ANALISIS PENGGUNAAN DATA BINER PADA PRED
ANALISIS PENGGUNAAN DATA BINER PADA
PREDIKSI CUACA EKSTRIM KOTA MEDAN
MENGGUNAKAN METODE
BACKPROPAGATION NEURAL NETWORK
Yudhi Andrian
Erlinda Ningsih
Dosen Teknik Informatika, STMIK Potensi Utama
Jl. K.L. Yos Sudarso Km 6,5 No. 3A Tanjung Mulia-Medan
yudhi.andrian@gmail.com,
Mahasiswi Sistem Informasi, STMIK Potensi Utama
Jl. K.L. Yos Sudarso Km 6,5 No. 3A Tanjung Mulia-Medan
erlinda.301093@gmail.com
Abstract— Wilayah Kota Medan pada saat memasuki masa
pancaroba akan mengalami masa transisi dari Musim Kemarau
ke Musim Hujan umumnya memiliki kondisi cuaca yang tidak
stabil. Pola-pola cuaca yang menyimpang atau yang biasa di
sebut dengan ekstrim belakangan ini sangat sering terjadi dan
frekuensinya cenderung bertambah. Jaringan Saraf Tiruan
(Artificial Neural Network) sebagian besar telah cukup handal
dalam pemecahan masalah, salah satunya adalah prediksi cuaca
dengan metode backpropagation. Pada penelitian ini penulis akan
menganalisis penggunaan data biner pada prediksi cuaca ekstrim
Kota Medan menggunakan metode backpropagation neural
network. Penulis akan menggunakan tiga parameter data dalam
memprediksi cuaca yaitu data curah hujan, data suhu, dan data
kelembaban tahun 1997 – 2013 dengan inputan data biner. Dari
hasil penelitian dapat disimpulkan antara lain : Backpropagation
neural network tidak dapat mengenali pola data biner curah
hujan. Backpropagation neural network dapat mengenali pola
data biner suhu pada target error 0.05. Backpropagation neural
network dapat mengenali pola data biner kelembaban yang
diberikan dengan baik. Tingkat keakurasian terbesar pada
proses pengujian prediksi cuaca ekstrim di Kota Medan
menggunakan data biner adalah pada data kelembaban yaitu
100% dengan kuadrat error 0,05.
Keywords—prediksi cuaca; data biner; backpropagation;
neural network.
I.
PENDAHULUAN
Wilayah Kota Medan pada saat memasuki masa pancaroba
akan mengalami masa transisi dari Musim Kemarau ke Musim
Hujan umumnya memiliki kondisi cuaca yang tidak stabil.
Pola-pola cuaca yang menyimpang atau yang biasa di sebut
dengan ekstrim belakangan ini sangat sering terjadi dan
frekuensinya cenderung bertambah. Cuaca ekstrim yang biasa
terjadi antara lain : Angin kencang, suhu udara yang tinggi
dengan periodenya yang singkat kadang-kadang disertai
dengan angin puting beliung dan curah hujan dengan
intensitas tinggi yang dapat mengakibatkan terjadinya banjir
dan longsor. Cuaca ekstrim adalah keadaan atau fenomena
kondisi cuaca di atas normal terjadi di suatu wilayah tertentu
berskala jangka pendek, misalnya suhu rata-rata 33° C,
kemudian suhu menjadi 33-47°C, curah hujan melebihi 100
mm. Kondisi cuaca ekstrim sangat berdampak terhadap
timbulnya bencana sehingga perlu diantisipasi. Pemilihan
metode yang tepat untuk menentukan kondisi cuaca adalah
kegiatan yang akhir-akhir ini sering dilakukan oleh beberapa
peneliti atmosfer dan cuaca.
Jaringan Saraf Tiruan (Artificial Neural Network) sebagian
besar telah cukup handal selama beberapa tahun terakhir
dalam pemecahan masalah. Jaringan saraf tiruan menyediakan
metodologi yang sangat handal dalam pemecahan masalah
non-linier. Jaringan saraf tiruan terinspirasi oleh otak manusia
di mana neuron saling interkoneksi secara non-linier. Neuron
saling terhubung satu sama lain melalui suatu jaringan.
Jaringan ini yang dilatih menggunakan algoritma
backpropagation yang mengikuti Gradient Descent Method
[3].
Backpropagation merupakan salah satu arsitektur Artificial
Neural Network yang memiliki proses pembelajaran maju dan
koreksi kesalahan secara mundur. Model ini banyak digunakan
baik itu untuk proses pengenalan maupun prediksi dengan
tingkat akurasi yang cukup baik [1].
