ANALISIS KINERJA JARINGAN SARAF TIRUAN M
Seminar Nasional Ilmu Komputer2014 (SNIKOM)
Laguboti, 20 - 24 Agustus 2014
ANALISIS KINERJA JARINGAN SARAF TIRUAN METODE BACKPROPAGATION
DALAM MEMPREDIKSI CUACA DI KOTA MEDAN
Yudhi Andrian1, M. Rhifky Wayahdi2
Dosen Teknik Informatika, STMIK Potensi Utama
2
Mahasiswa Sistem Informasi, STMIK Potensi Utama
1,2
Jl. K.L. Yos Sudarso Km 6,5 No. 3A Tanjung Mulia-Medan
1
yudhi.andrian@gmail.com, 2rhifky.wayahdi@yahoo.com
1
ABSTRAK
Jaringan Saraf Tiruan (Artificial Neural Network) sebagian besar telah cukup handal dalam pemecahan
masalah, salah satunya adalah prediksi cuaca dengan metode backpropagation. Prediksi cuaca merupakan
perkiraan kondisi cuaca di masa mendatang. Pada penelitian ini penulis akan menganalisis kinerja jaringan
saraf tiruan dengan metode backpropagation dalam memprediksi cuaca di Kota Medan. Penulis akan
menggunakan tiga parameter data dalam memprediksi cuaca yaitu data curah hujan, data suhu, dan data
kelembaban tahun 1997 – 2013. Pada kasus prediksi cuaca di Kota Medan, jaringan saraf tiruan metode
backpropagation dalam proses training dapat mengenali pola data yang diberikan dengan baik. Pada proses
training JST, semakin kecil nilai target error maka iterasinya akan semakin besar dan tingkat keakurasiannya
juga semakin tinggi. Tingkat keakurasian terbesar pada proses pengujian prediksi cuaca di Kota Medan dengan
jaringan saraf tiruan metode backpropagation adalah pada data kelembaban yaitu 86.28% pada kuadrat error
0,01.
Kata Kunci: Jaringan Saraf Tiruan, Backpropagation, Prediksi Cuaca.
1.
PENDAHULUAN
Prediksi cuaca merupakan perkiraan kondisi
cuaca di masa mendatang. Kondisi cuaca adalah
keadaan atmosfer pada waktu tertentu. Variabelvariabel cuaca meliputi beberapa hal seperti curah
hujan, suhu, kelembaban, dan lainnya. Akurasi
prediksi secara luas tergantung pada pengetahuan
tentang kondisi cuaca yang berlaku di wilayah
tersebut. Cuaca adalah kondisi non-linier dan proses
dinamis yang bervariasi dari hari ke hari bahkan
menit ke menit. 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 nonlinier. Neuron saling terhubung satu sama lain
melalui suatu jaringan. Jaringan ini yang dilatih
menggunakan algoritma backpropagation yang
mengikuti Gradient Descent Method [4].
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 [4].
Sari, Laila dan Agus Buono (2012) dalam
penelitiannya memprediksi awal musim hujan
mengatakan bahwa pola input data yang digunakan
dalam metode backpropagation sangat berpengaruh
terhadap kinerja Jaringan Saraf Tiruan (Artificial
Neural Network) dalam melakukan proses prediksi
keadaan yang akan datang [6].
Kharola, Manisha dan Dinesh Kumar (2014)
menggunakan metode backpropagation untuk
memprediksi cuaca, dan menemukan bahwa proses
pelatihan dapat dilakukan dengan cepat. Hasilnya
lebih akurat untuk memprediksi cuaca di masa depan
ketika jumlah iterasi meningkat [3].
Dari penelitian yang dilakukan oleh Sari, Laila
dan Agus Buono (2012) dan penelitian yang
dilakukan oleh Kharola, Manisha dan Dinesh
Kumar (2014) menunjukkan bahwa jaringan saraf
tiruan metode backpropagation dapat diterapkan
dalam memprediksi suatu keadaan yang akan
datang. Hal ini yang mendasari penulis untuk
menganalisa
lebih
lanjut
kinerja
metode
backpropagation dalam memprediksi cuaca. Pada
penelitian ini penulis akan menganalisis kinerja
jaringan
saraf
tiruan
dengan
metode
backpropagation dalam memprediksi cuaca di Kota
Medan. Penulis memiliki asumsi bahwa tidak semua
data cuaca dapat dikenali dengan baik oleh metode
backpropagation, dan data cuaca yang berbeda akan
menghasilkan tingkat pengenalan yang berbeda pula.
hal 1
Seminar Nasional Ilmu Komputer2014 (SNIKOM)
Laguboti, 20 - 24 Agustus 2014
Penulis akan menggunakan tiga parameter data
dalam memprediksi cuaca yaitu data curah hujan,
data suhu, dan data kelembaban tahun 1997 – 2013.
Tujuan penelitian ini dilakukan adalah untuk
menganalisis kinerja jaringan saraf tiruan metode
backpropagation dalam mengenali pola dari ketiga
parameter data tersebut apakah pola dari ketiga
parameter tersebut dapat dikenali dengan baik yang
selanjutnya dapat dilakukan proses prediksi cuaca.
2.
JARINGAN SARAF TIRUAN
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) [7].
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 [4].
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) [5].
Langkah-langkah dalam membangun algoritma
backpropagation adalah sebagai berikut [7]:
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).
3.
(1)
Dan menerapkan fungsi aktivasi untuk
menghitung sinyal output-nya, ditunjukkan
dengan persamaan (2).
(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).
_
=
+
(3)
Dan menerapkan fungsi aktivasi untuk
menghitung sinyal output-nya, ditunjukkan
dengan persamaan (4).
(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)
f’ adalah turunan dari fungsi aktivasi.
Kemudian hitung korelasi bobot, ditunjukkan
dengan persamaan (6).
∆
=
(6)
Dan menghitung koreksi bias, ditunjukkan
dengan persamaan (7).
(7)
=
∆
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).
_
=
(8)
Untuk menghitung informasi error, kalikan
nilai ini dengan turunan dari fungsi
aktivasinya, ditunjukkan dengan persamaan
(9).
=
( _ )
(9)
Kemudian hitung koreksi bobot, ditunjukkan
dengan persamaan (10).
(10)
∆
=
Setelah itu, hitung juga koreksi bias,
ditunjukkan dengan persamaan (11).
(11)
=
∆
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)
( !"#) =
($!%!) + ∆
hal 2
Seminar Nasional Ilmu Komputer2014 (SNIKOM)
Laguboti, 20 - 24 Agustus 2014
Setiap unit tersembunyi (Zj, j=1,2,3,…,p)
dilakukan perubahan bobot dan bias
(i=0,1,2,…,n),
ditunjukkan
dengan
persamaan (13).
