 X8 X9 X1 0 X1 1 X1 2 TA RG ET 1 0,1
401
38 0,1
0,1 359 86 0,1 507 5 0,1 659 75 0,1 406 0,1 609 0,1 816 61 0,2 158 02 0,2 559 4 0,1 848 9 0,1 996 54 0,1 945 79 2 0,1 0,1 359 86 0,1 507 5 0,1 659 75 0,1 406 0,1 609 0,1 816 61 0,2 158 02 0,2 559 4 0,1 848 9 0,1 996 54 0,1 945 79 0,1 064 59
3 0,1 359 86 0,1 507 5 0,1 659 75 0,1 406 0,1 609 0,1 816 61 0,2 158 02 0,2 559 4 0,1 848 9 0,1 996 54 0,1 945 79 0,1 064 59 0,1 710 5
4 0,1 507 5 0,1 659 75 0,1 406 0,1 609 0,1 816 61 0,2 158 02 0,2 559 4 0,1 848 9 0,1 996 54 0,1 945 79 0,1 064 59 0,1 710 5 0,1 535 18 5 0,1
659 75 0,1 406 0,1 609 0,1 816 61 0,2 158 02 0,2 559 4 0,1 848 9 0,1 996 54 0,1 945 79 0,1 064 59 0,1 710 5 0,1 535 18 0,1 835 06 6 0,1 406 0,1 609 0,1 816 61 0,2 158 02 0,2 559 4 0,1 848 9 0,1 996 54 0,1 945 79 0,1 064 59 0,1 710 5 0,1 535 18 0,1 835 06 0,1 904 27 7 0,1 609 0,1 816 61 0,2 158 02 0,2 559 4 0,1 848 9 0,1 996 54 0,1 945 79 0,1 064 59 0,1 710 5 0,1 535 18 0,1 835 06 0,1 904 27 0,1 673 59
8 0,1 816 0,2 158 0,2 559 0,1 848 0,1 996 0,1 945 0,1 064 0,1 710 0,1 535 0,1 835 0,1 904 0,1 673 0,2 005
(27)
61 02 4 9 54 79 59 5 18 06 27 59 77
9 0,2 158 02 0,2 559 4 0,1 848 9 0,1 996 54 0,1 945 79 0,1 064 59 0,1 710 5 0,1 535 18 0,1 835 06 0,1 904 27 0,1 673 59 0,2 005 77 0,2 365 63
10 0,2 559 4 0,1 848 9 0,1 996 54 0,1 945 79 0,1 064 59 0,1 710 5 0,1 535 18 0,1 835 06 0,1 904 27 0,1 673 59 0,2 005 77 0,2 365 63 0,3 352 94
11 0,1 848 9 0,1 996 54 0,1 945 79 0,1 064 59 0,1 710 5 0,1 535 18 0,1 835 06 0,1 904 27 0,1 673 59 0,2 005 77 0,2 365 63 0,3 352 94 0,2 374 86
12 0,1 996 54 0,1 945 79 0,1 064 59 0,1 710 5 0,1 535 18 0,1 835 06 0,1 904 27 0,1 673 59 0,2 005 77 0,2 365 63 0,3 352 94 0,2 374 86 0,2 374 86
DATA UJI ALGORITMA ANN P
O L A
X1 X2 X3 X4 X5 X6 X7 X8 X9 X1 0 X1 1 X1 2 TA RG ET 1 0,1
945 79 0,1 064 59 0,1 710 5 0,1 535 18 0,1 835 06 0,1 904 27 0,1 673 59 0,2 005 77 0,2 365 63 0,3 352 94 0,2 374 86 0,2 374 86 0,4 363 32
2 0,1 064 59 0,1 710 5 0,1 535 18 0,1 835 06 0,1 904 27 0,1 673 59 0,2 005 77 0,2 365 63 0,3 352 94 0,2 374 86 0,2 374 86 0,4 363 32 0,2 056 52
3 0,1 710 5 0,1 535 18 0,1 835 06 0,1 904 27 0,1 673 59 0,2 005 77 0,2 365 63 0,3 352 94 0,2 374 86 0,2 374 86 0,4 363 32 0,2 056 52 0,4 363 32
4 0,1 535 18 0,1 835 06 0,1 904 27 0,1 673 59 0,2 005 77 0,2 365 63 0,3 352 94 0,2 374 86 0,2 374 86 0,4 363 32 0,2 056 52 0,4 363 32 0,4 271 05 5 0,1
835 06 0,1 904 27 0,1 673 59 0,2 005 77 0,2 365 63 0,3 352 94 0,2 374 86 0,2 374 86 0,4 363 32 0,2 056 52 0,4 363 32 0,4 271 05 0,4 317 19
6 0,1 904 27 0,1 673 59 0,2 005 77 0,2 365 63 0,3 352 94 0,2 374 86 0,2 374 86 0,4 363 32 0,2 056 52 0,4 363 32 0,4 271 05 0,4 317 19 0,4 363 32 7 0,1
673 59 0,2 005 77 0,2 365 63 0,3 352 94 0,2 374 86 0,2 374 86 0,4 363 32 0,2 056 52 0,4 363 32 0,4 271 05 0,4 317 19 0,4 363 32 0,4 824 68
8 0,2 005 77 0,2 365 63 0,3 352 94 0,2 374 86 0,2 374 86 0,4 363 32 0,2 056 52 0,4 363 32 0,4 271 05 0,4 317 19 0,4 363 32 0,4 824 68 0,5 747 4
(28)
9 0,2 365 63 0,3 352 94 0,2 374 86 0,2 374 86 0,4 363 32 0,2 056 52 0,4 363 32 0,4 271 05 0,4 317 19 0,4 363 32 0,4 824 68 0,5 747 4 0,6 670 13
10 0,3 352 94 0,2 374 86 0,2 374 86 0,4 363 32 0,2 056 52 0,4 363 32 0,4 271 05 0,4 317 19 0,4 363 32 0,4 824 68 0,5 747 4 0,6 670
13 0,9
11 0,2 374 86 0,2 374 86 0,4 363 32 0,2 056 52 0,4 363 32 0,4 271 05 0,4 317 19 0,4 363 32 0,4 824 68 0,5 747 4 0,6 670
13 0,9
0,6 231 83
12 0,2 374 86 0,4 363 32 0,2 056 52 0,4 363 32 0,4 271 05 0,4 317 19 0,4 363 32 0,4 824 68 0,5 747 4 0,6 670
13 0,9
0,6 231 83 0,5 747 4
Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan Tahun 2020 Untuk Wilayah Patumbak
Berdasarkan hasil Grafik diatas maka dapat dilihat hasil prediksi dalam bentuk table sebagai berikut :
TAHUN Jan Feb Mar Apr Mei Jun Jul Agt Sep Okt Nov Des 2020 150 180 190 400 280 250 260 240 410 710 410 390
(29)
RANGKING JAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES 1998 0.303226 0.1 0.248387 0.280645 0.290323 0.164516 0.26129 0.251613 0.358065 0.248387 0.154839 0.13871 1999 0.364516 0.119355 0.270968 0.306452 0.441935 0.270968 0.422581 0.541935 0.435484 0.590323 0.474194
2000 0.406452 0.122581 0.274194 0.329032 0.487097 0.390323 0.46129 0.548387 0.9 0.63871 0.525806 0.583871
POLA X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 TA
1 0.303226 0.1 0.248387 0.280645 0.290323 0.164516 0.26129 0.251613 0.358065 0.248387 0.154839 0.13871 0. 2 0.1 0.248387 0.280645 0.290323 0.164516 0.26129 0.251613 0.358065 0.248387 0.154839 0.13871 0.406452 0. 3 0.248387 0.280645 0.290323 0.164516 0.26129 0.251613 0.358065 0.248387 0.154839 0.13871 0.406452 0.122581 0. 4 0.280645 0.290323 0.164516 0.26129 0.251613 0.358065 0.248387 0.154839 0.13871 0.406452 0.122581 0.274194 0.
5 0.290323 0.164516 0.26129 0.251613 0.358065 0.248387 0.154839 0.13871 0.406452 0.122581 0.274194 0.329032 0. 6 0.164516 0.26129 0.251613 0.358065 0.248387 0.154839 0.13871 0.406452 0.122581 0.274194 0.329032 0.487097 0.