Naik, Arti R. dan Prof. S.K.Pathan (2012) mengusulkan
sebuah metode baru prakiraan cuaca menggunakan jaringan
saraf tiruan feed-forward dan datanya dapat dilatih dengan
menggunakan algoritma Levenberg Marquardt untuk
memprediksi cuaca masa depan. Di antara beberapa algoritma
backpropagation, backpropagation levenberg adalah yang
tercepat [3].
Soudry, Daniel dan Ron Meir (2013) mengembangkan
algoritma pembelajaran komputasi yang efisien untuk jaringan
saraf multilayer dengan bobot biner, dengan menganggap
semua neuron yang tersembunyi memiliki fan-out dari satu.
Algoritma ini diturunkan di dalam pengaturan probabilitas
Bayes, dan terbukti bekerja dengan baik untuk masalah buatan
dan dunia nyata dengan melakukan perbandingan algoritma
dengan bobot bernilai real sementara tetap mempertahankan
kemudahan komputasi[5].
Pada penelitian ini penulis akan menganalisis penggunaan
data biner pada prediksi cuaca ekstrim Kota Medan
menggunakan metode backpropagation neural network. Data
cuaca akan dikelompokkan menjadi 2 data, yaitu data cuaca
normal akan diubah menjadi 0 dan data cuaca ekstrim akan
diubah menjadi 1. Penulis akan menggunakan tiga parameter
data dalam memprediksi cuaca yaitu data curah hujan, data
suhu, dan data kelembaban tahun 1997 – 2013. Penelitian ini
bertujuan untuk mengetahui apakah data biner dapat
digunakan untuk memprediksi cuaca ekstrim di Kota Medan
dengan lebih cepat atau lebih baik.
II.
NEURAL NETWORK
Neural Network / 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) [6].
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 [3].
III.
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) [4].
Langkah-langkah
dalam
membangun
algoritma
backpropagation adalah sebagai berikut [6]:
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).
n
z ¿ j =v 0 j+ ∑ xi v ij
(1)
i=1
Dan menerapkan fungsi aktivasi untuk menghitung
sinyal output-nya, ditunjukkan dengan persamaan (2).
z j=f ( z ¿ j)
(2)
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).
y k =f ( y ¿k )
(4)
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 =α δ z
jk
k
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 bias, ditunjukkan
dengan persamaan (11).
(11)
∆ v =α δ
0j
j
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).
(12)
w ( baru )=w (lama )+ ∆ w
jk
jk
jk
Setiap unit tersembunyi (Zj, j=1,2,3,…,p) dilakukan
perubahan bobot dan bias (i=0,1,2,…,n), ditunjukkan
dengan persamaan (13).
(13)
v ij ( baru )=v ij ( lama ) + ∆ v ij
2) Tes kondisi berhenti.
IV.
METODE PENELITIAN
Penelitian ini bertujuan untuk menganalisis penggunaan
data biner pada prediksi cuaca ekstrim kota Medan
menggunakan metode backpropagation neural network.
Penulis ingin mengetahui bagaimana penggunaan data biner
dalam mengenali pola tiga parameter data yaitu data curah
hujan, data suhu, dan data kelembaban dalam memprediksi
cuaca di Kota Medan. Penulis juga ingin mengetahui apakah
dengan menggunakan data binner proses pengenalan dapat
lebih cepat dan lebih baik.
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 – 2013. Data bersumber dari BMKG Stasiun
Polonia, Kota Medan.
Prediksi cuaca dengan jaringan saraf tiruan
backpropagation digunakan langkah-langkah sebagai berikut:
a. Mengubah data cuaca menjadi data biner dengan cara
mengelompokkan data cuaca menjadi 2 kelompok, yaitu
kelompok data cuaca ekstrim dan kelompok data cuaca
tidak ekstrim. Kelompok data cuaca ekstrim diubah
menjadi data 1 dan kelompok data tidak ekstrim diubah
menjadi data 0.
b. 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.
c. 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. 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
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
ke-2 sampai tahun ke-9 (data input 1998 – 2005 dengan
target 2006), demikian seterusnya.
d. 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.
e. 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.
V.