( !"#) = ($!%!) + ∆
(13)
2) Tes kondisi berhenti.
4.
METODE PENELITIAN
Penelitian ini bertujuan untuk menganalisis
kinerja
jaringan
saraf
tiruan
metode
backpropagation dalam memprediksi cuaca di Kota
Medan. Penulis ingin mengetahui bagaimana kinerja
jaringan saraf tiruan metode backpropagation dalam
mengenali pola tiga parameter data yaitu data curah
hujan, data suhu, dan data kelembaban dalam
memprediksi cuaca di Kota Medan.
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. 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.
b. 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. 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 ke2 sampai tahun ke-9 (data input 1998 – 2005
dengan target 2006), demikian seterusnya.
Gambar 1 menggambarkan desain jaringan saraf
tiruan
backpropagation dengan input
layer(xi)=8, hidden layer(vi)=6, dan output
layer(yi)=1.
c. 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.
d. 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.
5.
HASIL DAN ANALISA
Prediksi cuaca dengan jaringan saraf tiruan
metode
backpropagation
dilakukan
dengan
membagi data menjadi tiga bagian, yaitu: data untuk
training/pelatihan, data untuk testing/pengujian, dan
data untuk prediksi. Data yang digunakan adalah
data curah hujan, data suhu, dan data kelembaban
Kota Medan tahun 1997 – 2013. 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 curah hujan tahun 1997 –
2004 dengan target tahun 2005
1997
106.2
96.6
134.4
109.8
80.9
175.3
225.8
95.7
290.6
391.1
265.4
182.4
1998
181
50.2
29.4
35.3
133.5
144.6
213
381
170.8
340.3
275.8
394.2
…
…
…
…
…
…
…
…
…
…
…
…
…
2004
138.8
200.8
237.9
88.5
68
200.5
206.8
204.3
475.3
377.5
141.2
166.4
2005
189.1
43.9
62.5
168.2
229.5
174
210.8
145.7
290.5
175.5
206.4
311.4
Tabel 1(b). Data input suhu tahun 1997 – 2004
dengan target tahun 2005
1997
30,1
30,4
31,5
31,1
32,5
31,2
31,3
32,2
30,1
30,1
30,3
30,1
1998
30,4
31,6
32,5
33,3
33,2
32,2
31,8
30
30,6
31,9
30,5
29,5
…
…
…
…
…
…
…
…
…
…
…
…
…
2004
30
30,9
31,2
31,2
32,7
32
29,8
31,8
30,5
30,3
30,6
30,6
2005
30,9
31,4
32,5
32,7
32,7
32,7
32,3
32,8
32
30,3
30,5
29,8
Gambar 1. Desain JST backpropagation
hal 3
Seminar Nasional Ilmu Komputer2014 (SNIKOM)
Laguboti, 20 - 24 Agustus 2014
Tabel 1(c). Data input kelembaban tahun 1997 –
2004 dengan target tahun 2005
1997
66
67
64
65
59
64
64
58
70
70
73
73
1998
72
69
64
61
62
64
67
73
70
69
70
72
…
…
…
…
…
…
…
…
…
…
…
…
…
2004
66
62
64
65
56
58
67
58
65
68
70
69
2005
66
66
62
63
64
62
62
58
65
69
69
72
Sebelum diproses data dinormalisasi terlebih
dahulu. Normalisasi terhadap data dilakukan agar
keluaran jaringan sesuai dengan fungsi aktivasi yang
digunakan. Data-data tersebut dinormalisasi dalam
interval [0, 1] karena data yang digunakan bernilai
positif atau 0. Selain itu juga terkait fungsi aktivasi
yang diberikan yaitu sigmoid biner.
Fungsi sigmoid adalah fungsi asimtotik (tidak
pernah mencapai 0 ataupun 1), maka transformasi
data dilakukan pada interval yang lebih kecil yaitu
[0.1; 0.8], ditunjukkan dengan persamaan (14).
=
0.8( − !)
+ 0.1
−!
(14)
a adalah data minimum, b adalah data maksimum, x
adalah data yang akan dinormalisasi, dan x’ adalah
data yang telah ditransformasi. Sehingga dihasilkan
data hasil normalisasi yang ditunjukkan pada Tabel
2.
Tabel 2(a). Data curah hujan hasil normalisasi tahun
1997 – 2004 dengan target tahun 2005
1997
0.208
0.197
0.239
0.212
0.18
0.284
0.34
0.196
0.411
0.522
0.384
0.292
1998
0.29
0.146
0.123
0.129
0.238
0.25
0.326
0.511
0.279
0.466
0.395
0.526
…
…
…
…
…
…
…
…
…
…
…
…
…
2004
0.244
0.312
0.353
0.188
0.166
0.312
0.319
0.316
0.615
0.507
0.246
0.274
2005
0.299
0.139
0.16
0.276
0.344
0.283
0.323
0.251
0.411
0.284
0.318
0.434
Tabel 2(b). Data suhu hasil normalisasi tahun 1997 –
2004 dengan target tahun 2005
1997
0.367
0.414
0.586
0.524
0.743
0.539
0.555
0.696
0.367
0.367
1998
0.414
0.602
0.743
0.869
0.853
0.696
0.633
0.351
0.445
0.649
…
…
…
…
…
…
…
…
…
…
…
2004
0.351
0.492
0.539
0.539
0.775
0.665
0.32
0.633
0.429
0.398
2005
0.492
0.571
0.743
0.775
0.775
0.775
0.712
0.79
0.665
0.398
0.398
0.367
0.429
0.273
…
…
0.445
0.445
0.429
0.32
Tabel 2(c). Data kelembaban hasil normalisasi tahun
1997 – 2004 dengan target tahun 2005
1997
0.519
0.557
0.443
0.481
0.252
0.443
0.443
0.214
0.671
0.671
0.786
0.786
1998
0.748
0.633
0.443
0.329
0.367
0.443
0.557
0.786
0.671
0.633
0.671
0.748
…
…
…
…
…
…
…
…
…
…
…
…
…
2004
0.519
0.367
0.443
0.481
0.138
0.214
0.557
0.214
0.481
0.595
0.671
0.633
2005
0.519
0.519
0.367
0.405
0.443
0.367
0.367
0.214
0.481
0.633
0.633
0.748
Pada Tabel 1 dan Tabel 2 di atas menampilkan
data tahun 1997 – 2004 dengan target tahun 2005.
Untuk pelatihan data lainnya dilakukan hal yang
sama. Seperti telah dijelaskan di atas, data pelatihan
menggunakan data sampai tahun 2008.