7 0.26129 0.251613 0.358065 0.248387 0.154839 0.13871 0.406452 0.122581 0.274194 0.329032 0.487097 0.390323
8 0.251613 0.358065 0.248387 0.154839 0.13871 0.406452 0.122581 0.274194 0.329032 0.487097 0.390323 0.46129 0. 9 0.358065 0.248387 0.154839 0.13871 0.406452 0.122581 0.274194 0.329032 0.487097 0.390323 0.46129 0.548387 10 0.248387 0.154839 0.13871 0.406452 0.122581 0.274194 0.329032 0.487097 0.390323 0.46129 0.548387 0.9 11 0.154839 0.13871 0.406452 0.122581 0.274194 0.329032 0.487097 0.390323 0.46129 0.548387 0.9 0.63871 0. 12 0.13871 0.406452 0.122581 0.274194 0.329032 0.487097 0.390323 0.46129 0.548387 0.9 0.63871 0.525806 0.
Stasiun : Polonia
Data Hasil Normalisasi
Sumber: Data Sekunder, BMKG Sampali
DATA LATIH ALGORITMA ANN
Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan Tahun 2001 Untuk Wilayah Polonia
RANGKING JAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES
1998 72 9 55 65 68 29 59 56 89 55 26 21
1999 91 15 62 73 115 62 109 146 113 161 125 102
(30)
Stasiun : Tuntungan
Data Hasil Normalisasi
Sumber: Data Sekunder, BMKG Sampali
DATA LATIH ALGORITMA ANN
Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan Tahun 2001 Untuk Wilayah Tuntungan
RANGKING JAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES
1998 39 41 26 38 69 27 25 25 72 86 155 153
1999 77 45 52 51 81 66 136 62 221 265 191 189 2000 102 55 100 85 178 119 154 123 256 265 191 210
RANGKING JAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES 1998 0.146667 0.153333 0.103333 0.143333 0.246667 0.106667 0.1 0.1 0.256667 0.303333 0.533333 0.52 1999 0.273333 0.166667 0.19 0.186667 0.286667 0.236667 0.47 0.223333 0.753333 0.9 0.653333 0.64 2000 0.356667 0.2 0.35 0.3 0.61 0.413333 0.53 0.426667 0.87 0.9 0.653333 0.7
POLA X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 TA
1 0.146667 0.153333 0.103333 0.143333 0.246667 0.106667 0.1 0.1 0.256667 0.303333 0.533333 0.526667 0. 2 0.153333 0.103333 0.143333 0.246667 0.106667 0.1 0.1 0.256667 0.303333 0.533333 0.526667 0.356667 3 0.103333 0.143333 0.246667 0.106667 0.1 0.1 0.256667 0.303333 0.533333 0.526667 0.356667 0.2 4 0.143333 0.246667 0.106667 0.1 0.1 0.256667 0.303333 0.533333 0.526667 0.356667 0.2 0.35 5 0.246667 0.106667 0.1 0.1 0.256667 0.303333 0.533333 0.526667 0.356667 0.2 0.35 0.3
6 0.106667 0.1 0.1 0.256667 0.303333 0.533333 0.526667 0.356667 0.2 0.35 0.3 0.61 0.
7 0.1 0.1 0.256667 0.303333 0.533333 0.526667 0.356667 0.2 0.35 0.3 0.61 0.413333
8 0.1 0.256667 0.303333 0.533333 0.526667 0.356667 0.2 0.35 0.3 0.61 0.413333 0.53 0. 9 0.256667 0.303333 0.533333 0.526667 0.356667 0.2 0.35 0.3 0.61 0.413333 0.53 0.426667 10 0.303333 0.533333 0.526667 0.356667 0.2 0.35 0.3 0.61 0.413333 0.53 0.426667 0.87 11 0.533333 0.526667 0.356667 0.2 0.35 0.3 0.61 0.413333 0.53 0.426667 0.87 0.9 0. 12 0.526667 0.356667 0.2 0.35 0.3 0.61 0.413333 0.53 0.426667 0.87 0.9 0.653333 0.
(31)
Stasiun : Patumbak
Data Hasil Normalisasi
Sumber: Data Sekunder, BMKG Sampali
DATA LATIH ALGORITMA ANN
Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan Tahun 2001 Untuk Wilayah Patumbak
Stasiun : Polonia
RANGKING JAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES
1998 28 4 9 32 63 35 36 45 179 129 67 15
1999 34 13 40 35 72 64 53 53 189 129 80 40
2000 39 21 49 68 103 75 102 100 249 137 92 64
RANGKING JAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES 1998 0.178367 0.1 0.116327 0.191429 0.292653 0.201224 0.20449 0.233878 0.671429 0.508163 0.305714 0.13 1999 0.197959 0.129388 0.217551 0.201224 0.322041 0.295918 0.26 0.26 0.704082 0.508163 0.348163 0.21 2000 0.214286 0.15551 0.246939 0.30898 0.423265 0.331837 0.42 0.413469 0.9 0.534286 0.387347 0.29
RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES 1999 91 15 62 73 115 62 109 146 113 161 125 102 2000 104 16 63 80 129 99 121 148 257 176 141 159 2001 1100 250 500 800 1200 900 1000 1400 2600 1600 1500 1500
POLA X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 TA
1 0.178367 0.1 0.116327 0.191429 0.292653 0.201224 0.20449 0.233878 0.671429 0.508163 0.305714 0.135918 0. 2 0.1 0.116327 0.191429 0.292653 0.201224 0.20449 0.233878 0.671429 0.508163 0.305714 0.135918 0.214286 3 0.116327 0.191429 0.292653 0.201224 0.20449 0.233878 0.671429 0.508163 0.305714 0.135918 0.214286 0.15551 0. 4 0.191429 0.292653 0.201224 0.20449 0.233878 0.671429 0.508163 0.305714 0.135918 0.214286 0.15551 0.246939 5 0.292653 0.201224 0.20449 0.233878 0.671429 0.508163 0.305714 0.135918 0.214286 0.15551 0.246939 0.30898 0. 6 0.201224 0.20449 0.233878 0.671429 0.508163 0.305714 0.135918 0.214286 0.15551 0.246939 0.30898 0.423265 0.
7 0.20449 0.233878 0.671429 0.508163 0.305714 0.135918 0.214286 0.15551 0.246939 0.30898 0.423265 0.331837
8 0.233878 0.671429 0.508163 0.305714 0.135918 0.214286 0.15551 0.246939 0.30898 0.423265 0.331837 0.42 0. 9 0.671429 0.508163 0.305714 0.135918 0.214286 0.15551 0.246939 0.30898 0.423265 0.331837 0.42 0.413469 10 0.508163 0.305714 0.135918 0.214286 0.15551 0.246939 0.30898 0.423265 0.331837 0.42 0.413469 0.9 0. 11 0.305714 0.135918 0.214286 0.15551 0.246939 0.30898 0.423265 0.331837 0.42 0.413469 0.9 0.534286 0. 12 0.135918 0.214286 0.15551 0.246939 0.30898 0.423265 0.331837 0.42 0.413469 0.9 0.534286 0.387347 0.
(32)
Data Hasil Normalisasi
Sumber: Data Sekunder, BMKG Sampali
DATA LATIH ALGORITMA ANN
Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan Tahun 2002 Untuk Wilayah Polonia
RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES 1999 0.12352 0.1 0.114545 0.11795 0.130948 0.114545 0.129091 0.140542 0.130329 0.145184 0.134043 0.12 2000 0.127544 0.100309 0.114855 0.120116 0.13528 0.125996 0.132805 0.141161 0.174894 0.149826 0.138994 0.14 2001 0.435783 0.172727 0.250097 0.34294 0.466731 0.373888 0.404836 0.528627 0.9 0.590522 0.559574 0.55
POLA X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 TAR
1 0.12352 0.1 0.114545 0.11795 0.130948 0.114545 0.129091 0.140542 0.130329 0.145184 0.134043 0.126925 0. 2 0.1 0.114545 0.11795 0.130948 0.114545 0.129091 0.140542 0.130329 0.145184 0.134043 0.126925 0.435783 0. 3 0.114545 0.11795 0.130948 0.114545 0.129091 0.140542 0.130329 0.145184 0.134043 0.126925 0.435783 0.172727 0. 4 0.11795 0.130948 0.114545 0.129091 0.140542 0.130329 0.145184 0.134043 0.126925 0.435783 0.172727 0.250097 0.
