Peramalan Curah Hujan Menggunakan Metode Jaringan Saraf Tiruan Dengan Optimasi Algoritma Bee Colony

  

Vol. 2, No. 10, Oktober 2018, hlm. 3624-3631 http://j-ptiik.ub.ac.id

Peramalan Curah Hujan Menggunakan Metode Jaringan Saraf Tiruan

Dengan Optimasi Algoritma Bee Colony

_{1 2 3} I Putu Bagus Arya Pradnyana , Arief Andy Soebroto , Rizal Setya Perdana

  Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya _{1 2 3} Email: bagusarya12@gmail.com, ariefas@ub.ac.id, rizalespe@ub.ac.id

  

Abstrak

  Turunnya curah hujan yang tinggi bisa menyebabkan bencana, sehingga perlu dilakukan peramalan untuk memperkirakan seberapa besar curah hujan yang akan datang. Salah satu faktor penyebab utama bencana banjir adalah adanya intensitas curah hujan yang sangat tinggi, maka curah hujan masih sangat menarik untuk terus diteliti. pada penelitian ini dibuat sistem yang dapat melakukan peramalan menggunakan metode JST backpropagation dengan Artificial Bee Colony untuk mengetahui tingkat kesalahan dari peramalan curah hujan. Pada pengujian kinerja algoritma metode Backpropagation-Bee menunjukkan bahwa rata-rata nilai MSE menunjukkan hasil yang terbaik pada iterasi ke 1000

  Colony

  yaitu rata-rata MSE sebesar 0,0329. Sedangkan untuk pengujian akurasi pada iterasi ke-1000 diperoleh rata-rata MSE sebesar 0,030 pada bulan desember. Nilai akurasi pada bulan desember sebesar 95%.

  Kata kunci: Curah Hujan, Peramalan, Backpropagation, MSE, Dan Artificial Bee Colony

Abstract

  

A high drop in rainfall can cause a disaster, so it is necessary to forecast to estimate how much rain

will come. One of the main factors causing the flood disaster is the intensity of rainfall is very high, then

the rainfall is still very interesting to continue to be studied. in this study made a system that can make

forecasting using ANT method backpropagation with Artificial Bee Colony to determine the error rate

of rainfall forecasting. In the performance test algorithm of Backpropagation-Bee Colony method

showed that the average value of MSE showed the best result at iteration to 1000 that is MSE average

of 0,0329. As for testing the accuracy of the 1000th iteration obtained an average MSE of 0.030 in

December. The accuracy value in December amounted to 95%.

  Keywords: Rainfall, Forecasting, Backpropagation, MSE, And Artificial Bee Colony

1. PENDAHULUAN Mengingat faktor curah hujan merupakan

  Turunnya curah hujan yang tinggi bisa faktor yang dinamis sebagai salah satu faktor menyebabkan bencana, sehingga perlu penyebab banjir dibandingkan dengan faktor dilakukan peramalan untuk memperkirakan lainnya, seperti faktor kondisi daerah aliran seberapa besar curah hujan yang akan datang. sungai dan saluran drainase, Salah satu faktor penyebab utama bencana banjir maka curah hujan masih sangat menarik untuk adalah adanya intensitas curah hujan yang sangat terus diteliti . tinggi, sehingga kapasitas sungai tidak mampu Beberapa penelitian telah banyak dilakukan mengatasi limpasan permukaan yang dengan metode jaringan syaraf tiruan (JST), mengakibatkan limpasan permukaan tersebut contohnya peramalan untuk permintaan sari apel menggenangi daerah sekitarnya

  Yang dimaksud dengan Intensitas hujan . Penerapan metode JST juga digunakan adalah banyaknya curah hujan persatuan jangka untuk peramalan permintaan sari apel Brosem waktu tertentu. Intensitas hujan dikatakan besar 120ml di KSU Brosem dengan algoritma apabila hujan lebat dan kondisi ini sangat backpropagation dan arsitektur multilayer berbahaya karena berdampak dapat neural network menghasilkan nilai MSE sebesar menimbulkan banjir, longsor dan efek negatif 0,0818. Penelitian lainnya yaitu melakukan terhadap lingkungan. analisis regresi linier berganda dibandingkan dengan sistem inferensi fuzzy mamdani dalam