Setelah proses normalisasi untuk semua data
dilakukan, selanjutnya dilakukan proses inisialisasi
bobot. Proses inisialisasi bobot dilakukan dengan
memberikan nilai bobot secara random atau acak.
Bobot di-generate secara random dengan jumlah
hidden layer=6, alpha=1, max epoch=100000.
Bobot random yang telah di-generate dapat dilihat
pada Tabel 3.
Tabel 3. Generate bobot random
Bobot input ke hidden awal
0.3528 0.2667
0.2898
0.007
0.3804
0.4072
0.4313 0.3952
0.1868
0.4748 0.182
0.2624
0.2344 0.1491
0.3113
0.4149 0.4123
0.2946
0.3476 0.49
0.122
0.3381 0.0079
0.2876
Bias input ke hidden
0.1422 0.0228
0.1479
Bobot hidden ke output
0.4899 0.2007
0.1391
Bias hidden ke output
0.1448
0.3545
0.481
0.3836
0.3239
0.493
0.2669
0.05
0.151
0.0227
0.4357
0.0268
0.1319
0.4555
0.0532
0.0515
0.3874
0.207
0.0281
0.2962
0.1397
0.1134
0.4997
0.3394
0.191
0.1505
0.4743
0.0802
0.0814
0.3233
0.367
Proses training dengan menggunakan bobot
random pada Tabel 3 menghasilkan kuadrat
error=0.01 untuk data curah hujan pada iterasi ke66, data suhu pada iterasi ke-9586, dan data
kelembaban pada iterasi ke-4011. Pada pengujian
awal ini didapatkan hasil bahwa jumlah iterasi untuk
data curah hujan lebih kecil daripada data lainnya.
Selanjutnya dilakukan beberapa kali proses
training dan testing, di mana jumlah hidden layer
tetap yaitu 6, alpha=1, max epoch=100000 dan nilai
target error yang bervariasi. Hasil dari pengujian ini
dapat dilihat pada Tabel 4.
hal 4
Seminar Nasional Ilmu Komputer2014 (SNIK
IKOM)
Laguboti, 20 - 24 Agustus 2014
Tabel 4. Hasil pengujian
Target
error
0.05
0.02
0.01
0.009
Curah hujan
Iterasi Akurasi
2
10.9 %
3
11.2 %
66
30.18%
87
37.12%
Suhu
Iterasi Aku
kurasi
2
69.8
9.88%
18
71.6
1.67%
9586
79.2
9.22%
10197
75,8
5,87%
Kelembaban
Iterasi Akurasi
2
73.78%
29
76.57%
4011
86.28%
~
-
Dari hasil pengujian pada Tab
abel 4 didapatkan
bahwa pada data curah hujan, jumla
lah iterasi terkecil
ada pada target error 0.05 dengann jjumlah iterasi=2
dengan tingkat keakurasian=10.9
.9% dan jumlah
iterasi terbesar ada pada target erro
rror 0.009 dengan
jumlah iterasi=87 dengan tingka
kat keakurasian=
37.12%. Pada data suhu, jumlah iterasi
ite
terkecil ada
pada target error 0.05 dengan jumlah
ju
iterasi=2
dengan tingkat keakurasian=69.88
88% dan jumlah
iterasi terbesar ada pada target erro
rror 0.009 dengan
jumlah iterasi=10197 dengan tingk
gkat keakurasian=
75.87%. Pada data kelembaban,
n, jumlah iterasi
terkecil ada pada target error 0.05
.05 dengan jumlah
iterasi=2 dengan tingkat keakurasi
asian=73.78% dan
jumlah iterasi terbesar ada pada target
ta
error 0.01
dengan jumlah iterasi=4011 dengan
d
tingkat
keakurasian= 86.28%. Pada data kele
elembaban dengan
target error 0.009 jumlah iterasi tidak
dak terhingga.
Dari hasil pengujian pada Tabe
abel 4 dapat dilihat
tingkat keakurasian tertinggi adaa pada pengujian
data kelembaban dengan target error
e
0.01 yaitu
86.28%, sedangkan tingkat keakurassian terendah ada
pada pengujian data curah hujan den
dengan target error
0.05 yaitu 10.9%. Sehingga dap
apat disimpulkan
bahwa semakin kecil nilai targett eerror maka nilai
iterasinya akan semakin besar dan
an keakurasiannya
juga semakin tinggi.
Proses terakhir yaitu melakuka
kan prediksi cuaca
untuk beberapa tahun berikutnya dengan
den
mengambil
data dengan kuadrat error 0.01 dengan tingkat
keakurasian data curah hujan 30.18%
%. Hasil prediksi
curah hujan dapat dilihat pada Tabel
el 5.
Tabel 5. Hasil prediksi curah hujann 22014 – 2018
Tahun
Bulan
1
2
3
4
5
6
7
8
9
10
11
12
Ratarata
2014
2015
2016
2017
2018
215.5
185.6
227.6
236.9
278.5
197.5
242.9
260.2
272.5
290.8
269.5
251.1
220.1
192.1
235.3
230
263.8
199.8
243.5
272
267.9
291
269.2
250.2
224.6
201.9
250.6
234.4
275.8
206.8
241
274.9
268.3
289.4
256.8
242.8
224.4
209.3
244.8
233.4
268.9
213.6
242.3
277
258.8
285.5
260.1
255.2
226.7
221.9
246.1
241.3
266.9
218.2
239.8
274.5
266.9
296.6
262.8
268
244.05
244.575
247.275
247.775
252.475
Dari Tabel 5 hasil prediksi curah
cu
hujan tahun
2014 – 2018, diperkirakan curah
ah hujan rata-rata
pertahun akan semakin meningkat
at dari tahun 2014
sampai tahun 2018. Grafik pe
peningkatan curah hujan
setiap tahunnya dapat dilihatt pada
p
Gambar 2.
Gambar 2. Grafik curahh hujan
h
2014 - 2018
Untuk prediksi suhu beb
eberapa tahun berikutnya
mengambil data dengan kuad
uadrat error 0.01 dengan
tingkat keakurasian 79.22%.
%. Hasil prediksi suhu
dapat dilihat pada Tabel 6.