5 0.130948 0.114545 0.129091 0.140542 0.130329 0.145184 0.134043 0.126925 0.435783 0.172727 0.250097 0.34294 0. 6 0.114545 0.129091 0.140542 0.130329 0.145184 0.134043 0.126925 0.435783 0.172727 0.250097 0.34294 0.466731 0.
7 0.129091 0.140542 0.130329 0.145184 0.134043 0.126925 0.435783 0.172727 0.250097 0.34294 0.466731 0.373888 0. 8 0.140542 0.130329 0.145184 0.134043 0.126925 0.435783 0.172727 0.250097 0.34294 0.466731 0.373888 0.404836 0. 9 0.130329 0.145184 0.134043 0.126925 0.435783 0.172727 0.250097 0.34294 0.466731 0.373888 0.404836 0.528627 10 0.145184 0.134043 0.126925 0.435783 0.172727 0.250097 0.34294 0.466731 0.373888 0.404836 0.528627 0.9 0. 11 0.134043 0.126925 0.435783 0.172727 0.250097 0.34294 0.466731 0.373888 0.404836 0.528627 0.9 0.590522 0. 12 0.126925 0.435783 0.172727 0.250097 0.34294 0.466731 0.373888 0.404836 0.528627 0.9 0.590522 0.559574 0.
(33)
Stasiun : Tuntungan
Data Hasil Normalisasi
Sumber: Data Sekunder, BMKG Sampali
DATA LATIH ALGORITMA ANN
Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan Tahun 2002 Untuk Wilayah Tuntungan
RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES 1999 77 45 52 51 81 66 136 62 221 265 191 189 2000 102 55 100 85 178 119 154 123 256 265 191 210 2001 600 400 700 550 1600 1200 1400 1100 2400 2500 1900 1800
RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES 1999 0.110428 0.1 0.102281 0.101955 0.111731 0.106843 0.129654 0.10554 0.157352 0.17169 0.147576 0.14 2000 0.118574 0.103259 0.117923 0.113035 0.14334 0.124114 0.135519 0.125418 0.168758 0.17169 0.147576 0.15 2001 0.280855 0.215682 0.313442 0.264562 0.606721 0.476375 0.541548 0.443788 0.867413 0.9 0.704481 0.67
POLA X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 TAR
1 0.110428 0.1 0.102281 0.101955 0.111731 0.106843 0.129654 0.10554 0.157352 0.17169 0.147576 0.146925 0.280855 2 0.1 0.102281 0.101955 0.111731 0.106843 0.129654 0.10554 0.157352 0.17169 0.147576 0.146925 0.280855 0. 3 0.102281 0.101955 0.111731 0.106843 0.129654 0.10554 0.157352 0.17169 0.147576 0.146925 0.280855 0.215682 0. 4 0.101955 0.111731 0.106843 0.129654 0.10554 0.157352 0.17169 0.147576 0.146925 0.280855 0.215682 0.313442 0.264562
5 0.111731 0.106843 0.129654 0.10554 0.157352 0.17169 0.147576 0.146925 0.280855 0.215682 0.313442 0.264562 0. 6 0.106843 0.129654 0.10554 0.157352 0.17169 0.147576 0.146925 0.280855 0.215682 0.313442 0.264562 0.606721 0.476375
7 0.129654 0.10554 0.157352 0.17169 0.147576 0.146925 0.280855 0.215682 0.313442 0.264562 0.606721 0.476375 0. 8 0.10554 0.157352 0.17169 0.147576 0.146925 0.280855 0.215682 0.313442 0.264562 0.606721 0.476375 0.541548 0. 9 0.157352 0.17169 0.147576 0.146925 0.280855 0.215682 0.313442 0.264562 0.606721 0.476375 0.541548 0.443788 0. 10 0.17169 0.147576 0.146925 0.280855 0.215682 0.313442 0.264562 0.606721 0.476375 0.541548 0.443788 0.867413 11 0.147576 0.146925 0.280855 0.215682 0.313442 0.264562 0.606721 0.476375 0.541548 0.443788 0.867413 0.9 0. 12 0.146925 0.280855 0.215682 0.313442 0.264562 0.606721 0.476375 0.541548 0.443788 0.867413 0.9 0.704481 0.
(34)
Stasiun : Patumbak
Data Hasil Normalisasi
Sumber: Data Sekunder, BMKG Sampali DATA LATIH ALGORITMA ANN
Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan Tahun 2002 Untuk Wilayah Patumbak
RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES
1999 34 13 40 35 72 64 53 53 189 129 80 40
2000 39 21 49 68 103 75 102 100 249 137 92 64
2001 500 10 400 700 800 700 900 1000 2400 1400 1000 490
RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES 1999 0.108033 0.101004 0.110042 0.108368 0.120753 0.118075 0.114393 0.114393 0.159916 0.139833 0.123431 0.1 2000 0.109707 0.103682 0.113054 0.119414 0.13113 0.121757 0.130795 0.130126 0.18 0.14251 0.127448 0.1 2001 0.264017 0.1 0.230544 0.330962 0.364435 0.330962 0.397908 0.431381 0.9 0.565272 0.431381 0.2
POLA X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 TAR
1 0.108033 0.101004 0.110042 0.108368 0.120753 0.118075 0.114393 0.114393 0.159916 0.139833 0.123431 0.110042 0.264017 2 0.101004 0.110042 0.108368 0.120753 0.118075 0.114393 0.114393 0.159916 0.139833 0.123431 0.110042 0.264017
3 0.110042 0.108368 0.120753 0.118075 0.114393 0.114393 0.159916 0.139833 0.123431 0.110042 0.264017 0.1 0.230544 4 0.108368 0.120753 0.118075 0.114393 0.114393 0.159916 0.139833 0.123431 0.110042 0.264017 0.1 0.230544 0.330962
5 0.120753 0.118075 0.114393 0.114393 0.159916 0.139833 0.123431 0.110042 0.264017 0.1 0.230544 0.330962 0.364435 6 0.118075 0.114393 0.114393 0.159916 0.139833 0.123431 0.110042 0.264017 0.1 0.230544 0.330962 0.364435 0.330962
7 0.114393 0.114393 0.159916 0.139833 0.123431 0.110042 0.264017 0.1 0.230544 0.330962 0.364435 0.330962 0.397908 8 0.114393 0.159916 0.139833 0.123431 0.110042 0.264017 0.1 0.230544 0.330962 0.364435 0.330962 0.397908 0.431381 9 0.159916 0.139833 0.123431 0.110042 0.264017 0.1 0.230544 0.330962 0.364435 0.330962 0.397908 0.431381
10 0.139833 0.123431 0.110042 0.264017 0.1 0.230544 0.330962 0.364435 0.330962 0.397908 0.431381 0.9 0.565272 11 0.123431 0.110042 0.264017 0.1 0.230544 0.330962 0.364435 0.330962 0.397908 0.431381 0.9 0.565272 0.431381 12 0.110042 0.264017 0.1 0.230544 0.330962 0.364435 0.330962 0.397908 0.431381 0.9 0.565272 0.431381 0.260669
(35)
Stasiun : Patumbak
Data Hasil Normalisasi
Sumber: Data Sekunder, BMKG Sampali
DATA LATIH ALGORITMA ANN
Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan Tahun 2003 Untuk Wilayah Tuntungan
RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES 2000 104 16 63 80 129 99 121 148 257 176 141 159 2001 1100 250 500 800 1200 900 1000 1400 2600 1600 1500 1500 2002 900 350 450 1100 1000 900 1000 1400 2600 1600 1500 1500
RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DE 2000 0.127245 0.1 0.114551 0.119814 0.134985 0.125697 0.132508 0.140867 0.174613 0.149536 0.1387 0 2001 0.435604 0.172446 0.249845 0.342724 0.466563 0.373684 0.404644 0.528483 0.9 0.590402 0.559443 0 2002 0.373684 0.203406 0.234365 0.435604 0.404644 0.373684 0.404644 0.528483 0.9 0.590402 0.559443 0
POLA X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 TAR