  Fakultas Ilmu Komputer Universitas Brawijaya

3624

• – masing metode. Pada analisis regresi berganda, diperoleh MSE sebesar 56,54, sedangkan metode fuzzy mamdani sebesar 69,45. Jadi hasil penelitian tersebut dapat disimpulkan bahwa dengan menggunakan analisis regresi lebih baik dibandingkan dengan fuzzy mamdani.
• – BP bahwa menggunakan algoritma swarm buatan untuk mengoptimalkan weight dan treshold BP jaringan syaraf dapat menghindari jatuhnya nilai optimal lokal secara efektif, dan mengoptimalkan kecepatan konvergensi yang lebih cepat jaringan syaraf . Penerapan metode JST untuk optimasi bobot menggunakan PSO, hasil pengujian antara jaringan hybrid JST - PSO dengan JST saja terlihat perbedaan dimana pada JST yang menggunakan backpropagation untuk melatih bobot memiliki performa yang lebih baik dari pada jaringan hybrid JST
• – PSO. Maka dari itu disarankan untuk mencoba metode lain yaitu Bee Colony untuk mengoptimasi hasil yang lebih baik .

  network .

  Normalisasi adalah suatu proses penskalaan nilai atribut dari data sehingga bisa jatuh pada range tertentu. Salah satu nya adalah metode min-max dengan transformasi ke interval [0,1] (Han, 2012). Sedangkan denormalisasi adalah mengembalikan ukuran data yang telah dinormalisasi sebelumnya untuk mendapatkan data yang asli. Denormalisasi dilakukan pada hasil keluaran dari pelatihan berupa prediksi curah hujan.

  2.2 Normalisasi

  Melakukan perhitungan feedforward 3. Melakukan perhitungan backpropagation 4. Menghitung bobot dan bias baru 5. Menghitung MSE

  1. Inisialisasi bobot awal 2.

  Backpropagation adalah dibagi menjadi 5 tahap yaitu:

  Tahapan Proses Backpropagation Secara umum tahapan-tahapan proses pada

  Backpropagation adalah algoritma pembelajaran dari JST untuk memperkecil tingkat error dengan cara menyesuaikan bobotnya berdasarkan perbedaan output dan target yang diinginkan . Backpropagation termasuk multilayer network yang merupakan perkembangan dari single layer

  memprediksi berat badan ideal . Perbandingan kedua metode tersebut didapat nilai MSE untuk masing

  2.1 Backpropagation

  JST mempunyai kemampuan yang baik untuk mendapatkan informasi dari data yang rumit atau tidak tepat, mampu menyelesaikan permasalahan yang tidak terstruktur dan sulit didefinisikan, dapat belajar dari pengalaman, mampu mengakuisisi pengetahuan walaupun tidak ada kepastian, mampu melakukan generalisasi dan ekstrasi dari suatu pola data tertentu, dapat menciptakan suatu pola pengetahuan melalui pengaturan diri atau kemampuan belajar (self organizing), mampu memilih suatu input data ke dalam kategori tertentu yang sudah ditetapkan (klasifikasi), mampu menggambarkan objek secara keseluruhan maupun hanya diberikan sebagian data dari objek tersebut (asosiasi), mempunyai kemampuan mengolah data-data iniput tanpa harus mempunyai target (self organizing) dan mampu menemukan jawaban terbaik sehingga mampu meminimilasi fungsi biaya (optimasi) (Bakhrun, 2011).

  synaptic yang ada antara neuron. Hal ini berlaku juga untuk sistem JST (Bakhrun, 2011).