Tabel 6. Hasil prediksi suhu 20
2014 – 2018
Tahun
Bulan
1
2
3
4
5
6
7
8
9
10
11
12
Ratarata
2014
2015
2
2016
2017
2018
30.1
31.3
32
31.5
31.5
31
31.1
31.5
31.1
30.9
30.5
29.9
30.8
31.1
30.2
30.7
30.6
30.1
30.7
31
31.3
30.6
30.7
30.2
330.7
3
31.1
3
31.3
3
31.1
31
3
31.9
3
31.6
3
31.1
3
31.4
3
30.9
3
30.7
3
30.3
30.4
31.3
31.4
31.9
32
31.4
31.3
31.3
31
31.2
30.2
30.1
30
30.7
30.8
30.9
31.3
31.1
31.3
30.7
31
31.1
29.9
29.7
31.033
30.667
31
31.092
31.125
30.708
Dari Tabel 6 hasil predi
diksi suhu tahun 2014 –
2018, diperkirakan suhu rata-rata
rat
pertahun akan
mengalami peningkatan dann penurunan yang tidak
terlalu ekstrim dari tahun 201
014 sampai tahun 2018.
Grafik prediksi suhu setiapp ttahunnya dapat dilihat
pada Gambar 3.
Gambar 3. Grafik suh
uhu 2014 – 2018
Untuk prediksi kelemb
mbaban beberapa tahun
berikutnya mengambil data
ta dengan kuadrat error
0.01 dengan tingkat keaku
kurasian 86.28% Hasil
prediksi kelembaban dapat dilihat
dili pada Tabel 7.
hal 5
Seminar Nasional Ilmu Komputer2014 (SNIK
IKOM)
Laguboti, 20 - 24 Agustus 2014
Tabel 7. Hasil prediksi kelembabann 2014 – 2018
Tahun
Bulan
1
2
3
4
5
6
7
8
9
10
11
12
Ratarata
2014
2015
2016
2017
2018
63
61.4
61.4
61.5
61.4
61.8
61.6
61.3
62.6
61.8
63.7
64.9
63
61.9
61.8
62.4
61.6
61.6
61.5
63.2
62.2
62.3
65
65.3
62.1
61.3
61.5
61.8
61.8
61.2
61.3
61.6
61.7
61.9
62.8
62.8
61.8
61.6
61.3
61.5
61.3
61
61.1
61.6
61.6
61.8
62.9
63.6
62.1
61.5
61.5
61.8
61.7
61.4
61.5
61.7
61.7
61.7
62.6
63
62.2
62.65
61.817
61.758
61.85
Dari Tabel 7 hasil prediksi kelembaban
ke
tahun
2014 – 2018, diperkirakan kelem
embaban rata-rata
pertahun akan mengalami peningkatan
pen
dan
penurunan yang juga tidak terlalu ekstrim
ek
dari tahun
2014 sampai tahun 2018. G
Grafik prediksi
kelembaban setiap tahunnya dapa
apat dilihat pada
Gambar 4.
Gambar 4. Grafik kelembabann 2014
2
– 2018
Dari hasil prediksi ketiga param
ameter cuaca yaitu
curah hujan, suhu, dan kelemba
baban dapat kita
ketahui keadaan cuaca yang akann datang. Sebagai
sampel untuk prediksi cuaca diam
iambil data tahun
2014 dari masing-masing parameter
ter. Grafik prediksi
cuaca tahun 2014 dapat dilihat padaa Gambar 5.
Gambar 5. Grafik prediksi cuaca
aca tahun 2014
Dari Gambar 5 dapat dilihatt pada
p
tahun 2014
ini curah hujan cenderung mengala
alami peningkatan
dan penurunan yang cukup ekstrim yaitu
y
curah hujan
minimum 185.6 mm dan curah hujan
hu
maksimum
290.8 mm. Sedangkan predik
diksi suhu dan
kelembaban cenderung stabil yaitu
itu suhu minimum
29.9° C dan suhu maksimum 32° C, dengan
kelembaban minimum 61.3% dan
da kelembaban
maksimum 64.9%.
6.
KESIMPULAN
Dari hasil penelitian dapat
da
diambil beberapa
kesimpulan antara lain:
a. Pada kasus prediksi cuaca
cua
di Kota Medan,
jaringan saraf tiruan meetode backpropagation
dalam proses training dap
apat mengenali pola data
suhu dan kelembaban deng
engan baik, namun untuk
pola data curah hujan,, proses pengenalannya
kurang baik. Hal ini se
sesuai dengan asumsi
penulis.
b. Pada proses training JST
ST, semakin kecil nilai
target error maka iterasiny
inya akan semakin besar
dan tingkat keakurasiannya
nya juga semakin tinggi.
c. Tingkat keakurasian terbesar
te
pada proses
pengujian prediksi cuacaa di
d Kota Medan dengan
jaringan saraf tiruan meetode backpropagation
adalah pada data kelembab
baban yaitu 86.28% pada
kuadrat error 0,01.
d. Kondisi cuaca pada tahun
un 2014 di Kota Medan
cenderung berubah setia
tiap bulannya, dengan
curah hujan minimum 185.
85.6 mm dan curah hujan
maksimum 290.8 mm, suhu
su minimum 29.9° C
dan suhu maksimum 32°° C,
C dengan kelembaban
minimum 61.3% dan kelembaban
ke
maksimum
64.9%.
DAFTAR PUSTAKA
[1] Dewi, Candra dan M. Muslikh, 2013,
Perbandingan
Akuras
rasi
Backpropagation
Neural Network dan ANF
NFIS untuk Memprediksi
Cuaca. Journal of Scientic
Sc
Modelling &
Computation, Vol. 1, No.
No 1.
[2] Ihwan, Andi, 2013, Metode
M
Jaringan Saraf
Tiruan Propagasi Balik
lik untuk Estimasi Curah
Hujan Bulanan di Ketapa
apang Kalimantan Barat,
Prosiding Semirata FMIPA Universitas
Lampung.
[3] Kharola, Manisha andd Dinesh Kumar, 2014,
Efficient
Weatherr
Prediction
By
Backpropagation Algori
orithm, IOSR Journal of
Computer Engineeringg (IOSR-JCE), Volume
16, Issue 3, Ver. IV, June
une.
[4] Naik, Arti R. and S.K.P
.Pathan, 2012, Weather
Classification and For
orecasting using Back
Propagation Feed-forw
rward Neural Network,
International Journal off S
Scientific and Research
Publications, Vol. 2, Issu
ssue 12, December.
[5] Oktaviani, Cici dan Afdal,
A
2013, Prediksi
Curah Hujan Bulanan Menggunakan
M
Jaringan
Syaraf Tiruan dengan
gan Beberapa Fungsi
Pelatihan Backpropaga
agation, Jurnal Fisika
Unand, Vol. 2, No. 4, Ok
Oktober.
[6] Sari, Laila dan Agus Buono,
B
2012, Artificial
Neural Network Model
delling to Predict The
Beginning of Rainy Season
Se
Based on Sea
Surface Temperature. Jurnal
J
Ilmu Komputer
Agri-Informatika, Vol 1, No. 2.