1 0.127245 0.1 0.114551 0.119814 0.134985 0.125697 0.132508 0.140867 0.174613 0.149536 0.1387 0.144272 0.373684 2 0.1 0.114551 0.119814 0.134985 0.125697 0.132508 0.140867 0.174613 0.149536 0.1387 0.144272 0.373684 0.203406 3 0.114551 0.119814 0.134985 0.125697 0.132508 0.140867 0.174613 0.149536 0.1387 0.144272 0.373684 0.203406 0.234365 4 0.119814 0.134985 0.125697 0.132508 0.140867 0.174613 0.149536 0.1387 0.144272 0.373684 0.203406 0.234365 0.435604
5 0.134985 0.125697 0.132508 0.140867 0.174613 0.149536 0.1387 0.144272 0.373684 0.203406 0.234365 0.435604 0.404644 6 0.125697 0.132508 0.140867 0.174613 0.149536 0.1387 0.144272 0.373684 0.203406 0.234365 0.435604 0.404644 0.373684
7 0.132508 0.140867 0.174613 0.149536 0.1387 0.144272 0.373684 0.203406 0.234365 0.435604 0.404644 0.373684 0.404644 8 0.140867 0.174613 0.149536 0.1387 0.144272 0.373684 0.203406 0.234365 0.435604 0.404644 0.373684 0.404644 0.528483 9 0.174613 0.149536 0.1387 0.144272 0.373684 0.203406 0.234365 0.435604 0.404644 0.373684 0.404644 0.528483
10 0.149536 0.1387 0.144272 0.373684 0.203406 0.234365 0.435604 0.404644 0.373684 0.404644 0.528483 0.9 0.590402 11 0.1387 0.144272 0.373684 0.203406 0.234365 0.435604 0.404644 0.373684 0.404644 0.528483 0.9 0.590402 0.559443 12 0.144272 0.373684 0.203406 0.234365 0.435604 0.404644 0.373684 0.404644 0.528483 0.9 0.590402 0.559443 0.559443
(36)
Stasiun : Tuntungan
Data Hasil Normalisasi
Sumber: Data Sekunder, BMKG Sampali DATA LATIH ALGORITMA ANN
Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan Tahun 2003 Untuk Wilayah Tuntungan
RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES
2000 102 55 100 85 178 119 154 123 256 265 191 210
2001 600 400 700 550 1600 1200 1400 1100 2400 2500 1900 1800
2002 600 450 600 620 1600 1200 1550 1200 2500 2100 1800 1600
RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES 2000 0.115378 0.1 0.114724 0.109816 0.140245 0.120941 0.132393 0.122249 0.165767 0.168712 0.144499 0.15 2001 0.278323 0.212883 0.311043 0.261963 0.605521 0.474642 0.540082 0.441922 0.86728 0.9 0.703681 0.67 2002 0.278323 0.229243 0.278323 0.284867 0.605521 0.474642 0.589162 0.474642 0.9 0.769121 0.670961 0.60
POLA X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 TAR
1 0.115378 0.1 0.114724 0.109816 0.140245 0.120941 0.132393 0.122249 0.165767 0.168712 0.144499 0.150716 0.278323 2 0.1 0.114724 0.109816 0.140245 0.120941 0.132393 0.122249 0.165767 0.168712 0.144499 0.150716 0.278323 0.229243 3 0.114724 0.109816 0.140245 0.120941 0.132393 0.122249 0.165767 0.168712 0.144499 0.150716 0.278323 0.229243 0.278323 4 0.109816 0.140245 0.120941 0.132393 0.122249 0.165767 0.168712 0.144499 0.150716 0.278323 0.229243 0.278323 0.284867
5 0.140245 0.120941 0.132393 0.122249 0.165767 0.168712 0.144499 0.150716 0.278323 0.229243 0.278323 0.284867 0.605521 6 0.120941 0.132393 0.122249 0.165767 0.168712 0.144499 0.150716 0.278323 0.229243 0.278323 0.284867 0.605521 0.474642
7 0.132393 0.122249 0.165767 0.168712 0.144499 0.150716 0.278323 0.229243 0.278323 0.284867 0.605521 0.474642 0.589162 8 0.122249 0.165767 0.168712 0.144499 0.150716 0.278323 0.229243 0.278323 0.284867 0.605521 0.474642 0.589162 0.474642 9 0.165767 0.168712 0.144499 0.150716 0.278323 0.229243 0.278323 0.284867 0.605521 0.474642 0.589162 0.474642
10 0.168712 0.144499 0.150716 0.278323 0.229243 0.278323 0.284867 0.605521 0.474642 0.589162 0.474642 0.9 0.769121 11 0.144499 0.150716 0.278323 0.229243 0.278323 0.284867 0.605521 0.474642 0.589162 0.474642 0.9 0.769121 0.670961 12 0.150716 0.278323 0.229243 0.278323 0.284867 0.605521 0.474642 0.589162 0.474642 0.9 0.769121 0.670961 0.605521
(37)
Stasiun : Patumbak
Data Hasil Normalisasi
Sumber: Data Sekunder, BMKG Sampali DATA LATIH ALGORITMA ANN
Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan Tahun 2003 Untuk Wilayah Patumbak
RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES 2000 39 21 49 68 103 75 102 100 249 137 92 64
2001 500 10 400 700 800 700 900 1000 2400 1400 1000 490
2002 450 200 600 500 650 600 900 1000 2250 1400 1000 500
RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES 2000 0.109707 0.103682 0.113054 0.119414 0.13113 0.121757 0.130795 0.130126 0.18 0.14251 0.127448 0.1 2001 0.264017 0.1 0.230544 0.330962 0.364435 0.330962 0.397908 0.431381 0.9 0.565272 0.431381 0.2 2002 0.24728 0.163598 0.29749 0.264017 0.314226 0.29749 0.397908 0.431381 0.849791 0.565272 0.431381 0.2
POLA X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 TARGE
1 0.109707 0.103682 0.113054 0.119414 0.13113 0.121757 0.130795 0.130126 0.18 0.14251 0.127448 0.118075 0.24728 2 0.103682 0.113054 0.119414 0.13113 0.121757 0.130795 0.130126 0.18 0.14251 0.127448 0.118075 0.24728 0.163598 3 0.113054 0.119414 0.13113 0.121757 0.130795 0.130126 0.18 0.14251 0.127448 0.118075 0.24728 0.163598 0.29749 4 0.119414 0.13113 0.121757 0.130795 0.130126 0.18 0.14251 0.127448 0.118075 0.24728 0.163598 0.29749 0.264017
5 0.13113 0.121757 0.130795 0.130126 0.18 0.14251 0.127448 0.118075 0.24728 0.163598 0.29749 0.264017 0.314226 6 0.121757 0.130795 0.130126 0.18 0.14251 0.127448 0.118075 0.24728 0.163598 0.29749 0.264017 0.314226 0.29749
7 0.130795 0.130126 0.18 0.14251 0.127448 0.118075 0.24728 0.163598 0.29749 0.264017 0.314226 0.29749 0.397908 8 0.130126 0.18 0.14251 0.127448 0.118075 0.24728 0.163598 0.29749 0.264017 0.314226 0.29749 0.397908 0.431381 9 0.18 0.14251 0.127448 0.118075 0.24728 0.163598 0.29749 0.264017 0.314226 0.29749 0.397908 0.431381 0.849791 10 0.14251 0.127448 0.118075 0.24728 0.163598 0.29749 0.264017 0.314226 0.29749 0.397908 0.431381 0.849791 0.565272 11 0.127448 0.118075 0.24728 0.163598 0.29749 0.264017 0.314226 0.29749 0.397908 0.431381 0.849791 0.565272 0.431381 12 0.118075 0.24728 0.163598 0.29749 0.264017 0.314226 0.29749 0.397908 0.431381 0.849791 0.565272 0.431381 0.264017
(38)
Stasiun : Polonia
Data Hasil Normalisasi
Sumber: Data Sekunder, BMKG Sampali DATA LATIH ALGORITMA ANN
Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan Tahun 2004 Untuk Wilayah Polonia
RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES
2001 1100 250 500 800 1200 900 1000 1400 2600 1600 1500 1500
2002 900 350 450 1100 1000 900 1000 1400 2600 1600 1500 1500
2003 650 300 500 1000 1200 700 950 1400 2600 1550 1500 1500
RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES 2001 0.389362 0.1 0.185106 0.287234 0.423404 0.321277 0.355319 0.491489 0.9 0.559574 0.525532 0.525 2002 0.321277 0.134043 0.168085 0.389362 0.355319 0.321277 0.355319 0.491489 0.9 0.559574 0.525532 0.525 2003 0.23617 0.117021 0.185106 0.355319 0.423404 0.253191 0.338298 0.491489 0.9 0.542553 0.525532 0.525
POLA X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 TARGE
1 0.389362 0.1 0.185106 0.287234 0.423404 0.321277 0.355319 0.491489 0.9 0.559574 0.525532 0.525532 0.23617 2 0.1 0.185106 0.287234 0.423404 0.321277 0.355319 0.491489 0.9 0.559574 0.525532 0.525532 0.23617 0.117021 3 0.185106 0.287234 0.423404 0.321277 0.355319 0.491489 0.9 0.559574 0.525532 0.525532 0.23617 0.117021 0.185106 4 0.287234 0.423404 0.321277 0.355319 0.491489 0.9 0.559574 0.525532 0.525532 0.23617 0.117021 0.185106 0.355319
5 0.423404 0.321277 0.355319 0.491489 0.9 0.559574 0.525532 0.525532 0.23617 0.117021 0.185106 0.355319 0.423404 6 0.321277 0.355319 0.491489 0.9 0.559574 0.525532 0.525532 0.23617 0.117021 0.185106 0.355319 0.423404 0.253191
7 0.355319 0.491489 0.9 0.559574 0.525532 0.525532 0.23617 0.117021 0.185106 0.355319 0.423404 0.253191 0.338298 8 0.491489 0.9 0.559574 0.525532 0.525532 0.23617 0.117021 0.185106 0.355319 0.423404 0.253191 0.338298 0.491489 9 0.9 0.559574 0.525532 0.525532 0.23617 0.117021 0.185106 0.355319 0.423404 0.253191 0.338298 0.491489
10 0.559574 0.525532 0.525532 0.23617 0.117021 0.185106 0.355319 0.423404 0.253191 0.338298 0.491489 0.9 0.542553 11 0.525532 0.525532 0.23617 0.117021 0.185106 0.355319 0.423404 0.253191 0.338298 0.491489 0.9 0.542553 0.525532 12 0.525532 0.23617 0.117021 0.185106 0.355319 0.423404 0.253191 0.338298 0.491489 0.9 0.542553 0.525532 0.525532
(39)
Stasiun : Tuntungan
Data Hasil Normalisasi
Sumber: Data Sekunder, BMKG Sampali DATA LATIH ALGORITMA ANN
Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan Tahun 2004 Untuk Wilayah Tuntungan
RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES
2001 600 400 700 550 1600 1200 1400 1100 2400 2500 1900 1800
2002 600 450 600 620 1600 1200 1550 1200 2500 2100 1800 1600
2003 800 400 800 500 1200 1600 1500 1000 2500 2550 1990 1995
RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES 2001 0.174419 0.1 0.211628 0.155814 0.546512 0.397674 0.472093 0.360465 0.844186 0.881395 0.65814 0.620 2002 0.174419 0.118605 0.174419 0.18186 0.546512 0.397674 0.527907 0.397674 0.881395 0.732558 0.62093 0.5465 2003 0.248837 0.1 0.248837 0.137209 0.397674 0.546512 0.509302 0.323256 0.881395 0.9 0.691628 0.6934
POLA X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 TARGE
1 0.174419 0.1 0.211628 0.155814 0.546512 0.397674 0.472093 0.360465 0.844186 0.881395 0.65814 0.62093 0.248837 2 0.1 0.211628 0.155814 0.546512 0.397674 0.472093 0.360465 0.844186 0.881395 0.65814 0.62093 0.248837
3 0.211628 0.155814 0.546512 0.397674 0.472093 0.360465 0.844186 0.881395 0.65814 0.62093 0.248837 0.1 0.248837 4 0.155814 0.546512 0.397674 0.472093 0.360465 0.844186 0.881395 0.65814 0.62093 0.248837 0.1 0.248837 0.137209
5 0.546512 0.397674 0.472093 0.360465 0.844186 0.881395 0.65814 0.62093 0.248837 0.1 0.248837 0.137209 0.397674 6 0.397674 0.472093 0.360465 0.844186 0.881395 0.65814 0.62093 0.248837 0.1 0.248837 0.137209 0.397674 0.546512
7 0.472093 0.360465 0.844186 0.881395 0.65814 0.62093 0.248837 0.1 0.248837 0.137209 0.397674 0.546512 0.509302 8 0.360465 0.844186 0.881395 0.65814 0.62093 0.248837 0.1 0.248837 0.137209 0.397674 0.546512 0.509302 0.323256 9 0.844186 0.881395 0.65814 0.62093 0.248837 0.1 0.248837 0.137209 0.397674 0.546512 0.509302 0.323256 0.881395 10 0.881395 0.65814 0.62093 0.248837 0.1 0.248837 0.137209 0.397674 0.546512 0.509302 0.323256 0.881395
11 0.65814 0.62093 0.248837 0.1 0.248837 0.137209 0.397674 0.546512 0.509302 0.323256 0.881395 0.9 0.691628 12 0.62093 0.248837 0.1 0.248837 0.137209 0.397674 0.546512 0.509302 0.323256 0.881395 0.9 0.691628 0.693488
(40)
Stasiun : Patumbak
Data Hasil Normalisasi
Sumber: Data Sekunder, BMKG Sampali DATA LATIH ALGORITMA ANN
Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan Tahun 2004 Untuk Wilayah Patumbak
RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES
2001 500 10 400 700 800 700 900 1000 2400 1400 1000 490
2002 450 200 600 500 650 600 900 1000 2250 1400 1000 500
2003 400 300 350 370 800 700 800 850 2400 1400 1000 500
RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES
2001 0.264017 0.1 0.230544 0.330962 0.364435 0.330962 0.397908 0.431381 0.9 0.565272 0.431381 0.260669 2002 0.24728 0.163598 0.29749 0.264017 0.314226 0.29749 0.397908 0.431381 0.849791 0.565272 0.431381 0.264017 2003 0.230544 0.197071 0.213808 0.220502 0.364435 0.330962 0.364435 0.381172 0.9 0.565272 0.431381 0.264017
POLA X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 TAR
1 0.264017 0.1 0.230544 0.330962 0.364435 0.330962 0.397908 0.431381 0.9 0.565272 0.431381 0.260669 0.230544 2 0.1 0.230544 0.330962 0.364435 0.330962 0.397908 0.431381 0.9 0.565272 0.431381 0.260669 0.230544 0.197071 3 0.230544 0.330962 0.364435 0.330962 0.397908 0.431381 0.9 0.565272 0.431381 0.260669 0.230544 0.197071 0.213808 4 0.330962 0.364435 0.330962 0.397908 0.431381 0.9 0.565272 0.431381 0.260669 0.230544 0.197071 0.213808 0.220502
5 0.364435 0.330962 0.397908 0.431381 0.9 0.565272 0.431381 0.260669 0.230544 0.197071 0.213808 0.220502 0.364435 6 0.330962 0.397908 0.431381 0.9 0.565272 0.431381 0.260669 0.230544 0.197071 0.213808 0.220502 0.364435 0.330962
7 0.397908 0.431381 0.9 0.565272 0.431381 0.260669 0.230544 0.197071 0.213808 0.220502 0.364435 0.330962 0.364435 8 0.431381 0.9 0.565272 0.431381 0.260669 0.230544 0.197071 0.213808 0.220502 0.364435 0.330962 0.364435 0.381172 9 0.9 0.565272 0.431381 0.260669 0.230544 0.197071 0.213808 0.220502 0.364435 0.330962 0.364435 0.381172