  Jaringan Syaraf Tiruan (JST) adalah merupakan paradigma pengolahan informasi yang terinspirasi oleh sistem syaraf secara biologi manusia, seperti proses informasi pada otak manusia. Elemen kunci dari algoritma ini adalah struktur dari sistem pengolahan informasi yang terdiri dari sejumlah besar elemen pemrosesan yang saling berhubungan (neuron), bekerja secara serentak untuk menyelesaikan masalah tertentu. Cara kerja JST sama seperti cara kerja otak manusia, yaitu belajar melalui contoh. Sebuah JST dikonfigurasikan dibuat untuk aplikasi tertentu, seperti pengenalan pola atau aplikasi data, melalui proses pembelajaran. Belajar dalam sistem biologi otak manusia melibatkan penyesuaian terhadap koneksi

  Berdasarkan hal diatas maka pada penelitian ini akan membuat sistem yang dapat melakukan peramalan dengan metode JST backpropagation dengan Artificial Bee Colony untuk mengetahui tingkat kesalahan dari peramalan curah hujan.

  Algoritma Artificial Bee Colony (ABC) merupakan salah satu pendekatan yang telah digunakan untuk menemukan solusi optimal dalam numerik masalah optimasi . Menurut analisis contoh pada jurnal, dan perbandingan antara dua metode Backpropagation (BP), ABC - BP, dan GA

2. METODOLOGI PENELITIAN

  2.3 Tabel 1 dapat dilihat kebutuhan data pada Artificial Bee Colony (ABC) Algoritma Bee Colony dimana sebuah posisi penelitian ini (BMKG Denpasar).

  sumber makanan merupakan solusi yang mungkin dari masalah yang akan dioptimalkan.

  2.5 Analisa Kebutuhan

  Jumlah nektar dari sumber makanan sesuai Analisis kebutuhan adalah tahapan yang dengan kualitas solusi yang diwakili oleh yang dilakukan untuk menentukan kebutuhan apa saja sumber makanan. Setiap lebah bekerja yang dibutuhkan dalam melakukan eksperimen dipindahkan ke daerah sumber makanannya peramalan curah hujan. untuk menentukan sumber makanan baru dalam lingkungan yang sekarang, dan kemudian

  2.6 Rancangan Penelitian

  jumlah nektar yang dievaluasi. Jika jumlah Langkah selanjutnya dalan penelitian ini nektar dari yang baru lebih tinggi, maka lebah adalah perancangan system yang berisi lupa sebelumnya dan menghafal yang baru. rancangan langkah kerja dari sistem secara Lebah penjaga ditempatkan pada sumber menyeluruh. Tujuan perancangan adalah untuk makanan dengan menggunakan proses seleksi mempermudah implementasi dan pengujian berdasarkan probabilitas. Jumlah nektar dari sistem. sumber makanan meningkat, nilai probabilitas Berdasarkan diagram alir tahapan proses dengan yang sumber makanan dimana lebih algoritma BP-Bee CO yang merujuk pada disukai oleh lebah penjaga meningkatkan mirip Gambar 1, penjelasan terhadap proses BP-Bee dengan proses seleksi alam dalam algotirtma CO sebagai berikut. evolusioner (Alatas,210). Langkah-langkah A.

   Inisilaisasi Bee Colony dan parameter JST

  ABC secara umum: 1.

  Inisialisasi Parameter BP dan Parameter 1.

  Bee Awalnya scout bee menemukan posisi semua sumber makanan, setelah itu tugas dari Normalisasi Data

  employed bee dimulai.

  1. Menormalisasi data asli dengan min-max 2. Sebuah employed bee buatan secara B.

   Pelatihan menggunakan BP

  probabilitas memperoleh beberapa 1.

  Melakukan perhitungan feedforward modifikasi pada posisi dalam memori untuk Ada 4 langkah yaitu: menargetkan sumber makanan baru dan a)

  Menghitung sinyal masuk lapisan menemukan jumlah nektar atau nilai fitness tersembunyi dari sumber baru.

  b) Menghitung fungsi aktifasi lapisan 3.