[7] Sutojo, T., et al, 2010,
10, Kecerdasan Buatan,
Yogyakarta: Andi Offset
set.
hal 6
Laguboti, 20 - 24 Agustus 2014
ANALISIS KINERJA JARINGAN SARAF TIRUAN METODE BACKPROPAGATION
DALAM MEMPREDIKSI CUACA DI KOTA MEDAN
Yudhi Andrian1, M. Rhifky Wayahdi2
Dosen Teknik Informatika, STMIK Potensi Utama
2
Mahasiswa Sistem Informasi, STMIK Potensi Utama
1,2
Jl. K.L. Yos Sudarso Km 6,5 No. 3A Tanjung Mulia-Medan
1
yudhi.andrian@gmail.com, 2rhifky.wayahdi@yahoo.com
1
ABSTRAK
Jaringan Saraf Tiruan (Artificial Neural Network) sebagian besar telah cukup handal dalam pemecahan
masalah, salah satunya adalah prediksi cuaca dengan metode backpropagation. Prediksi cuaca merupakan
perkiraan kondisi cuaca di masa mendatang. Pada penelitian ini penulis akan menganalisis kinerja jaringan
saraf tiruan dengan metode backpropagation dalam memprediksi cuaca di Kota Medan. Penulis akan
menggunakan tiga parameter data dalam memprediksi cuaca yaitu data curah hujan, data suhu, dan data
kelembaban tahun 1997 – 2013. Pada kasus prediksi cuaca di Kota Medan, jaringan saraf tiruan metode
backpropagation dalam proses training dapat mengenali pola data yang diberikan dengan baik. Pada proses
training JST, semakin kecil nilai target error maka iterasinya akan semakin besar dan tingkat keakurasiannya
juga semakin tinggi. Tingkat keakurasian terbesar pada proses pengujian prediksi cuaca di Kota Medan dengan
jaringan saraf tiruan metode backpropagation adalah pada data kelembaban yaitu 86.28% pada kuadrat error
0,01.
Kata Kunci: Jaringan Saraf Tiruan, Backpropagation, Prediksi Cuaca.
1.
PENDAHULUAN
Prediksi cuaca merupakan perkiraan kondisi
cuaca di masa mendatang. Kondisi cuaca adalah
keadaan atmosfer pada waktu tertentu. Variabelvariabel cuaca meliputi beberapa hal seperti curah
hujan, suhu, kelembaban, dan lainnya. Akurasi
prediksi secara luas tergantung pada pengetahuan
tentang kondisi cuaca yang berlaku di wilayah
tersebut. Cuaca adalah kondisi non-linier dan proses
dinamis yang bervariasi dari hari ke hari bahkan
menit ke menit. 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 nonlinier. Neuron saling terhubung satu sama lain
melalui suatu jaringan. Jaringan ini yang dilatih
menggunakan algoritma backpropagation yang
mengikuti Gradient Descent Method [4].
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 [4].
Sari, Laila dan Agus Buono (2012) dalam
penelitiannya memprediksi awal musim hujan
mengatakan bahwa pola input data yang digunakan
dalam metode backpropagation sangat berpengaruh
terhadap kinerja Jaringan Saraf Tiruan (Artificial
Neural Network) dalam melakukan proses prediksi
keadaan yang akan datang [6].
Kharola, Manisha dan Dinesh Kumar (2014)
menggunakan metode backpropagation untuk
memprediksi cuaca, dan menemukan bahwa proses
pelatihan dapat dilakukan dengan cepat. Hasilnya
lebih akurat untuk memprediksi cuaca di masa depan
ketika jumlah iterasi meningkat [3].
Dari penelitian yang dilakukan oleh Sari, Laila
dan Agus Buono (2012) dan penelitian yang
dilakukan oleh Kharola, Manisha dan Dinesh
Kumar (2014) menunjukkan bahwa jaringan saraf
tiruan metode backpropagation dapat diterapkan
dalam memprediksi suatu keadaan yang akan
datang. Hal ini yang mendasari penulis untuk
menganalisa
lebih
lanjut
kinerja
metode
backpropagation dalam memprediksi cuaca. Pada
penelitian ini penulis akan menganalisis kinerja
jaringan
saraf
tiruan
dengan
metode
backpropagation dalam memprediksi cuaca di Kota
Medan. Penulis memiliki asumsi bahwa tidak semua
data cuaca dapat dikenali dengan baik oleh metode
backpropagation, dan data cuaca yang berbeda akan
menghasilkan tingkat pengenalan yang berbeda pula.
hal 1
Seminar Nasional Ilmu Komputer2014 (SNIKOM)
Laguboti, 20 - 24 Agustus 2014
Penulis akan menggunakan tiga parameter data
dalam memprediksi cuaca yaitu data curah hujan,
data suhu, dan data kelembaban tahun 1997 – 2013.
Tujuan penelitian ini dilakukan adalah untuk
menganalisis kinerja jaringan saraf tiruan metode
backpropagation dalam mengenali pola dari ketiga
parameter data tersebut apakah pola dari ketiga
parameter tersebut dapat dikenali dengan baik yang
selanjutnya dapat dilakukan proses prediksi cuaca.
2.
JARINGAN SARAF TIRUAN
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) [7].
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 [4].
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) [5].
Langkah-langkah dalam membangun algoritma
backpropagation adalah sebagai berikut [7]:
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).
3.
(1)
Dan menerapkan fungsi aktivasi untuk
menghitung sinyal output-nya, ditunjukkan
dengan persamaan (2).
(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).
_
=
+
(3)
Dan menerapkan fungsi aktivasi untuk
menghitung sinyal output-nya, ditunjukkan
dengan persamaan (4).
(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)
f’ adalah turunan dari fungsi aktivasi.
Kemudian hitung korelasi bobot, ditunjukkan
dengan persamaan (6).
∆
=
(6)
Dan menghitung koreksi bias, ditunjukkan
dengan persamaan (7).
(7)
=
∆
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).
_
=
(8)
Untuk menghitung informasi error, kalikan
nilai ini dengan turunan dari fungsi
aktivasinya, ditunjukkan dengan persamaan
(9).
=
( _ )
(9)
Kemudian hitung koreksi bobot, ditunjukkan
dengan persamaan (10).
(10)
∆
=
Setelah itu, hitung juga koreksi bias,
ditunjukkan dengan persamaan (11).
(11)
=
∆
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)
( !"#) =
($!%!) + ∆
hal 2
Seminar Nasional Ilmu Komputer2014 (SNIKOM)
Laguboti, 20 - 24 Agustus 2014
Setiap unit tersembunyi (Zj, j=1,2,3,…,p)
dilakukan perubahan bobot dan bias
(i=0,1,2,…,n),
ditunjukkan
dengan
persamaan (13).