10 0.565272 0.431381 0.260669 0.230544 0.197071 0.213808 0.220502 0.364435 0.330962 0.364435 0.381172 0.9 0.565272 11 0.431381 0.260669 0.230544 0.197071 0.213808 0.220502 0.364435 0.330962 0.364435 0.381172 0.9 0.565272 0.431381 12 0.260669 0.230544 0.197071 0.213808 0.220502 0.364435 0.330962 0.364435 0.381172 0.9 0.565272 0.431381 0.264017
(41)
Stasiun : Polonia
Data Hasil Normalisasi
Sumber: Data Sekunder, BMKG Sampali DATA LATIH ALGORITMA ANN
Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan Tahun 2005 Untuk Wilayah Polonia
RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES
2002 900 350 450 1100 1000 900 1000 1400 2600 1600 1500 1500
2003 650 300 500 1000 1200 700 950 1400 2600 1550 1500 1500
2004 450 250 200 1000 950 500 800 1300 2500 1550 1300 1350
RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES 2002 0.333333 0.15 0.183333 0.4 0.366667 0.333333 0.366667 0.5 0.9 0.566667 0.533333 0.533 2003 0.25 0.133333 0.2 0.366667 0.433333 0.266667 0.35 0.5 0.9 0.55 0.533333 0.533 2004 0.183333 0.116667 0.1 0.366667 0.35 0.2 0.3 0.466667 0.866667 0.55 0.466667 0.483
POLA X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 TARGE
1 0.333333 0.15 0.183333 0.4 0.366667 0.333333 0.366667 0.5 0.9 0.566667 0.533333 0.533333 0.183333 2 0.15 0.183333 0.4 0.366667 0.333333 0.366667 0.5 0.9 0.566667 0.533333 0.533333 0.183333 0.116667 3 0.183333 0.4 0.366667 0.333333 0.366667 0.5 0.9 0.566667 0.533333 0.533333 0.183333 0.116667
4 0.4 0.366667 0.333333 0.366667 0.5 0.9 0.566667 0.533333 0.533333 0.183333 0.116667 0.1 0.366667
5 0.366667 0.333333 0.366667 0.5 0.9 0.566667 0.533333 0.533333 0.183333 0.116667 0.1 0.366667
6 0.333333 0.366667 0.5 0.9 0.566667 0.533333 0.533333 0.183333 0.116667 0.1 0.366667 0.35 7 0.366667 0.5 0.9 0.566667 0.533333 0.533333 0.183333 0.116667 0.1 0.366667 0.35 0.2
8 0.5 0.9 0.566667 0.533333 0.533333 0.183333 0.116667 0.1 0.366667 0.35 0.2 0.3 0.466667 9 0.9 0.566667 0.533333 0.533333 0.183333 0.116667 0.1 0.366667 0.35 0.2 0.3 0.466667 0.866667 10 0.566667 0.533333 0.533333 0.183333 0.116667 0.1 0.366667 0.35 0.2 0.3 0.466667 0.866667
11 0.533333 0.533333 0.183333 0.116667 0.1 0.366667 0.35 0.2 0.3 0.466667 0.866667 0.55 0.466667 12 0.533333 0.183333 0.116667 0.1 0.366667 0.35 0.2 0.3 0.466667 0.866667 0.55 0.466667 0.483333
(42)
Stasiun : Tuntungan
Data Hasil Normalisasi
Sumber: Data Sekunder, BMKG Sampali DATA LATIH ALGORITMA ANN
Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan Tahun 2005 Untuk Wilayah Tuntungan
RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES
2002 600 450 600 620 1600 1200 1550 1200 2500 2100 1800 1600
2003 800 400 800 500 1200 1600 1500 1000 2500 2550 1990 1995
2004 500 10 400 650 800 1500 1200 1450 2450 2700 1800 2000
RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES 2002 0.275465 0.230855 0.275465 0.281413 0.572862 0.453903 0.557993 0.453903 0.84052 0.721561 0.632342 0.57 2003 0.334944 0.215985 0.334944 0.245725 0.453903 0.572862 0.543123 0.394424 0.84052 0.85539 0.688848 0.69 2004 0.245725 0.1 0.215985 0.290335 0.334944 0.543123 0.453903 0.528253 0.825651 0.9 0.632342 0.69
POLA X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 TAR
1 0.275465 0.230855 0.275465 0.281413 0.572862 0.453903 0.557993 0.453903 0.84052 0.721561 0.632342 0.572862 0.245725 2 0.230855 0.275465 0.281413 0.572862 0.453903 0.557993 0.453903 0.84052 0.721561 0.632342 0.572862 0.245725
3 0.275465 0.281413 0.572862 0.453903 0.557993 0.453903 0.84052 0.721561 0.632342 0.572862 0.245725 0.1 0.215985 4 0.281413 0.572862 0.453903 0.557993 0.453903 0.84052 0.721561 0.632342 0.572862 0.245725 0.1 0.215985 0.290335
5 0.572862 0.453903 0.557993 0.453903 0.84052 0.721561 0.632342 0.572862 0.245725 0.1 0.215985 0.290335 0.334944 6 0.453903 0.557993 0.453903 0.84052 0.721561 0.632342 0.572862 0.245725 0.1 0.215985 0.290335 0.334944 0.543123
7 0.557993 0.453903 0.84052 0.721561 0.632342 0.572862 0.245725 0.1 0.215985 0.290335 0.334944 0.543123 0.453903 8 0.453903 0.84052 0.721561 0.632342 0.572862 0.245725 0.1 0.215985 0.290335 0.334944 0.543123 0.453903 0.528253 9 0.84052 0.721561 0.632342 0.572862 0.245725 0.1 0.215985 0.290335 0.334944 0.543123 0.453903 0.528253 0.825651 10 0.721561 0.632342 0.572862 0.245725 0.1 0.215985 0.290335 0.334944 0.543123 0.453903 0.528253 0.825651
11 0.632342 0.572862 0.245725 0.1 0.215985 0.290335 0.334944 0.543123 0.453903 0.528253 0.825651 0.9 0.632342 12 0.572862 0.245725 0.1 0.215985 0.290335 0.334944 0.543123 0.453903 0.528253 0.825651 0.9 0.632342 0.691822
(43)
Stasiun : Patumbak
Data Hasil Normalisasi
Sumber: Data Sekunder, BMKG Sampali DATA LATIH ALGORITMA ANN
Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan Tahun 2005 Untuk Wilayah Patumbak
RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES
2002 450 200 600 500 650 600 900 1000 2250 1400 1000 500
2003 400 300 350 370 800 700 800 850 2400 1400 1000 500
2004 500 250 470 450 700 600 1100 1000 2500 1450 1100 500
RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES 2002 0.186957 0.1 0.23913 0.204348 0.256522 0.23913 0.343478 0.378261 0.813043 0.517391 0.378261 0.2043 2003 0.169565 0.134783 0.152174 0.15913 0.308696 0.273913 0.308696 0.326087 0.865217 0.517391 0.378261 0.2043 2004 0.204348 0.117391 0.193913 0.186957 0.273913 0.23913 0.413043 0.378261 0.9 0.534783 0.413043 0.2043
POLA X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 TAR
1 0.186957 0.1 0.23913 0.204348 0.256522 0.23913 0.343478 0.378261 0.813043 0.517391 0.378261 0.204348 0.204348 2 0.1 0.23913 0.204348 0.256522 0.23913 0.343478 0.378261 0.813043 0.517391 0.378261 0.204348 0.204348 0.117391 3 0.23913 0.204348 0.256522 0.23913 0.343478 0.378261 0.813043 0.517391 0.378261 0.204348 0.204348 0.117391 0.193913 4 0.204348 0.256522 0.23913 0.343478 0.378261 0.813043 0.517391 0.378261 0.204348 0.204348 0.117391 0.193913 0.186957
5 0.256522 0.23913 0.343478 0.378261 0.813043 0.517391 0.378261 0.204348 0.204348 0.117391 0.193913 0.186957 0.273913 6 0.23913 0.343478 0.378261 0.813043 0.517391 0.378261 0.204348 0.204348 0.117391 0.193913 0.186957 0.273913 0.