  Kemudian, scout bee mengevaluasi informasi tersembunyi yang diambil dari semua employed bee

  c) Menghitung sinyal masuk keluaran buatan dan memilih sumber makanan akhir d)

  Menghitung fungsi aktifasi lapisan dengan nilai probabilitas tertinggi terkait keluaran dengan jumlah nektar tersebut.

  2. Melakukan perhitungan backpropagation 4. Jika nilai fitness yang baru lebih tinggi dari

  a) Menghitung faktor koreksi error lapisan yang sebelumnya, lebah itu akan melupakan keluaran yang lama dan menghafal posisi baru.

  5. b)

  Kemudian employed bee yang sumber Menghitung koreksi error bobot lapisan tersembunyi ke lapisan keluaran makanan telah habis menjadi scout bee untuk mencari sumber makanan lebih lanjut sekali c)

  Menghitung koreksi error bias lapisan lagi. tersembunyi ke lapisan keluaran

  d) delta bobot unit

2.4 Menghitung Pengumpulan Data

  tersembunyi Pengumpulan data dalam penelitian ini diambil dari data curah hujan BMKG. Variabel e)

  Menghitung faktor koreksi error unit penelitian pada tugas akhir ini adalah curah tersembunyi hujan sepanjang tahun 2006 sampai 2016. Hasil f)

  Menghitung koreksi error bobot lapisan dari eksperimen ini adalah perkiraan curah tersembunyi hujan. Berdasarkan cara pengumpulan data untuk kegiatan penelitian terdapat hanya data

  g) Menghitung koreksi error bias lapisan intensitas curah hujan. Data intensitas curah tersembunyi hujan menunjukan seberapa besar intensitas

  3. Menghitung bobot dan bias baru curah hujan dari tahun 2006 sampai 2016. Pada a)

  2.7 Menghitung bobot baru input layer ke Implementasi

  lapisan tersembunyi Implementasi sistem menjelaskan penerapan

  b) Backpropagation - Bee Colony pada program.

  Menghitung bias baru input layer ke lapisan tersembunyi Implementasi sistem terdiri dari implementasi c) sistem proses inisialisasi parameter

  Menghitung bobot baru lapisan tersembunyi ke lapisan keluaran Backpropagation

• – Bee Colony, proses

  d) bias baru lapisan Backpropagation - Bee Colony diproses pada Menghitung tersembunyi ke lapisan keluaran program Matlab.

  4.

  1. Menghitung MSE data latih Implementasi sistem proses inisialisasi C. parameter Backpropagation - Bee Colony

   Menghitung nilai fitness Bee Colony 1.

  merupakan proses untuk memasukkan nilai Melakukan peritungan fitness D. parameter dari beberapa parameter

   Menghitung Sumber Makanan baru Bee CO Backpropagation - Bee Colony yang 1.

  dilakukan oleh user. Memperbarui setiap sumber makanan sesuai banyak individu

  2. sistem proses Implementasi E. terdiri dari

  Backpropagation - Bee Colony Menghitung Probabilitas Bee CO 1.

  implemntasi BP-Bee CO feedforward, Menghitung Probabilitas Posisi Sumber

  Makanan backwardpropagation , update bobot dan bias F.

  , feedforward bee, bee fitness, dan best

   Memperbarui Posisi Sumber Makanan Terbaik fitness .

  1.

  3. Menghitung nilai fitness terbaik Implementasi antarmuka sistem merupakan G. antarmuka penerapan Backpropagation - Bee

   Pengujian Menggunakan BP 1.