( !"#) = ($!%!) + ∆
(13)
2) Tes kondisi berhenti.
4.
METODE PENELITIAN
Penelitian ini bertujuan untuk menganalisis
kinerja
jaringan
saraf
tiruan
metode
backpropagation dalam memprediksi cuaca di Kota
Medan. Penulis ingin mengetahui bagaimana kinerja
jaringan saraf tiruan metode backpropagation dalam
mengenali pola tiga parameter data yaitu data curah
hujan, data suhu, dan data kelembaban dalam
memprediksi cuaca di Kota Medan.
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. 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.
b. 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. 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 ke2 sampai tahun ke-9 (data input 1998 – 2005
dengan target 2006), demikian seterusnya.
Gambar 1 menggambarkan desain jaringan saraf
tiruan
backpropagation dengan input
layer(xi)=8, hidden layer(vi)=6, dan output
layer(yi)=1.
c. 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.
d. 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.
5.
HASIL DAN ANALISA
Prediksi cuaca dengan jaringan saraf tiruan
metode
backpropagation
dilakukan
dengan
membagi data menjadi tiga bagian, yaitu: data untuk
training/pelatihan, data untuk testing/pengujian, dan
data untuk prediksi. Data yang digunakan adalah
data curah hujan, data suhu, dan data kelembaban
Kota Medan tahun 1997 – 2013. 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 curah hujan tahun 1997 –
2004 dengan target tahun 2005
1997
106.2
96.6
134.4
109.8
80.9
175.3
225.8
95.7
290.6
391.1
265.4
182.4
1998
181
50.2
29.4
35.3
133.5
144.6
213
381
170.8
340.3
275.8
394.2
…
…
…
…
…
…
…
…
…
…
…
…
…
2004
138.8
200.8
237.9
88.5
68
200.5
206.8
204.3
475.3
377.5
141.2
166.4
2005
189.1
43.9
62.5
168.2
229.5
174
210.8
145.7
290.5
175.5
206.4
311.4
Tabel 1(b). Data input suhu tahun 1997 – 2004
dengan target tahun 2005
1997
30,1
30,4
31,5
31,1
32,5
31,2
31,3
32,2
30,1
30,1
30,3
30,1
1998
30,4
31,6
32,5
33,3
33,2
32,2
31,8
30
30,6
31,9
30,5
29,5
…
…
…
…
…
…
…
…
…
…
…
…
…
2004
30
30,9
31,2
31,2
32,7
32
29,8
31,8
30,5
30,3
30,6
30,6
2005
30,9
31,4
32,5
32,7
32,7
32,7
32,3
32,8
32
30,3
30,5
29,8
Gambar 1. Desain JST backpropagation
hal 3
Seminar Nasional Ilmu Komputer2014 (SNIKOM)
Laguboti, 20 - 24 Agustus 2014
Tabel 1(c). Data input kelembaban tahun 1997 –
2004 dengan target tahun 2005
1997
66
67
64
65
59
64
64
58
70
70
73
73
1998
72
69
64
61
62
64
67
73
70
69
70
72
…
…
…
…
…
…
…
…
…
…
…
…
…
2004
66
62
64
65
56
58
67
58
65
68
70
69
2005
66
66
62
63
64
62
62
58
65
69
69
72
Sebelum diproses data dinormalisasi terlebih
dahulu. Normalisasi terhadap data dilakukan agar
keluaran jaringan sesuai dengan fungsi aktivasi yang
digunakan. Data-data tersebut dinormalisasi dalam
interval [0, 1] karena data yang digunakan bernilai
positif atau 0. Selain itu juga terkait fungsi aktivasi
yang diberikan yaitu sigmoid biner.
Fungsi sigmoid adalah fungsi asimtotik (tidak
pernah mencapai 0 ataupun 1), maka transformasi
data dilakukan pada interval yang lebih kecil yaitu
[0.1; 0.8], ditunjukkan dengan persamaan (14).
=
0.8( − !)
+ 0.1
−!
(14)
a adalah data minimum, b adalah data maksimum, x
adalah data yang akan dinormalisasi, dan x’ adalah
data yang telah ditransformasi. Sehingga dihasilkan
data hasil normalisasi yang ditunjukkan pada Tabel
2.
Tabel 2(a). Data curah hujan hasil normalisasi tahun
1997 – 2004 dengan target tahun 2005
1997
0.208
0.197
0.239
0.212
0.18
0.284
0.34
0.196
0.411
0.522
0.384
0.292
1998
0.29
0.146
0.123
0.129
0.238
0.25
0.326
0.511
0.279
0.466
0.395
0.526
…
…
…
…
…
…
…
…
…
…
…
…
…
2004
0.244
0.312
0.353
0.188
0.166
0.312
0.319
0.316
0.615
0.507
0.246
0.274
2005
0.299
0.139
0.16
0.276
0.344
0.283
0.323
0.251
0.411
0.284
0.318
0.434
Tabel 2(b). Data suhu hasil normalisasi tahun 1997 –
2004 dengan target tahun 2005
1997
0.367
0.414
0.586
0.524
0.743
0.539
0.555
0.696
0.367
0.367
1998
0.414
0.602
0.743
0.869
0.853
0.696
0.633
0.351
0.445
0.649
…
…
…
…
…
…
…
…
…
…
…
2004
0.351
0.492
0.539
0.539
0.775
0.665
0.32
0.633
0.429
0.398
2005
0.492
0.571
0.743
0.775
0.775
0.775
0.712
0.79
0.665
0.398
0.398
0.367
0.429
0.273
…
…
0.445
0.445
0.429
0.32
Tabel 2(c). Data kelembaban hasil normalisasi tahun
1997 – 2004 dengan target tahun 2005
1997
0.519
0.557
0.443
0.481
0.252
0.443
0.443
0.214
0.671
0.671
0.786
0.786
1998
0.748
0.633
0.443
0.329
0.367
0.443
0.557
0.786
0.671
0.633
0.671
0.748
…
…
…
…
…
…
…
…
…
…
…
…
…
2004
0.519
0.367
0.443
0.481
0.138
0.214
0.557
0.214
0.481
0.595
0.671
0.633
2005
0.519
0.519
0.367
0.405
0.443
0.367
0.367
0.214
0.481
0.633
0.633
0.748
Pada Tabel 1 dan Tabel 2 di atas menampilkan
data tahun 1997 – 2004 dengan target tahun 2005.
Untuk pelatihan data lainnya dilakukan hal yang
sama. Seperti telah dijelaskan di atas, data pelatihan
menggunakan data sampai tahun 2008.