HASIL DAN ANALISA
Proses yang ditempuh untuk prediksi cuaca ekstrim
menggunakan metode backpropagation neural
network
meliputi tahap training/pelatihan, tahap testing/pengujian dan
tahap prediksi. Data yang digunakan adalah data curah hujan,
data suhu, dan data kelembaban Kota Medan tahun 1997 –
2013. Data-data tersebut akan diubah kedalam bilangan biner
0 dan 1. Data curah hujan, suhu, dan kelembaban normal
bernilai 0 sedangkan yang ekstrim bernilai 1. 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 suhu tahun 1997 – 2004 dengan target
tahun 2005
1197
1998
1999
2000
2001
2002
2003
2004
0
0
0
0
1
0
0
1
0
0
0
0
0
0
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
1
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
1
0
1
1
1
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
200
5
0
0
1
1
1
1
1
1
0
0
0
0
Tabel 1(b). Data input curah hujan tahun 1997 – 2004 dengan
target tahun 2005
1197
1998
1999
2000
2001
2002
2003
2004
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
1
0
1
0
1
1
0
0
1
1
0
0
0
1
0
0
1
0
0
0
0
0
0
0
1
1
1
0
0
0
0
0
0
0
1
0
1
1
1
1
1
0
0
0
0
0
0
0
0
1
1
0
0
0
0
0
0
0
0
1
0
1
1
0
0
0
0
0
0
0
0
0
0
1
1
0
0
200
5
0
0
0
0
0
0
0
0
0
0
0
1
Tabel 1(c). Data input kelembaban tahun 1997 – 2004 dengan
target tahun 2005
1197
1998
1999
2000
2001
2002
2003
2004
0
0
0
0
0
0
0
0
0
0
1
1
1
0
0
0
0
0
0
1
0
0
0
1
0
0
1
1
1
0
0
0
1
0
0
1
1
0
0
0
0
0
0
0
1
0
1
0
1
0
0
1
0
0
0
0
1
1
1
1
1
0
0
0
0
0
0
0
0
1
1
1
1
1
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
200
5
0
0
0
0
0
0
0
0
0
0
0
1
Proses training dilakukan sampai error yang dihasilkan
sesuai atau lebih kecil dari target error. Pada proses training
ini dapat diketahui jumlah iterasi yang diperlukan untuk
mengenali data tersebut dan apakah data input dapat dikenali
atau tidak. Proses training dilakukan pada data asli dan data
biner untuk membandingkan hasil pengenalannya. Jumlah
iterasi dari hasil training untuk data biner dan data asli dapat
dilihat pada tabel 2.
Setelah tahap tranning, tahap berikutnya adalah pengujian.
Tahap pengujian digunakan untuk menguji validasi data yang
telah dilakukan pada proses training dengan memasukkan data
baru
yang
belum pernah dilatih sebelumnya untuk
mengetahui keakurasian dari sistem yang telah dibuat. Data
tahun 2009 – 2013 digunakan sebagai data pengujian.
Pengujian dilakukan dengan memvariasikan nilai target error
di mana jumlah hidden layer tetap yaitu 6, alpha=1, dan
iterasi maksimum=100.000. Hasil pengujian dapat dilihat
pada tabel 2.
Tabel 2(a). Hasil pengujian dengan data asli
Target
error
0.05
0.02
0.01
0.009
Curah hujan
Iteras
Akuras
i
i
2
10.9 %
3
11.2 %
66
30.18%
87
37.12%
Iteras
i
2
18
9586
10197
Suhu
Akuras
i
69.88%
71.67%
79.22%
75,87%
Kelembaban
Iteras
Akuras
i
i
2
73.78%
29
76.57%
4011
86.28%
~
-
Tabel 2(b). Hasil pengujian dengan data biner
Target
error
0.05
0.02
0.01
0.009
Curah hujan
Iteras
Akuras
i
i
~
~
~
~
-
Iteras
i
107
~
~
~
Suhu
Akuras
i
60.67%
-
Kelembaban
Iteras
Akuras
i
i
3
100%
170
99.97%
194
99.93%
198
99.93%
Dari hasil pengujian pada Tabel 2(a), yaitu pengujian
dengan menggunakan data asli 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 di atas 100.000.
Pada Tabel 2(b), yaitu pengujian dengan menggunakan
data biner dapat dilihat bahwa data curah hujan dengan target
error 0.05, 0.02, 0.01, dan 0.009 memiliki jumlah iterasi di
atas 100.000. Pada data suhu, pengujian dengan target error
0.05 didapatkan jumlah iterasi=107 dengan tingkat
keakurasian=60.67%. Untuk target error 0.02, 0.01, 0.009
memiliki jumlah iterasi di atas 100.000. Pada data
kelembaban, jumlah iterasi terkecil ada pada target error 0.05
dengan jumlah iterasi=3 dengan tingkat keakurasian=100%
dan jumlah iterasi terbesar ada pada target error 0.009 dengan
jumlah iterasi=198 dengan tingkat keakurasian= 99.93%.