  Colony pada program. Implementasi

  Melakukan perhitungan feedforward

  a) antarmuka sistem terdiri dari implementasi

  Menghitung sinyal masuk lapisan tersembunyi antarmuka sistem proses inisialisasi b) parameter Backpropagation - Bee Colony,

  Menghitung fungsi aktifasi lapisan tersembunyi dan proses Backpropagation - Bee Colony.

  c) Menghitung sinyal masuk keluaran

  d) Menghitung fungsi aktifasi lapisan keluaran

  Tabel 1 Data curah hujan

  Gambar 1 Diagram Alir Tahapan Prses BP-Bee

  Mulai

  CO

  Data set A Inisilaisasi Bee Colony dan parameter BP

  B Normalisasi C Pelatihan Parameter menggunakan BP

  BP yang optimal D Menghitung nilai fitness Bee Colony

  H.Pengujian menggunakan BP E Menghitung sumber makanan baru Bee Colony Hasil peramalan curah hujan

  F Menghitung menggunakan probabilitas Bee JST- Bee

  CO Colony G. Memperbaruhi posisi sumber makanan terbaik Selesai

  Tida Y Generasi maskimum

  2.8

  pada iterasi ke 1000 karena nilai MSE nya

   Pengujian Sistem Pada tahap ini dilakukan pengujian dan terbaik.

  pembahasan dari sistem peramalan curah hujan menggunakan metode Backpropagation-Bee

  3. HASIL DAN PEMBAHASAN

Colony . Pengujian yang dilakukan meliputi: Hasil dan pembahasan merupakan tahap

  pengujian iterasi dan pengujian akurasi. pengujian hasil dari perancangan dan Pengujian iterasi metode Backpropagation-Bee implementasi. Proses pengujian yang dilakukan

  

Colony dilakukan untuk mengetahui seberapa meliputi: pengujian iterasi dan pengujian

baik algoritma Backpropagation dibandingkan akurasi.

  dengan metode Backpropagation-Bee Colony serta pada iterasi ke berapa metode

  3.1 Pengujian Kinerja Algoritma

Backpropagation-Bee Colony dapat Pengujian metode Backpropagation-Bee

  manghasikan hasil yang optimal. Pengujian Colony dilakukan mulai dari iterasi 100 sampai akurasi metode Backpropagation-Bee Colony 1000 sebanyak 5 kali percobaan. Berikut dilakukan untuk mengetahui seberapa baik merupakan nilai rata-rata Mean Square Error algoritma Backpropagation dibandingkan (MSE) pada pangujian iterasi metode dengan metode Backpropagation-Bee Colony Backpropagation-Bee Colony ditunjukkan pada Tabel 3.1.

  Tabel 2 Nilai rata-rata Mean Square Error (MSE) pada pengujian Iterasi Tabel 3 Nilai MSE dengan Target Tahun 2016

  Percobaan ke-i Nilai akurasi dalam persen Rata- Percobaan ke-i Rata- Bulan Rata Rata

  1

  2

  3

  4

  5 Target Akurasi

  1

  2

  3

  4

  5 Nilai Jan

  26

  17 9 -9

  8

  10.2 MSE

  Peb

  60

  65

  64

  64

  66

  63.8

  2016 0.030 0.031 0.028 0.032 0.029 0.030 Mar -136 -161 -147 -167 -134 -149

  Tabel 4

  Apr -68 -91 -67 -82 -92 -80

  Nilai

  Mei

• 93 -94 -81 -97 -96 -92.2

  Akurasi

  Juni

  43

  50

  55

  47

  44

  47.8 Jul

  84

  86

  93

  86

  86

  87 Agt -48 -46 -25 -36 -39 -38.8

  Sept

  99

  98

  89

  94

  95

  95 Okt

  50

  49

  62

  54

  53

  53.6 Nop

  81

  82

  79

  86

  86

  82.8 Des

  68

  75

  73

  77

  79

  74.4 Percobaan ke-i Rata-

  Jumlah rata Iterasi

  1

  2

  3

  4

5 MSE

  100 0.049 0.054 0.034 0.047 0.037 0.0442 200 0.037 0.042 0.033 0.041 0.042 0.0390 300 0.036 0.039 0.036 0.034 0.039 0.0368 400 0.044 0.037 0.032 0.044 0.039 0.0392 500 0.034 0.035 0.029 0.036 0.037 0.0342 600 0.038 0.033 0.038 0.046 0.033 0.0376 700

