Latar Belakang Analisis Perbandingan Backpropagation Dengan Learning Vector Quantization (LVQ) Untuk Memprediksi Curah Hujan Di Kota Medan

BAB 1 PENDAHULUAN

1.1 Latar Belakang

Jaringan Syaraf Tiruan JST adalah sebuah alat pemodelan data statistik non- linier. JST dapat digunakan untuk memodelkan hubungan yang kompleks antara input dan output untuk menemukan pola-pola pada data.Jaringan Syaraf Tiruan merupakan salah satu sistem pemrosesan informasi yang didesain dengan menirukan cara kerja otak manusia dalam menyelesaikan suatu masalah dengan melakukan proses pembelajaran melalui perubahan bobot sinapsisnya.Sebuah JST dikonfigurasikan untuk aplikasi tertentu seperti pengenalan pola atau klasifikasi data, melalui proses pembelajaran. Pada proses pembelajaran, kedalam jaringan saraf tiruan dimasukkan pola-pola input atau outputlalu jaringan akan diajari untuk memberikan jawaban yang bisa diterima. Pada penelitian Yuniar, et al, 2013 dengan judul Perbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan algoritma Neural NetworkBackpropagation. Penelitian ini bertujuan untuk memprakirakan kecepatan angin dancurah hujan di Bandara Abdulrahman Saleh Malang menggunakan neural network multilayer dengan algoritma Backpropagation. Parameter yang digunakan dalam penelitian ini terdiri dari tiga input yakni suhu udara, kelembaban udara, tekanan udara dan dua output yakni kecepatan angin dan curah hujan. Proses trainingmenghasilkan arsitektur terbaik dengan hidden layer 5dan learning rate 0,9. Dari grafik hasil prakiraan diketahui bahwa output prakiraan sudah mendekati nilai target. Model telah berhasil melakukan proses prakiraan dengan baik dengan nilai MSE prakiraan kecepatan angin sebesar 0,0086 dan nilai MSE prakiraan curah hujan sebesar 0,004846. Universitas Sumatera Utara Pada penelitian Silvia, E. 2007, Didesain jaringan syaraf tiruan untuk memprediksi kualitas gulakristal putih.Sistem ini dibangun dengan menggunakan Jaringan Syaraf Tiruan JST dalam sebuah interfaceyang mudah dipahami yang disebut Sugar Quality PredictionSQP. Algoritma pembelajaran JST yang digunakan adalah BackpropagationBP dan Learning Vector QuantizationLVQ. Sistem SQP menggunakan disain JST dengan arsitektur jaringan Backpropagation dan LVQ yang terbaik berdasarkan trial and errorpada proses pelatihan. Arsitektur jaringan BP terbaik adalah dengan konfigurasi 35 neuronpada lapisan input, 20 neuronpada hidden layerdan 1 neuronpada lapisan outputatau [35 20 1], fungsi aktivasi purelin, algoritma training trainlm, momentum 0.05, set goal error0.01 danset jumlah epoh 1000 dimana nilai MSEnya 0.0098684 pada epoh ke-2 dan R bernilai 1.000. Arsitektur jaringan LVQ terbaik adalah dengan konfigurasi 35 neuronpada lapisan input, 10 neuronpada competitive layerdan 3 neuronpada lapisan output, algoritma trainingyang dipilih adalah learnlv1, learning rate0.1, setgoal error0.0001 dan set jumlah epoh 1000, dimana nilai MSEnya adalah 0 pada epoh ke-2 dan R bernilai 1.000. Proses pengujian sistem SQP menunjukkan hasil outputmemiliki kesesuaian yang tinggi terhadap target yang telah ditentukan. Implementasi SQP menggunakan data aktual periode 2005 menunjukkan bahwa berdasarkan prediksi BP selama 70 periode terdapat 61 periode yang dihasilkangula kristal putih GKP berkualitas 1 dan sebanyak 9 periode berkualitas 2, sedangkan prediksi dengan LVQ menunjukkan bahwa selama 70 periode terdapat 62 periode dimana GKP yang dihasilkan berkualitas 1 dan sebanyak 8 periode berkualitas 2. Hal ini menunjukkan sistem dapat mengelompokkan ke dalam kelas-kelas kualitas GKP. LVQ adalah suatu metode pelatihan pada lapisan kompetitif terawasi yang akan belajar secara otomatis untuk mengklasifikasikan vektor-vektor input kedalam kelas- kelas tertentu. Kelas-kelas yang dihasilkan tergantung pada jarak antara vektor-vektor input. Jika ada 2 vektor input yang hampir sama maka lapisan kompetitif akan mengklasifikasikan kedua vektor input tersebut kedalam kelas yang sama. Backpropagationadalah metode penurunan gradien untuk meminimalkan kuadrat error keluaran dengan tiga tahap yang harus dilakukan dalam pelatihan jaringan yaitu tahap perambatan maju forward propagation, tahap perambatan balik, dan tahap Universitas Sumatera Utara perubahan bobot dan bias. Arsitektur jaringan ini terdiri dari input layer, hidden layer dan output layer Dengan melihat penelitian Yuniar diatas, maka penulis berniat melakukan melakukan analisis dan perbandingan algoritma dengan judul tesis ini dengan Analisis Perbandingan Back Propagationdengan Learning Vector Quantization LVQ untukMemprediksi Curah Hujan Di Medan.

1.2 Rumusan Masalah