Pada Tabel 2 dapat dilihat perbandingan hasil pengujian
dengan menggunakan data asli dan data bner. Data asli dapat
mengenali curah hujan, suhu dan kelembaban, sedangkan
pengujian kelembaban pada target error 0.009 tidak dapat
dikenali. Hasil pengujian dengan menggunakan data biner,
data biner tidak dapat mengenali curah hujan dan suhu. Data
suhu hanya dapat dikenali pada target error 0.05. Tetapi
penggunaan data biner sangat baik dalam pengujian
kelembaban yang mencapai akurasi 100% dengan target error
0.05.
Proses terakhir yaitu melakukan prediksi cuaca ekstrim
untuk beberapa tahun berikutnya dengan mengambil data
biner dengan akurasi terbaik. Untuk data curah hujan tidak
dapat diprediksi karena jaringan saraf tiruan tidak berhasil
mengenali data curah hujan.
Prediksi suhu ekstrim dilakukan dengan mengambil data
bobot dari hasil training dengan kuadrat error 0.5 dengan
tingkat keakurasian 60.67%. Hasil prediksi suhu ekstrim dapat
dilihat pada Tabel 3.
Tabel 3. Hasil prediksi suhu 2014 – 2018
Tahun
Bulan
1
2
3
4
5
6
7
8
9
10
11
12
2014
2015
2016
2017
2018
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
0
0
0
0
0
0
1
1
1
1
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
Dari Tabel 3 hasil prediksi suhu ekstrim tahun 2014 – 2018
dapat dilihat bahwa suhu ekstrim pada tahun 2015
diperkirakan terjadi pada bulan 2, 3, dan 4. Pada tahun 2016
diperkirakan terjadi pada bulan 6 dan 7. Pada tahun 2017 suhu
ekstrim diperkirakan terjadi pada bulan 2, 3, 4, 5, dan 10.
Untuk prediksi kelembaban ekstrim beberapa tahun
berikutnya mengambil data dengan kuadrat error 0.05 dengan
tingkat keakurasian 100%. Hasil prediksi kelembaban dapat
dilihat pada Tabel 4.
Tabel 4. Hasil prediksi kelembaban 2014 – 2018
Tahun
Bulan
1
2
3
4
5
6
7
8
9
10
11
12
2014
2015
2016
2017
2018
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
Dari hasil prediksi dapat disimpulkan bahwa prediksi
kelembaban masih dalam keadaan normal karena hasil
prediksi dari tahun 2014 – 2018 bernilai 0.
VI.
KESIMPULAN
Dari hasil penelitian dapat diambil beberapa kesimpulan
antara lain:
a. Backpropagation neural network tidak dapat mengenali
pola data biner curah hujan.
b. Backpropagation neural network dapat mengenali pola
data biner suhu pada target error 0.05, sedangkan untuk
target error yang lebih kecil data biner tidak dapat dikenali.
c. Backpropagation neural network dapat mengenali pola
data biner kelembaban yang diberikan dengan baik.
d. Tingkat keakurasian terbesar pada proses pengujian
prediksi cuaca ekstrim di Kota Medan menggunakan data
biner adalah pada data kelembaban yaitu 100% dengan
kuadrat error 0,05.
e. Prediksi cuaca ekstrim kota medan menggunakan data
biner tidak dapat dilakukan dengan baik karena
penggunaan data biner hanya dapat mengenali parameter
kelembaban dan suhu.
DAFTAR PUSTAKA
[1]
[2]
[3]
[4]
[5]
[6]
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.
Ihwan, Andi, 2013,” Metode Jaringan Saraf Tiruan Propagasi Balik
untuk Estimasi Curah Hujan Bulanan di Ketapang Kalimantan Barat,”
Prosiding Semirata FMIPA Universitas Lampung.
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.
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.
Soudry, Daniel and Ron Meir, 2013, “Mean Field Bayes
Backpropagation: scalable training of multilayer neural networks with
binary weights,” Department of Electrical Engineering, Technion
32000, Haifa, Israel.