  0.037 0.038 0.032 0.038 0.036 0.0362

  800 0.030 0.031 0.039 0.034 0.030 0.0328 900 0.043 0.035 0.038 0.039 0.034 0.0378 1000 0.041 0.036 0.030 0.026 0.029 0.0329 Nilai Mean Square Error pada Pengujian Iterasi Me ) Backpropagation-Bee Col E S (M

  0,05 r o

  0,0442 rr

  0,04 E 0,0392

  0,039 0,0376 0,0368 0,0342 are

  0,03 qu S

  0,02 n ea M 0,01 ai il N

  100 200 300 400 500 600

  70 Jumlah Iterasi

  Gambar 2 Nilai rata-rata Mean Square Error (MSE) pada pengujian kinerja algoritma

  10,2 63,8

  Gambar 3 Nilai rata-rata Akurasi pada pengujian Iterasi ke 1000 Analisis iterasi metode

• 38,8

  Backpropagation-Bee Colony menunjukkan bahwa rata-rata nilai Mean Square Error (MSE) menunjukkan hasil yang terbaik pada iterasi ke 1000. Pada iterasi ke-1000, nilai rata-rata Mean Square Error (MSE) merupakan yang terbaik. Dari hasil pengujian Mean Square Error (MSE) dapat disimpulkan bahwa jumlah iterasi ideal untuk peramalan curah hujan adalah iterasi 1000. Berikut merupakan grafik nilai rata-rata Mean Square Error (MSE) pada pengujian iterasi metode Backpropagation-Bee Colony ditunjukkan pada Gambar 2

  

Nilai Akurasi pada Pengujian Iterasi

ke 1000 dengan Metode

Backpropagation-Bee Colony

  

Jan Peb Mar Apr Mei Juni Jul Agt Sept Okt Nop Des

R ata -tar a A ku rasi Bulan

  Dari Gambar 3 dapat dilihat hasil pengujian akurasi pada bulan bulan Maret sampai Mei dan Agustus kurang bagus dikarenakan curah hujan yang rendah membuat hasil prediksi menjadi kurang bagus. Sedangkan pada bulan September tingkat akurasinya sangat bagus yaitu 95%. Untuk menghitung presentasi akurasi dihitung dengan nilai prediksi dikurang nilai sebenarnya dibagi nilai sebenarnya dikali seratus persen, dan hasilnya dikurang seratus persen (Bakhrun,2013). Berikut contoh perhitungan rata-rata nilai akurasi Persamaan (1).

  50 100 150

  95 53,6 82,8 74,4

  87

• 50
• 149
• 80 -92,2 47,8
>200
• 150
• 100

3.2 Pengujian Data Uji

  Berdarsarkan penelitian skripsi ini, pembahansan pengujian dari implementasi metode BP-Bee CO dan hasil dari akurasi peramalan kesimpulan sebagai berikut.

  4. KESIMPULAN

  5 (1)

  99+98+89+94+95

  Akurasi =

  Analisis nilai MSE dengan target 2016 dan nilai akurasi metode Backpropagation-Bee Colony yang dilakukan sebanyak 5 kali menunjukkan bahwa rata-rata MSE sebesar 0.030 dan nilai rata-rata akurasi paling tinggi pada bulan September sebesar 95%. Dari hasil pengujian data uji dapat disimpulkan bahwa iterasi ke 1000 untuk peramalan curah hujan baik. Tapi pada bulan Maret sampai Mei dan Agustus nilai akurasinya kurang baik, karena pada bulan tersebut tingkat curah hujan nya sangat rendah. Berikut merupakan grafik nilai akurasi pada pengujian iterasi ke 1000 metode Backpropagation-Bee Colony ditunjukkan pada Gambar 3

  Pengujian data uji dengan metode Backpropagation-Bee Colony dilakukan untuk mengetahui seberapa baik metode Backpropagation-Bee pada iterasi ke 1000 karena nilai MSE nya terbaik. Dimana diambil nilai bobot dan bias terakhir untuk melakukan pengujian pada data uji. Pengujian yang akan dilakukan sebanyak 5 kali dari tahun 2010 sampai 2015 sebagai target tahun 2016. Berikut merupakan perbandingan selisih data asli dengan prediksi menggunakan metode Backpropagation-Bee Colony ditunjukkan pada Tabel 2 dan Tabel 3.

