PREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
Seminar Nasional Informatika 2014
PREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN
METODE BACKPROPAGATION NEURAL NETWORK
Yudhi Andrian1, Erlinda Ningsih2
1
Dosen Teknik Informatika, STMIK Potensi Utama
Mahasiswa Sistem Informasi, STMIK Potensi Utama
1,2
STMIK Potensi Utama, Jl. K.L. Yos Sudarso Km 6,5 No. 3A Tanjung Mulia-Medan
1
yudhi.andrian@gmail.com, 2erlinda.301093@gmail.com
2
Abstrak
Besarnya curah hujan yang terjadi tidak dapat ditentukan secara pasti, namun dapat diprediksi atau
diperkirakan. Dengan menggunakan data historis besarnya curah hujan beberapa waktu yang lampau, maka
dapat diprediksi berapa besarnya curah hujan yang terjadi pada masa yang akan datang. Jaringan saraf tiruan
(Artificial Neural Network) sebagian besar telah cukup handal dalam pemecahan masalah, salah satunya
adalah prediksi curah hujan dengan metode backpropagation. Pada penelitian ini, penulis mencoba
memprediksi curah hujan di kota medan menggunakan metode backpropagation neural network. Dari hasil
penelitian dapat disimpulkan antara lain : Pengujian dengan hidden 5 memiliki akurasi yang lebih baik
dibandingkan dengan hidden 6, 7, dan 8. Nilai akurasi tertinggi di dapat dari pengujian data dengan jumlah
hidden 5 dan target error 0.0072 yaitu 43.27 %. Semakin kecil target error, maka jumlah iterasi akan
semakin besar. hidden layer yang lebih besar tidak selalu menyebabkan jumlah iterasi meningkat.
Kata kunci : Prediksi curah hujan, backpropagation, neural network
1.
Pendahuluan
Secara umum pola musim di Indonesia
dikenal dengan pola Monsun. Pola monsun ini
sangat dipengaruhi oleh angin monsun yang
menghasilkan dua musim yakni musim hujan dan
musim kemarau. Puncak musim hujan terjadi
pada bulan Desember, Januari dan Februari
sedangkan puncak musim kemarau terjadi pada
bulan Juni, Juli dan Agustus [1]. Kondisi cuaca
sangat berpengaruh dalam kehidupan sehari-hari,
seperti dalam bidang pertanian, transportasi dan
industri. Maka dari itu pengamatan terhadap
kondisi cuaca, khususnya kondisi curah hujan
sangat penting dilakukan [3].
Besarnya curah hujan yang terjadi tidak
dapat ditentukan secara pasti, namun dapat
diprediksi
atau
diperkirakan.
Dengan
menggunakan data historis besarnya curah hujan
beberapa waktu yang lampau, maka dapat
diprediksi berapa besarnya curah hujan yang
terjadi pada masa yang akan datang. Banyak cara
yang dapat dilakukan untuk memprediksi
besarnya curah hujan di suatu tempat, salah
satunya adalah menggunakan teknik jaringan
syaraf tiruan (Artificial Neural Network)[3].
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
184
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 [2].
Pai, Maya L., et al. (2014) mengungkapkan
bahwa parameter laut sangat mempengaruhi
dalam memprediksi curah hujan monsun barat
selatan menggunakan teknik jaringan saraf tiruan.
Hasil penelitian menunjukan bahwa metode JST
dapat diterapkan dalam memprediksi curah hujan
[4].
Pratiwi, Dian, et al. (2011) menggunakan
metode backpropagation untuk memprediksi
keparahan penyakit osteoarthritis. Penggunaan
metode backpropagation neural network terbukti
sebagai
salah
satu
metode
untuk
mengklasifikasikan atau memprediksi keparahan
penyakit osteoarthritis berdasarkan warna dan
tekstur dengan persentase akurasi 66,6% [5].
Masing-masing
metode
yang
telah
dijelaskan di atas dapat diterapkan dalam
memprediksi suatu keadaan yang akan datang.
Pada penelitian ini penulis mencoba memprediksi
curah hujan di Kota Medan dengan metode
backpropagation
neural
network
dengan
menggunakan data curah hujan tahun 1997 –
2012. Penelitian ini bertujuan untuk mengetahui
jumlah hidden layer dan target error yang tepat
untuk digunakan dalam memprediski curah hujan
di kota Medan sehingga menghasilkan akurasi
yang lebih baik.
Seminar Nasional Informatika 2014
pola input pelatihan, kemudian hitung
error, ditunjukkan dengan persamaan (5).
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].
Metode Backpropagation
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) [3].
Langkah-langkah
dalam
membangun
algoritma backpropagation adalah sebagai berikut
[6]:
e. Inisialisasi bobot (ambil nilai random yang
cukup kecil).
f. Tahap
perambatan
maju
(forward
propagation)
4) Setiap unit input (X1, i=1,2,3,…,n)
menerima sinyal xi dan meneruskan sinyal
tersebut ke semua unit pada lapisan
tersembunyi.
5) Setiap unit tersembunyi (Z1, j=1,2,3,…,p)
menjumlahkan bobot sinyal input,
ditunjukkan dengan persamaan (1).
(1)
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.
4) Setiap unit tersembunyi (Zj, j=1,2,3,…,p)
menjumlahkan delta input-nya (dari unitunit 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)
h. Tahap perubahan bobot dan bias
3) Setiap unit output (Yk, k=1,2,3,…,m)
dilakukan perubahan bobot dan bias
(j=0,1,2,…,p),
ditunjukkan
dengan
persamaan (12).