Sutojo, T., et al, 2010, “Kecerdasan Buatan,” Yogyakarta: Andi Offset.
PREDIKSI CUACA EKSTRIM KOTA MEDAN
MENGGUNAKAN METODE
BACKPROPAGATION NEURAL NETWORK
Yudhi Andrian
Erlinda Ningsih
Dosen Teknik Informatika, STMIK Potensi Utama
Jl. K.L. Yos Sudarso Km 6,5 No. 3A Tanjung Mulia-Medan
yudhi.andrian@gmail.com,
Mahasiswi Sistem Informasi, STMIK Potensi Utama
Jl. K.L. Yos Sudarso Km 6,5 No. 3A Tanjung Mulia-Medan
erlinda.301093@gmail.com
Abstract— Wilayah Kota Medan pada saat memasuki masa
pancaroba akan mengalami masa transisi dari Musim Kemarau
ke Musim Hujan umumnya memiliki kondisi cuaca yang tidak
stabil. Pola-pola cuaca yang menyimpang atau yang biasa di
sebut dengan ekstrim belakangan ini sangat sering terjadi dan
frekuensinya cenderung bertambah. Jaringan Saraf Tiruan
(Artificial Neural Network) sebagian besar telah cukup handal
dalam pemecahan masalah, salah satunya adalah prediksi cuaca
dengan metode backpropagation. Pada penelitian ini penulis akan
menganalisis penggunaan data biner pada prediksi cuaca ekstrim
Kota Medan menggunakan metode backpropagation neural
network. Penulis akan menggunakan tiga parameter data dalam
memprediksi cuaca yaitu data curah hujan, data suhu, dan data
kelembaban tahun 1997 – 2013 dengan inputan data biner. Dari
hasil penelitian dapat disimpulkan antara lain : Backpropagation
neural network tidak dapat mengenali pola data biner curah
hujan. Backpropagation neural network dapat mengenali pola
data biner suhu pada target error 0.05. Backpropagation neural
network dapat mengenali pola data biner kelembaban yang
diberikan dengan baik. Tingkat keakurasian terbesar pada
proses pengujian prediksi cuaca ekstrim di Kota Medan
menggunakan data biner adalah pada data kelembaban yaitu
100% dengan kuadrat error 0,05.
Keywords—prediksi cuaca; data biner; backpropagation;
neural network.
I.
PENDAHULUAN
Wilayah Kota Medan pada saat memasuki masa pancaroba
akan mengalami masa transisi dari Musim Kemarau ke Musim
Hujan umumnya memiliki kondisi cuaca yang tidak stabil.
Pola-pola cuaca yang menyimpang atau yang biasa di sebut
dengan ekstrim belakangan ini sangat sering terjadi dan
frekuensinya cenderung bertambah. Cuaca ekstrim yang biasa
terjadi antara lain : Angin kencang, suhu udara yang tinggi
dengan periodenya yang singkat kadang-kadang disertai
dengan angin puting beliung dan curah hujan dengan
intensitas tinggi yang dapat mengakibatkan terjadinya banjir
dan longsor. Cuaca ekstrim adalah keadaan atau fenomena
kondisi cuaca di atas normal terjadi di suatu wilayah tertentu
berskala jangka pendek, misalnya suhu rata-rata 33° C,
kemudian suhu menjadi 33-47°C, curah hujan melebihi 100
mm. Kondisi cuaca ekstrim sangat berdampak terhadap
timbulnya bencana sehingga perlu diantisipasi. Pemilihan
metode yang tepat untuk menentukan kondisi cuaca adalah
kegiatan yang akhir-akhir ini sering dilakukan oleh beberapa
peneliti atmosfer dan cuaca.
Jaringan Saraf Tiruan (Artificial Neural Network) sebagian
besar telah cukup handal selama beberapa tahun terakhir
dalam pemecahan masalah. Jaringan saraf tiruan menyediakan
metodologi yang sangat handal dalam pemecahan masalah
non-linier. Jaringan saraf tiruan terinspirasi oleh otak manusia
di mana neuron saling interkoneksi secara non-linier. Neuron
saling terhubung satu sama lain melalui suatu jaringan.
Jaringan ini yang dilatih menggunakan algoritma
backpropagation yang mengikuti Gradient Descent Method
[3].
Backpropagation merupakan salah satu arsitektur Artificial
Neural Network yang memiliki proses pembelajaran maju dan
koreksi kesalahan secara mundur. Model ini banyak digunakan
baik itu untuk proses pengenalan maupun prediksi dengan
tingkat akurasi yang cukup baik [1].