  Dapat disimpulkan nilai akurasi sebesar 95% pada bulan September, tetapi pada Maret sampai Mei dan Agustus kurang bagus dikarenakan nilai curah hujan yang rendah.

  1. Dalam merancang metode BP-Bee CO dilakukan pertama yaitu melakukan proses

  3. Berdasarkan hasil penguijan kinerja algoritma dan akurasi dengan menggunakan metode BP-Bee CO lebih baik dari Backpropagation. Dengan nilai rata-rata iterasi sebesar 0.0300 dan nilai akurasi mencapai 95% dari tahun 2010-2015 dengan target tahun 2016 pada bulan September.

  Purwo Sutopo 2002. Evaluasi Dan Analiasis Curah Hujan Sebagai Faktor Penyebab Bencana Banjir Jakarta. BPP Teknologi.

  Sabati Diannovi 2014. Peramalan Permintaan Sari Apel Dengan Metode Jaringan Syaraf Tiruan (JST) di KSU Brosem, Batu.

  Universitas Brawijaya Malang .

  Setiawan Ogi 2011. Rainfall and Temperature Variability Analysis in Bali. Balai

  Backpropagation lebih dahulu sampai

  Penelitian Teknologi Hasil Hutan Bukan Kayu

2. Metode

  .

  Backpropagation .

  Purbaya Rifal 2014. Perbandingan Aanalisis Regresi Linier Berganda Dengan Sistem Iinferensi Fuzzy Mamdani Dalam Memprediksi Berat Badan Ideal.

  BP-Bee CO ini dapat diimplemantasikan untuk peramalan curah hujan. Hal tersebut bisa dibuktikan dengan hasil MSE yang lebih dari metode

  nilai MSE. Dibandingkan hasil MSE dari Backpropagatio n dengan BP-Bee CO. Dipilih nilai MSE yang terbaik.

  Backpropagation lagi untuk mendapatkan

  metode Bee Colony. Digunakan untuk proses

  Backpropagation yg sudah dioptimasi dari

  terakhir dimasukan ke proses Bee Colony untuk dioptimasi. Didapatkan nilai parameter

  Backpropagation . Parameter Backpropagation yang dari hasil perhitungan

  mendapatkan nilai MSE dan parameter dari

  Universitas Brawijaya Malang .

DAFTAR PUSTAKA

  Patel Krinal 2016. Support Vector Regression With Artificial Bee Colony For Supply Chain Demand Forecasting. IJARETS.

  Mulkan Iskandar 2010. Analisis Pemetaan Validasi Prediksi Curah Hujan Dengan Model Jaringan Syaraf Tiruan Dan Wavelet Menggunakan ARC VIEW 3.3. Universitas Sumatera Utara .

  Science Diraect .

  Karboga Davis 2008. On the performance of artificial bee colony (ABC) algorithm.

  IEEE .

  Ganda Harry 2014. Optimasi Bobot Jaringan Syaraf Tiruan Mengunakan Particle Swarm Optimization. IJCCS.

  Bakhrun Akhmad 2013. Perbandingan Metode Adaline Dan Backpropagation Untuk Prediksi Jumlah Pencari Kerja Di Jawa Barat. Universitas Komputer Indonsesia Bandung .

  Amri Faisal 2012. Artificial Bee Colony Algorithm untuk Menyelesaikan Travelling Salesman Problem. IEEE.

  Jia Guanlong 2016. An Improved Artificial Bee Colony- BP Neural Network Algorithm in the Short-Term Wind Speed Prediction.