7 0.343478 0.378261 0.813043 0.517391 0.378261 0.204348 0.204348 0.117391 0.193913 0.186957 0.273913 0.23913 0.413043 8 0.378261 0.813043 0.517391 0.378261 0.204348 0.204348 0.117391 0.193913 0.186957 0.273913 0.23913 0.413043 0.378261 9 0.813043 0.517391 0.378261 0.204348 0.204348 0.117391 0.193913 0.186957 0.273913 0.23913 0.413043 0.378261
10 0.517391 0.378261 0.204348 0.204348 0.117391 0.193913 0.186957 0.273913 0.23913 0.413043 0.378261 0.9 0.534783 11 0.378261 0.204348 0.204348 0.117391 0.193913 0.186957 0.273913 0.23913 0.413043 0.378261 0.9 0.534783 0.413043 12 0.204348 0.204348 0.117391 0.193913 0.186957 0.273913 0.23913 0.413043 0.378261 0.9 0.534783 0.413043 0.204348
(44)
Stasiun : Polonia
Data Hasil Normalisasi
Sumber: Data Sekunder, BMKG Sampali DATA LATIH ALGORITMA ANN
Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan Tahun 2006 Untuk Wilayah Polonia
RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES
2003 650 300 500 1000 1200 700 950 1400 2600 1550 1500 1500
2004 450 250 200 1000 950 500 800 1300 2500 1550 1300 1350
2005 500 20 10 800 750 400 600 1200 2500 1400 1450 1250
RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES 2003 0.297683 0.189575 0.251351 0.405792 0.467568 0.313127 0.390347 0.529344 0.9 0.575676 0.560232 0.560 2004 0.235907 0.174131 0.158687 0.405792 0.390347 0.251351 0.344015 0.498456 0.869112 0.575676 0.498456 0.5 2005 0.251351 0.103089 0.1 0.344015 0.328571 0.220463 0.282239 0.467568 0.869112 0.529344 0.544788 0.483
POLA X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 TAR
1 0.297683 0.189575 0.251351 0.405792 0.467568 0.313127 0.390347 0.529344 0.9 0.575676 0.560232 0.560232 0. 2 0.189575 0.251351 0.405792 0.467568 0.313127 0.390347 0.529344 0.9 0.575676 0.560232 0.560232 0.251351 0. 3 0.251351 0.405792 0.467568 0.313127 0.390347 0.529344 0.9 0.575676 0.560232 0.560232 0.251351 0.103089 4 0.405792 0.467568 0.313127 0.390347 0.529344 0.9 0.575676 0.560232 0.560232 0.251351 0.103089 0.1 0.
5 0.467568 0.313127 0.390347 0.529344 0.9 0.575676 0.560232 0.560232 0.251351 0.103089 0.1 0.344015 0. 6 0.313127 0.390347 0.529344 0.9 0.575676 0.560232 0.560232 0.251351 0.103089 0.1 0.344015 0.328571 0.
7 0.390347 0.529344 0.9 0.575676 0.560232 0.560232 0.251351 0.103089 0.1 0.344015 0.328571 0.220463 0. 8 0.529344 0.9 0.575676 0.560232 0.560232 0.251351 0.103089 0.1 0.344015 0.328571 0.220463 0.282239 0. 9 0.9 0.575676 0.560232 0.560232 0.251351 0.103089 0.1 0.344015 0.328571 0.220463 0.282239 0.467568 0. 10 0.575676 0.560232 0.560232 0.251351 0.103089 0.1 0.344015 0.328571 0.220463 0.282239 0.467568 0.869112 0. 11 0.560232 0.560232 0.251351 0.103089 0.1 0.344015 0.328571 0.220463 0.282239 0.467568 0.869112 0.529344 0. 12 0.560232 0.251351 0.103089 0.1 0.344015 0.328571 0.220463 0.282239 0.467568 0.869112 0.529344 0.544788 0.
(45)
Stasiun : Tuntungan
Data Hasil Normalisasi
Sumber: Data Sekunder, BMKG Sampali DATA LATIH ALGORITMA ANN
Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan Tahun 2006 Untuk Wilayah Tuntungan
RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES
2003 800 400 800 500 1200 1600 1500 1000 2500 2550 1990 1995
2004 500 10 400 650 800 1500 1200 1450 2450 2700 1800 2000
2005 400 100 450 550 700 1400 1200 1500 2200 2400 1600 2100
RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES 2003 0.334944 0.215985 0.334944 0.245725 0.453903 0.572862 0.543123 0.394424 0.84052 0.85539 0.688848 0.6 2004 0.245725 0.1 0.215985 0.290335 0.334944 0.543123 0.453903 0.528253 0.825651 0.9 0.632342 0.6 2005 0.215985 0.126766 0.230855 0.260595 0.305204 0.513383 0.453903 0.543123 0.751301 0.810781 0.572862 0.7
POLA X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 TAR
1 0.334944 0.215985 0.334944 0.245725 0.453903 0.572862 0.543123 0.394424 0.84052 0.85539 0.688848 0.690335 0.215985 2 0.215985 0.334944 0.245725 0.453903 0.572862 0.543123 0.394424 0.84052 0.85539 0.688848 0.690335 0.215985 0.126766 3 0.334944 0.245725 0.453903 0.572862 0.543123 0.394424 0.84052 0.85539 0.688848 0.690335 0.215985 0.126766 0.230855 4 0.245725 0.453903 0.572862 0.543123 0.394424 0.84052 0.85539 0.688848 0.690335 0.215985 0.126766 0.230855 0.260595
5 0.453903 0.572862 0.543123 0.394424 0.84052 0.85539 0.688848 0.690335 0.215985 0.126766 0.230855 0.260595 0.305204 6 0.572862 0.543123 0.394424 0.84052 0.85539 0.688848 0.690335 0.215985 0.126766 0.230855 0.260595 0.305204 0.513383
7 0.543123 0.394424 0.84052 0.85539 0.688848 0.690335 0.215985 0.126766 0.230855 0.260595 0.305204 0.513383 0.453903 8 0.394424 0.84052 0.85539 0.688848 0.690335 0.215985 0.126766 0.230855 0.260595 0.305204 0.513383 0.453903 0.543123 9 0.84052 0.85539 0.688848 0.690335 0.215985 0.126766 0.230855 0.260595 0.305204 0.513383 0.453903 0.543123 0.751301 10 0.85539 0.688848 0.690335 0.215985 0.126766 0.230855 0.260595 0.305204 0.513383 0.453903 0.543123 0.751301 0.810781 11 0.688848 0.690335 0.215985 0.126766 0.230855 0.260595 0.305204 0.513383 0.453903 0.543123 0.751301 0.810781 0.572862 12 0.690335 0.215985 0.126766 0.230855 0.260595 0.305204 0.513383 0.453903 0.543123 0.751301 0.810781 0.572862 0.721561
(46)
Stasiun : Patumbak
Data Hasil Normalisasi
Sumber: Data Sekunder, BMKG Sampali DATA LATIH ALGORITMA ANN
Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan Tahun 2006 Untuk Wilayah Patumbak
RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES
2003 400 300 350 370 800 700 800 850 2400 1400 1000 500
2004 500 250 470 450 700 600 1100 1000 2500 1450 1100 500
2005 400 150 150 400 550 400 1100 1200 2400 1500 950 400
RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES 2003 0.185106 0.151064 0.168085 0.174894 0.321277 0.287234 0.321277 0.338298 0.865957 0.525532 0.389362 0.21914 2004 0.219149 0.134043 0.208936 0.202128 0.287234 0.253191 0.423404 0.389362 0.9 0.542553 0.423404 0.21914 2005 0.185106 0.1 0.1 0.185106 0.23617 0.185106 0.423404 0.457447 0.865957 0.559574 0.37234 0.18510
POLA X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 TAR
1 0.185106 0.151064 0.168085 0.174894 0.321277 0.287234 0.321277 0.338298 0.865957 0.525532 0.389362 0.219149 0.185106 2 0.151064 0.168085 0.174894 0.321277 0.287234 0.321277 0.338298 0.865957 0.525532 0.389362 0.219149 0.185106
3 0.168085 0.174894 0.321277 0.287234 0.321277 0.338298 0.865957 0.525532 0.389362 0.219149 0.185106 0.1
4 0.174894 0.321277 0.287234 0.321277 0.338298 0.865957 0.525532 0.389362 0.219149 0.185106 0.1 0.1 0.185106
5 0.321277 0.287234 0.321277 0.338298 0.865957 0.525532 0.389362 0.219149 0.185106 0.1 0.1 0.185106 0. 6 0.287234 0.321277 0.338298 0.865957 0.525532 0.389362 0.219149 0.185106 0.1 0.1 0.185106 0.23617 0.185106
7 0.321277 0.338298 0.865957 0.525532 0.389362 0.219149 0.185106 0.1 0.1 0.185106 0.23617 0.185106 0.423404 8 0.338298 0.865957 0.525532 0.389362 0.219149 0.185106 0.1 0.1 0.185106 0.23617 0.185106 0.423404 0.457447 9 0.865957 0.525532 0.389362 0.219149 0.185106 0.1 0.1 0.185106 0.23617 0.185106 0.423404 0.457447 0.865957 10 0.525532 0.389362 0.219149 0.185106 0.1 0.1 0.185106 0.23617 0.185106 0.423404 0.457447 0.865957 0.559574 11 0.389362 0.219149 0.185106 0.1 0.1 0.185106 0.23617 0.185106 0.423404 0.457447 0.865957 0.559574 0. 12 0.219149 0.185106 0.1 0.1 0.185106 0.23617 0.185106 0.423404 0.457447 0.865957 0.559574 0.37234 0.185106
(1)
TUGAS AKHIR
PREDIKSI POTENSI DEBIT BERDASARKAN DATA HUJAN MAKSIMUM BULANAN DENGAN METODE JARINGAN SYARAF TIRUANBACKPROPAGATION DI DAERAH ALIRAN SUNGAI (DAS)
DELI
Disusun oleh :
10 0404 043 ANDI WIJAYA S
Dosen Pembimbing :
NIP. 19660417 199303 1 004
Dr.Ir.Ahmad Perwira Mulia Tarigan, M.Sc
(2)
ABSTRAK
Indonesia mempunyai banyak pulau dan daerah aliran sungai (DAS). Daerah aliran sungai tidak sepenuhnya mempunyai stasiun debit sehingga perlu dilakukan pendekatan teknis untuk mengatasi pengabsahan data yang dapat dipertanggungjawabkan.