Naik, Arti R. dan Prof. S.K.Pathan (2012) mengusulkan
sebuah metode baru prakiraan cuaca menggunakan jaringan
saraf tiruan feed-forward dan datanya dapat dilatih dengan
menggunakan algoritma Levenberg Marquardt untuk
memprediksi cuaca masa depan. Di antara beberapa algoritma
backpropagation, backpropagation levenberg adalah yang
tercepat [3].
Soudry, Daniel dan Ron Meir (2013) mengembangkan
algoritma pembelajaran komputasi yang efisien untuk jaringan
saraf multilayer dengan bobot biner, dengan menganggap
semua neuron yang tersembunyi memiliki fan-out dari satu.
Algoritma ini diturunkan di dalam pengaturan probabilitas
Bayes, dan terbukti bekerja dengan baik untuk masalah buatan
dan dunia nyata dengan melakukan perbandingan algoritma
dengan bobot bernilai real sementara tetap mempertahankan
kemudahan komputasi[5].
Pada penelitian ini penulis akan menganalisis penggunaan
data biner pada prediksi cuaca ekstrim Kota Medan
menggunakan metode backpropagation neural network. Data
cuaca akan dikelompokkan menjadi 2 data, yaitu data cuaca
normal akan diubah menjadi 0 dan data cuaca ekstrim akan
diubah menjadi 1. Penulis akan menggunakan tiga parameter
data dalam memprediksi cuaca yaitu data curah hujan, data
suhu, dan data kelembaban tahun 1997 – 2013. Penelitian ini
bertujuan untuk mengetahui apakah data biner dapat
digunakan untuk memprediksi cuaca ekstrim di Kota Medan
dengan lebih cepat atau lebih baik.
II.
NEURAL NETWORK
Neural Network / 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) [6].
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 [3].
III.
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) [4].
Langkah-langkah
dalam
membangun
algoritma
backpropagation adalah sebagai berikut [6]:
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).
n
z ¿ j =v 0 j+ ∑ xi v ij
(1)
i=1
Dan menerapkan fungsi aktivasi untuk menghitung
sinyal output-nya, ditunjukkan dengan persamaan (2).
z j=f ( z ¿ j)
(2)
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).
y k =f ( y ¿k )
(4)
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 =α δ z
jk
k
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 bias, ditunjukkan
dengan persamaan (11).
(11)
∆ v =α δ
0j
j
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).
(12)
w ( baru )=w (lama )+ ∆ w
jk
jk
jk
Setiap unit tersembunyi (Zj, j=1,2,3,…,p) dilakukan
perubahan bobot dan bias (i=0,1,2,…,n), ditunjukkan
dengan persamaan (13).
(13)
v ij ( baru )=v ij ( lama ) + ∆ v ij
2) Tes kondisi berhenti.
IV.
METODE PENELITIAN
Penelitian ini bertujuan untuk menganalisis penggunaan
data biner pada prediksi cuaca ekstrim kota Medan
menggunakan metode backpropagation neural network.
Penulis ingin mengetahui bagaimana penggunaan data biner
dalam mengenali pola tiga parameter data yaitu data curah
hujan, data suhu, dan data kelembaban dalam memprediksi
cuaca di Kota Medan. Penulis juga ingin mengetahui apakah
dengan menggunakan data binner proses pengenalan dapat
lebih cepat dan lebih baik.
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 – 2013. Data bersumber dari BMKG Stasiun
Polonia, Kota Medan.
Prediksi cuaca dengan jaringan saraf tiruan
backpropagation digunakan langkah-langkah sebagai berikut:
a. Mengubah data cuaca menjadi data biner dengan cara
mengelompokkan data cuaca menjadi 2 kelompok, yaitu
kelompok data cuaca ekstrim dan kelompok data cuaca
tidak ekstrim. Kelompok data cuaca ekstrim diubah
menjadi data 1 dan kelompok data tidak ekstrim diubah
menjadi data 0.
b. 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.
c. 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. 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
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
ke-2 sampai tahun ke-9 (data input 1998 – 2005 dengan
target 2006), demikian seterusnya.
d. 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.
e. 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.
V.