Setelah proses normalisasi untuk semua data
dilakukan, selanjutnya dilakukan proses inisialisasi
bobot. Proses inisialisasi bobot dilakukan dengan
memberikan nilai bobot secara random atau acak.
Bobot di-generate secara random dengan jumlah
hidden layer=6, alpha=1, max epoch=100000.
Bobot random yang telah di-generate dapat dilihat
pada Tabel 3.
Tabel 3. Generate bobot random
Bobot input ke hidden awal
0.3528 0.2667
0.2898
0.007
0.3804
0.4072
0.4313 0.3952
0.1868
0.4748 0.182
0.2624
0.2344 0.1491
0.3113
0.4149 0.4123
0.2946
0.3476 0.49
0.122
0.3381 0.0079
0.2876
Bias input ke hidden
0.1422 0.0228
0.1479
Bobot hidden ke output
0.4899 0.2007
0.1391
Bias hidden ke output
0.1448
0.3545
0.481
0.3836
0.3239
0.493
0.2669
0.05
0.151
0.0227
0.4357
0.0268
0.1319
0.4555
0.0532
0.0515
0.3874
0.207
0.0281
0.2962
0.1397
0.1134
0.4997
0.3394
0.191
0.1505
0.4743
0.0802
0.0814
0.3233
0.367
Proses training dengan menggunakan bobot
random pada Tabel 3 menghasilkan kuadrat
error=0.01 untuk data curah hujan pada iterasi ke66, data suhu pada iterasi ke-9586, dan data
kelembaban pada iterasi ke-4011. Pada pengujian
awal ini didapatkan hasil bahwa jumlah iterasi untuk
data curah hujan lebih kecil daripada data lainnya.
Selanjutnya dilakukan beberapa kali proses
training dan testing, di mana jumlah hidden layer
tetap yaitu 6, alpha=1, max epoch=100000 dan nilai
target error yang bervariasi. Hasil dari pengujian ini
dapat dilihat pada Tabel 4.
hal 4
Seminar Nasional Ilmu Komputer2014 (SNIK
IKOM)
Laguboti, 20 - 24 Agustus 2014
Tabel 4. Hasil pengujian
Target
error
0.05
0.02
0.01
0.009
Curah hujan
Iterasi Akurasi
2
10.9 %
3
11.2 %
66
30.18%
87
37.12%
Suhu
Iterasi Aku
kurasi
2
69.8
9.88%
18
71.6
1.67%
9586
79.2
9.22%
10197
75,8
5,87%
Kelembaban
Iterasi Akurasi
2
73.78%
29
76.57%
4011
86.28%
~
-
Dari hasil pengujian pada Tab
abel 4 didapatkan
bahwa pada data curah hujan, jumla
lah iterasi terkecil
ada pada target error 0.05 dengann jjumlah iterasi=2
dengan tingkat keakurasian=10.9
.9% dan jumlah
iterasi terbesar ada pada target erro
rror 0.009 dengan
jumlah iterasi=87 dengan tingka
kat keakurasian=
37.12%. Pada data suhu, jumlah iterasi
ite
terkecil ada
pada target error 0.05 dengan jumlah
ju
iterasi=2
dengan tingkat keakurasian=69.88
88% dan jumlah
iterasi terbesar ada pada target erro
rror 0.009 dengan
jumlah iterasi=10197 dengan tingk
gkat keakurasian=
75.87%. Pada data kelembaban,
n, jumlah iterasi
terkecil ada pada target error 0.05
.05 dengan jumlah
iterasi=2 dengan tingkat keakurasi
asian=73.78% dan
jumlah iterasi terbesar ada pada target
ta
error 0.01
dengan jumlah iterasi=4011 dengan
d
tingkat
keakurasian= 86.28%. Pada data kele
elembaban dengan
target error 0.009 jumlah iterasi tidak
dak terhingga.
Dari hasil pengujian pada Tabe
abel 4 dapat dilihat
tingkat keakurasian tertinggi adaa pada pengujian
data kelembaban dengan target error
e
0.01 yaitu
86.28%, sedangkan tingkat keakurassian terendah ada
pada pengujian data curah hujan den
dengan target error
0.05 yaitu 10.9%. Sehingga dap
apat disimpulkan
bahwa semakin kecil nilai targett eerror maka nilai
iterasinya akan semakin besar dan
an keakurasiannya
juga semakin tinggi.
Proses terakhir yaitu melakuka
kan prediksi cuaca
untuk beberapa tahun berikutnya dengan
den
mengambil
data dengan kuadrat error 0.01 dengan tingkat
keakurasian data curah hujan 30.18%
%. Hasil prediksi
curah hujan dapat dilihat pada Tabel
el 5.
Tabel 5. Hasil prediksi curah hujann 22014 – 2018
Tahun
Bulan
1
2
3
4
5
6
7
8
9
10
11
12
Ratarata
2014
2015
2016
2017
2018
215.5
185.6
227.6
236.9
278.5
197.5
242.9
260.2
272.5
290.8
269.5
251.1
220.1
192.1
235.3
230
263.8
199.8
243.5
272
267.9
291
269.2
250.2
224.6
201.9
250.6
234.4
275.8
206.8
241
274.9
268.3
289.4
256.8
242.8
224.4
209.3
244.8
233.4
268.9
213.6
242.3
277
258.8
285.5
260.1
255.2
226.7
221.9
246.1
241.3
266.9
218.2
239.8
274.5
266.9
296.6
262.8
268
244.05
244.575
247.275
247.775
252.475
Dari Tabel 5 hasil prediksi curah
cu
hujan tahun
2014 – 2018, diperkirakan curah
ah hujan rata-rata
pertahun akan semakin meningkat
at dari tahun 2014
sampai tahun 2018. Grafik pe
peningkatan curah hujan
setiap tahunnya dapat dilihatt pada
p
Gambar 2.
Gambar 2. Grafik curahh hujan
h
2014 - 2018
Untuk prediksi suhu beb
eberapa tahun berikutnya
mengambil data dengan kuad
uadrat error 0.01 dengan
tingkat keakurasian 79.22%.
%. Hasil prediksi suhu
dapat dilihat pada Tabel 6.
Tabel 6. Hasil prediksi suhu 20
2014 – 2018
Tahun
Bulan
1
2
3
4
5
6
7
8
9
10
11
12
Ratarata
2014
2015
2
2016
2017
2018
30.1
31.3
32
31.5
31.5
31
31.1
31.5
31.1
30.9
30.5
29.9
30.8
31.1
30.2
30.7
30.6
30.1
30.7
31
31.3
30.6
30.7
30.2
330.7
3
31.1
3
31.3
3
31.1
31
3
31.9
3
31.6
3
31.1
3
31.4
3
30.9
3
30.7
3
30.3
30.4
31.3
31.4
31.9
32
31.4
31.3
31.3
31
31.2
30.2
30.1
30
30.7
30.8
30.9
31.3
31.1
31.3
30.7
31
31.1
29.9
29.7
31.033
30.667
31
31.092
31.125
30.708
Dari Tabel 6 hasil predi
diksi suhu tahun 2014 –
2018, diperkirakan suhu rata-rata
rat
pertahun akan
mengalami peningkatan dann penurunan yang tidak
terlalu ekstrim dari tahun 201
014 sampai tahun 2018.