Skripsi ini membahas mengenai prediksi potensi debit berdasarkan data
curah hujan maksimum bulanan dengan menggunakan metode backpropogation
pada jaringan sistem syaraf tiruan (Artificial Neural Network). Daerah aliran sungai (DAS) Deli merupakan daerah aliran sungai provinsi Sumatera Utara dengan luas 45.298,01 Ha. Data – data yang diperoleh berdasarkan data dari badan wilayah sungai di provinsi Sumatera Utara.
Dari hasil perhitungan, debit hasil prediksi tahun 2017 hingga tahun 2020 dalam metode jaringan syaraf tiruan menghasilkan periode yang dihitung selama
10 tahun kemudian hidden layer pada pembacaan di jaringan syaraf tiruan adalah
sebanyak 2 layer dengan di dalamnya memiliki 2 neuron, momentum sebesar 0,6
epoch sebesar 1000 dan goal sebesar 0,001. Kemudian cenderung meningkat dan
bisa mengakibatkan kenaikan debit aliran sungai itu sendiri.
Kata kunci : daerah aliran sungai, jaringan syaraf tiruan, backpropagation, hidden
(3)
KATA PENGANTAR
Penulis panjatkan puji dan syukur kehadirat Tuhan YME atas segala rahmat dan karunia yang diberikan kepada penulis sehingga penulisan laporan tugas akhir ini yang berjudul “Prediksi Potensi Debit berdasarkan Data Curah Hujan Maksimum Bulanan dengan metode Jaringan Syaraf Tiruan
Backpropogation di Daerah Aliran Sungai (DAS) Deli” dapat diselesaikan dengan
baik.
Tujuan penulisan laporan tugas akhir ini adalah untuk memenuhi sebagian persyaratan untuk memperoleh gelar Sarjana Teknik tingkat sarjana Strata–1 (S-1) di Fakultas Teknik, Jurusan Teknik Sipil, Universitas Sumatera Utara.
Dalam kesempatan ini penulis mengucapkan terima kasih kepada semua pihak yang telah memberikan sumbangannya baik berupa bimbingan, bantuan dan dukungan baik material maupun spiritual sehingga tugas akhir ini dapat diselesaikan, khususnya kepada:
1. Bapak Prof. Dr. Ing. Johannes Tarigan, selaku Ketua Jurusan Teknik Sipil,
Fakultas Teknik, Universitas Sumatera Utara.
2. Bapak Ir. Syahrizal, MT, selaku Sekretaris Jurusan Teknik Sipil, Fakultas
Teknik, Universitas Sumatera Utara.
3. Bapak Dr. Ir. Ahmad Perwira Mulia, M.Sc, selaku dosen pembimbing
yang telah berkenaan meluangkan waktu, tenaga dan pikiran untuk membantu, membimbing, dan mengarahkan penulis hingga selesainya tugas akhir ini.
4. Ibu Riza Inanda Siregar S.T,M.T dan Bapak Ivan Indrawan , ST. MT
selaku Dosen Pembanding / Penguji yang telah memberikan masukkan dan kritikan yang membangun dalam menyelesaikan tugas akhir ini.
(4)
dukungan semangat dan doa kepada penulis. Semoga Tuhan Yesus membalas dengan kebaikan dan kasih sayang yang tiada henti.
8. Adik-adik ku tersayang Santa Novia Sitanggang, Lena Christina
Sitanggang, Alexandro Del Piero Parlindungan Sitanggang dan Monica Theresia yang selalu memberikan dukungan dan doa kepada penulis sehingga tetap semangat mengerjakan tugas akhir ini.
9. Teman-teman seperjuangan di kampus diantaranya Bram, Reza, Rizal,
Leo, Umri, Triya, Dede, Himawan, Ijep, Iwan, Rohani dan yang lainnya yang tidak dapat disebutkan satu persatu, terima kasih kepada semuanya yang telah banyak membantu selama ini.
10.Seluruh rekan-rekan yang tidak mungkin penulis tuliskan satu persatu.
Semoga Tuhan YME membalas dan melimpahkan rahmat dan karunia-Nya kepada kita semua, dan atas dukungan yang telah diberikan penulis ucapkan terima kasih.
Penulis menyadari bahwa masih banyak kekurangan dan kelemahan dalam penulisan tugas akhir ini, untuk itu penulis dengan tulus dan terbuka menerima kritikan dan saran untuk kesempurnaan tugas akhir ini.
Sebagai penutup, penulis berharap semoga tugas akhir ini dapat bermanfaat bagi kita semua.
Medan, Maret 2017
Penulis
10 0404 043 Andi Wijaya S
(5)
DAFTAR ISI
LEMBAR PENGESAHAN i
LEMBAR ASISTENSI ii
ABSTRAK iv
KATA PENGANTAR v
DAFTAR ISI viii
DAFTAR TABEL xi
DAFTAR GAMBAR xii
DAFTAR NOTASI xiii
BAB I PENDAHULUAN
1.1Latar Belakang 1
1.2Perumusan Masalah 2
1.3Pembatasan Masalah 2
1.4Tujuan 3
1.5Manfaat 3
1.6Sistematika Penulisan 4
BAB IITINJAUAN PUSTAKA
2.1Umum
2.2Program Jaringan Syaraf Tiruan 6
2.2.1 Defenisi Jaringan Syaraf Tiruan 8
2.2.2 Arsitektur Jaringan 9
2.2.3 Jaringan Backpropogation 13
2.2.4 Fungsi Mathlab dalam ANN 17
2.2.5 Perkembangan Program ANN 21
2.2.6 Tampilan Utama pada Mathlab 28
(6)
3.2Pengembangan Model ANN 46
BAB IV Hasil dan Pembahasan
4.1Perhitungan Debit Hujan dengan Program ANN 52
4.1.1 Variasi Parameter untuk Desain ANN 56
4.2Perhitungan Data Curah Hujan Kawasan 58
4.3Proses Running Program ANN 58
4.4Analisis Keandalan Model 66
BAB VKESIMPULAN DAN SARAN
5.1Kesimpulan 76
5.2Saran 76