HASIL DAN ANALISA
Proses yang ditempuh untuk prediksi cuaca ekstrim
menggunakan metode backpropagation neural
network
meliputi tahap training/pelatihan, tahap testing/pengujian dan
tahap prediksi. Data yang digunakan adalah data curah hujan,
data suhu, dan data kelembaban Kota Medan tahun 1997 –
2013. Data-data tersebut akan diubah kedalam bilangan biner
0 dan 1. Data curah hujan, suhu, dan kelembaban normal
bernilai 0 sedangkan yang ekstrim bernilai 1. 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 suhu tahun 1997 – 2004 dengan target
tahun 2005
1197
1998
1999
2000
2001
2002
2003
2004
0
0
0
0
1
0
0
1
0
0
0
0
0
0
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
1
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
1
0
1
1
1
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
200
5
0
0
1
1
1
1
1
1
0
0
0
0
Tabel 1(b). Data input curah hujan tahun 1997 – 2004 dengan
target tahun 2005
1197
1998
1999
2000
2001
2002
2003
2004
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
1
0
1
0
1
1
0
0
1
1
0
0
0
1
0
0
1
0
0
0
0
0
0
0
1
1
1
0
0
0
0
0
0
0
1
0
1
1
1
1
1
0
0
0
0
0
0
0
0
1
1
0
0
0
0
0
0
0
0
1
0
1
1
0
0
0
0
0
0
0
0
0
0
1
1
0
0
200
5
0
0
0
0
0
0
0
0
0
0
0
1
Tabel 1(c). Data input kelembaban tahun 1997 – 2004 dengan
target tahun 2005
1197
1998
1999
2000
2001
2002
2003
2004
0
0
0
0
0
0
0
0
0
0
1
1
1
0
0
0
0
0
0
1
0
0
0
1
0
0
1
1
1
0
0
0
1
0
0
1
1
0
0
0
0
0
0
0
1
0
1
0
1
0
0
1
0
0
0
0
1
1
1
1
1
0
0
0
0
0
0
0
0
1
1
1
1
1
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
200
5
0
0
0
0
0
0
0
0
0
0
0
1
Proses training dilakukan sampai error yang dihasilkan
sesuai atau lebih kecil dari target error. Pada proses training
ini dapat diketahui jumlah iterasi yang diperlukan untuk
mengenali data tersebut dan apakah data input dapat dikenali
atau tidak. Proses training dilakukan pada data asli dan data
biner untuk membandingkan hasil pengenalannya. Jumlah
iterasi dari hasil training untuk data biner dan data asli dapat
dilihat pada tabel 2.
Setelah tahap tranning, tahap berikutnya adalah pengujian.
Tahap pengujian digunakan untuk menguji validasi data yang
telah dilakukan pada proses training dengan memasukkan data
baru
yang
belum pernah dilatih sebelumnya untuk
mengetahui keakurasian dari sistem yang telah dibuat. Data
tahun 2009 – 2013 digunakan sebagai data pengujian.
Pengujian dilakukan dengan memvariasikan nilai target error
di mana jumlah hidden layer tetap yaitu 6, alpha=1, dan
iterasi maksimum=100.000. Hasil pengujian dapat dilihat
pada tabel 2.
Tabel 2(a). Hasil pengujian dengan data asli
Target
error
0.05
0.02
0.01
0.009
Curah hujan
Iteras
Akuras
i
i
2
10.9 %
3
11.2 %
66
30.18%
87
37.12%
Iteras
i
2
18
9586
10197
Suhu
Akuras
i
69.88%
71.67%
79.22%
75,87%
Kelembaban
Iteras
Akuras
i
i
2
73.78%
29
76.57%
4011
86.28%
~
-
Tabel 2(b). Hasil pengujian dengan data biner
Target
error
0.05
0.02
0.01
0.009
Curah hujan
Iteras
Akuras
i
i
~
~
~
~
-
Iteras
i
107
~
~
~
Suhu
Akuras
i
60.67%
-
Kelembaban
Iteras
Akuras
i
i
3
100%
170
99.97%
194
99.93%
198
99.93%
Dari hasil pengujian pada Tabel 2(a), yaitu pengujian
dengan menggunakan data asli 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 di atas 100.000.
Pada Tabel 2(b), yaitu pengujian dengan menggunakan
data biner dapat dilihat bahwa data curah hujan dengan target
error 0.05, 0.02, 0.01, dan 0.009 memiliki jumlah iterasi di
atas 100.000. Pada data suhu, pengujian dengan target error
0.05 didapatkan jumlah iterasi=107 dengan tingkat
keakurasian=60.67%. Untuk target error 0.02, 0.01, 0.009
memiliki jumlah iterasi di atas 100.000. Pada data
kelembaban, jumlah iterasi terkecil ada pada target error 0.05
dengan jumlah iterasi=3 dengan tingkat keakurasian=100%
dan jumlah iterasi terbesar ada pada target error 0.009 dengan
jumlah iterasi=198 dengan tingkat keakurasian= 99.93%.