Grafik prediksi suhu setiapp ttahunnya dapat dilihat
pada Gambar 3.
Gambar 3. Grafik suh
uhu 2014 – 2018
Untuk prediksi kelemb
mbaban beberapa tahun
berikutnya mengambil data
ta dengan kuadrat error
0.01 dengan tingkat keaku
kurasian 86.28% Hasil
prediksi kelembaban dapat dilihat
dili pada Tabel 7.
hal 5
Seminar Nasional Ilmu Komputer2014 (SNIK
IKOM)
Laguboti, 20 - 24 Agustus 2014
Tabel 7. Hasil prediksi kelembabann 2014 – 2018
Tahun
Bulan
1
2
3
4
5
6
7
8
9
10
11
12
Ratarata
2014
2015
2016
2017
2018
63
61.4
61.4
61.5
61.4
61.8
61.6
61.3
62.6
61.8
63.7
64.9
63
61.9
61.8
62.4
61.6
61.6
61.5
63.2
62.2
62.3
65
65.3
62.1
61.3
61.5
61.8
61.8
61.2
61.3
61.6
61.7
61.9
62.8
62.8
61.8
61.6
61.3
61.5
61.3
61
61.1
61.6
61.6
61.8
62.9
63.6
62.1
61.5
61.5
61.8
61.7
61.4
61.5
61.7
61.7
61.7
62.6
63
62.2
62.65
61.817
61.758
61.85
Dari Tabel 7 hasil prediksi kelembaban
ke
tahun
2014 – 2018, diperkirakan kelem
embaban rata-rata
pertahun akan mengalami peningkatan
pen
dan
penurunan yang juga tidak terlalu ekstrim
ek
dari tahun
2014 sampai tahun 2018. G
Grafik prediksi
kelembaban setiap tahunnya dapa
apat dilihat pada
Gambar 4.
Gambar 4. Grafik kelembabann 2014
2
– 2018
Dari hasil prediksi ketiga param
ameter cuaca yaitu
curah hujan, suhu, dan kelemba
baban dapat kita
ketahui keadaan cuaca yang akann datang. Sebagai
sampel untuk prediksi cuaca diam
iambil data tahun
2014 dari masing-masing parameter
ter. Grafik prediksi
cuaca tahun 2014 dapat dilihat padaa Gambar 5.
Gambar 5. Grafik prediksi cuaca
aca tahun 2014
Dari Gambar 5 dapat dilihatt pada
p
tahun 2014
ini curah hujan cenderung mengala
alami peningkatan
dan penurunan yang cukup ekstrim yaitu
y
curah hujan
minimum 185.6 mm dan curah hujan
hu
maksimum
290.8 mm. Sedangkan predik
diksi suhu dan
kelembaban cenderung stabil yaitu
itu suhu minimum
29.9° C dan suhu maksimum 32° C, dengan
kelembaban minimum 61.3% dan
da kelembaban
maksimum 64.9%.
6.
KESIMPULAN
Dari hasil penelitian dapat
da
diambil beberapa
kesimpulan antara lain:
a. Pada kasus prediksi cuaca
cua
di Kota Medan,
jaringan saraf tiruan meetode backpropagation
dalam proses training dap
apat mengenali pola data
suhu dan kelembaban deng
engan baik, namun untuk
pola data curah hujan,, proses pengenalannya
kurang baik. Hal ini se
sesuai dengan asumsi
penulis.
b. Pada proses training JST
ST, semakin kecil nilai
target error maka iterasiny
inya akan semakin besar
dan tingkat keakurasiannya
nya juga semakin tinggi.
c. Tingkat keakurasian terbesar
te
pada proses
pengujian prediksi cuacaa di
d Kota Medan dengan
jaringan saraf tiruan meetode backpropagation
adalah pada data kelembab
baban yaitu 86.28% pada
kuadrat error 0,01.
d. Kondisi cuaca pada tahun
un 2014 di Kota Medan
cenderung berubah setia
tiap bulannya, dengan
curah hujan minimum 185.
85.6 mm dan curah hujan
maksimum 290.8 mm, suhu
su minimum 29.9° C
dan suhu maksimum 32°° C,
C dengan kelembaban
minimum 61.3% dan kelembaban
ke
maksimum
64.9%.
DAFTAR PUSTAKA
[1] Dewi, Candra dan M. Muslikh, 2013,
Perbandingan
Akuras
rasi
Backpropagation
Neural Network dan ANF
NFIS untuk Memprediksi
Cuaca. Journal of Scientic
Sc
Modelling &
Computation, Vol. 1, No.
No 1.
[2] Ihwan, Andi, 2013, Metode
M
Jaringan Saraf
Tiruan Propagasi Balik
lik untuk Estimasi Curah
Hujan Bulanan di Ketapa
apang Kalimantan Barat,
Prosiding Semirata FMIPA Universitas
Lampung.
[3] Kharola, Manisha andd Dinesh Kumar, 2014,
Efficient
Weatherr
Prediction
By
Backpropagation Algori
orithm, IOSR Journal of
Computer Engineeringg (IOSR-JCE), Volume
16, Issue 3, Ver. IV, June
une.
[4] Naik, Arti R. and S.K.P
.Pathan, 2012, Weather
Classification and For
orecasting using Back
Propagation Feed-forw
rward Neural Network,
International Journal off S
Scientific and Research
Publications, Vol. 2, Issu
ssue 12, December.
[5] Oktaviani, Cici dan Afdal,
A
2013, Prediksi
Curah Hujan Bulanan Menggunakan
M
Jaringan
Syaraf Tiruan dengan
gan Beberapa Fungsi
Pelatihan Backpropaga
agation, Jurnal Fisika
Unand, Vol. 2, No. 4, Ok
Oktober.
[6] Sari, Laila dan Agus Buono,
B
2012, Artificial
Neural Network Model
delling to Predict The
Beginning of Rainy Season
Se
Based on Sea
Surface Temperature. Jurnal
J
Ilmu Komputer
Agri-Informatika, Vol 1, No. 2.
[7] Sutojo, T., et al, 2010,
10, Kecerdasan Buatan,
Yogyakarta: Andi Offset
set.
hal 6