Pada Tabel 2 dapat dilihat perbandingan hasil pengujian
dengan menggunakan data asli dan data bner. Data asli dapat
mengenali curah hujan, suhu dan kelembaban, sedangkan
pengujian kelembaban pada target error 0.009 tidak dapat
dikenali. Hasil pengujian dengan menggunakan data biner,
data biner tidak dapat mengenali curah hujan dan suhu. Data
suhu hanya dapat dikenali pada target error 0.05. Tetapi
penggunaan data biner sangat baik dalam pengujian
kelembaban yang mencapai akurasi 100% dengan target error
0.05.
Proses terakhir yaitu melakukan prediksi cuaca ekstrim
untuk beberapa tahun berikutnya dengan mengambil data
biner dengan akurasi terbaik. Untuk data curah hujan tidak
dapat diprediksi karena jaringan saraf tiruan tidak berhasil
mengenali data curah hujan.
Prediksi suhu ekstrim dilakukan dengan mengambil data
bobot dari hasil training dengan kuadrat error 0.5 dengan
tingkat keakurasian 60.67%. Hasil prediksi suhu ekstrim dapat
dilihat pada Tabel 3.
Tabel 3. Hasil prediksi suhu 2014 – 2018
Tahun
Bulan
1
2
3
4
5
6
7
8
9
10
11
12
2014
2015
2016
2017
2018
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
0
0
0
0
0
0
1
1
1
1
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
Dari Tabel 3 hasil prediksi suhu ekstrim tahun 2014 – 2018
dapat dilihat bahwa suhu ekstrim pada tahun 2015
diperkirakan terjadi pada bulan 2, 3, dan 4. Pada tahun 2016
diperkirakan terjadi pada bulan 6 dan 7. Pada tahun 2017 suhu
ekstrim diperkirakan terjadi pada bulan 2, 3, 4, 5, dan 10.
Untuk prediksi kelembaban ekstrim beberapa tahun
berikutnya mengambil data dengan kuadrat error 0.05 dengan
tingkat keakurasian 100%. Hasil prediksi kelembaban dapat
dilihat pada Tabel 4.
Tabel 4. Hasil prediksi kelembaban 2014 – 2018
Tahun
Bulan
1
2
3
4
5
6
7
8
9
10
11
12
2014
2015
2016
2017
2018
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
Dari hasil prediksi dapat disimpulkan bahwa prediksi
kelembaban masih dalam keadaan normal karena hasil
prediksi dari tahun 2014 – 2018 bernilai 0.
VI.
KESIMPULAN
Dari hasil penelitian dapat diambil beberapa kesimpulan
antara lain:
a. Backpropagation neural network tidak dapat mengenali
pola data biner curah hujan.
b. Backpropagation neural network dapat mengenali pola
data biner suhu pada target error 0.05, sedangkan untuk
target error yang lebih kecil data biner tidak dapat dikenali.
c. Backpropagation neural network dapat mengenali pola
data biner kelembaban yang diberikan dengan baik.
d. Tingkat keakurasian terbesar pada proses pengujian
prediksi cuaca ekstrim di Kota Medan menggunakan data
biner adalah pada data kelembaban yaitu 100% dengan
kuadrat error 0,05.
e. Prediksi cuaca ekstrim kota medan menggunakan data
biner tidak dapat dilakukan dengan baik karena
penggunaan data biner hanya dapat mengenali parameter
kelembaban dan suhu.
DAFTAR PUSTAKA
[1]
[2]
[3]
[4]
[5]
[6]
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.
Ihwan, Andi, 2013,” Metode Jaringan Saraf Tiruan Propagasi Balik
untuk Estimasi Curah Hujan Bulanan di Ketapang Kalimantan Barat,”
Prosiding Semirata FMIPA Universitas Lampung.
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.
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.
Soudry, Daniel and Ron Meir, 2013, “Mean Field Bayes
Backpropagation: scalable training of multilayer neural networks with
binary weights,” Department of Electrical Engineering, Technion
32000, Haifa, Israel.
Sutojo, T., et al, 2010, “Kecerdasan Buatan,” Yogyakarta: Andi Offset.