(12)
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.
6) 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)
g. Tahap perambatan balik (backpropagation)
3) Setiap unit output (Yk, k=1,2,3,…,m) (5)
menerima pola target yang sesuai dengan
Setiap unit tersembunyi (Zj, j=1,2,3,…,p)
dilakukan perubahan bobot dan bias
(i=0,1,2,…,n),
ditunjukkan
dengan
persamaan (13).
(13)
4) Tes kondisi berhenti.
2.
Metode Penelitian
Penelitian ini bertujuan untuk memprediksi
curah hujan di Kota Medan menggunakan metode
backpropagation neural network. Penulis ingin
mengetahui apakah dengan menggunakan metode
backpropagation
neural
network
dapat
memprediksi curah hujan di kota Medan dengan
akurasi yang lebih baik.
Untuk mencapai tujuan tersebut, penulis
akan melakukan pengujian dengan menggunakan
data sekunder curah hujan bulanan Kota Medan
185
Seminar Nasional Informatika 2014
tahun 1997 – 2012. Data bersumber dari BMKG
Stasiun Polonia, Kota Medan.
Prediksi
curah
hujan
dengan
backpropagation neural network digunakan
langkah-langkah sebagai berikut:
e. Memisahkan data yang akan digunakan
sebagai data pelatihan dan data uji. Data curah
hujan tahun 1997 – 2008 akan digunakan
sebagai data pelatihan selama perancangan
JST sedangkan data tahun 2009 – 2012
digunakan sebagi data pengujian.
f. Desain JST
Desain JST dilakukan untuk prediksi curah
hujan 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 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. Desain JST
prediksi curah hujan dapat dilihat pada
gambar 1.
Input Layer
Hidden Layer
Output Layer
x2
v1
x3
v2
x4
v3
y1
x6
x7
Hasil dan Analisa
Untuk mengetahui apakah aplikasi yang
dibuat telah berjalan dengan baik, maka dilakukan
pengujian. Data curah hujan tahun 1997 – 2008
akan digunakan sebagai data pelatihan sedangkan
data tahun 2009 – 2012 digunakan sebagai data
pengujian. Proses yang ditempuh untuk prediksi
curah hujan menggunakan backpropagation
neural network meliputi tahap training, tahap
pengujian dan tahap prediksi. Tabel 1 merupakan
input data curah hujan tahun 1997 – 2008.
1997
106.8
96.9
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
1999
315
268.8
196.6
322
302.6
256.2
29.9
78.6
407.2
204.1
126.4
456.3
2000
59
86.7
182.2
115
60.3
191.1
121.9
342.6
451.1
367.5
108
173.6
2001
216.5
15.1
158
164.8
252.8
306.7
121.3
417.6
395.7
733
467.6
342.5
2002
90.8
78.5
96.5
73.4
195.2
191.7
139.2
156.3
382.5
363.8
164.3
102.2
2003
169.4
85.7
162.6
285.3
245.7
196.3
312.1
282
561.5
471.9
125.4
187.7
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
v4
v5
v6
x8
Gambar 1. Desain Backpropagation Neural
Network
186
3.
Tabel 1(a). Data Input Tahun 1997 sampai
2004 dengan Target 2005
x1
x5
g. Pengenalan pola (pelatihan)
Pengenalan pola dilakukan dengan cara
penyesuaian
nilai
bobot.
Penghentian
penyesuaian bobot dalam pengenalan pola
apabila error yang dihasilkan 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
yang dihasilkan mencapai target error.
h. Pengujian dan prediksi
Pengujian
dilakukan
bertujuan
untuk
mengetahui tingkat keakuratan sistem JST
yang telah dibuat dalam memprediksi data
curah hujan pada tahun tertentu. Sedangkan
prediksi bertujuan untuk memprediksi data
curah hujan yang akan datang.
Tabel 1(b). Data Input Tahun 1998 sampai
2005 dengan Target 2006
1998
181
50.2
29,4
35.3
133.5
144.6
213
381
170.8
340.3
275.8
394.2
1999
315
268.8
196.6
322
302.6
256.2
29.9
78.6
407.2
204.1
126.4
456.3
2000
59
86.7
182.2
115
60.3
191.1
121.9
342.6
451.1
367.5
108
173.6
2001
216.5
15.1
158
164.8
252.8
306.7
121.3
417.6
395.7
733
467.6
342.5
2002
90.8
78.5
96.5
73.4
195.2
191.7
139.2
156.3
382.5
363.8
164.3
102.2
2003
169.4
85.7
162.6
285.3
245.7
196.3
312.1
282
561.5
471.9
125.4
187.7
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
2006
103.9
130.5
121.2
225.5
300.5
251.4
109.1
148.3
385.6
271.4
148.4
346.6
Seminar Nasional Informatika 2014
Tabel 1(c). Data Input Tahun 1999 sampai
2006 dengan Target 2007
1999
315
268.8
196.6
322
302.6
256.2
29.9
78.6
407.2
204.1
126.4
456.3
2000
59
86.7
182.2
115
60.3
191.1
121.9
342.6
451.1
367.5
108
173.6
2001
216.5
15.1
158
164.8
252.8
306.7
121.3
417.6
395.7
733
467.6
342.5
2002
90.8
78.5
96.5
73.4
195.2
191.7
139.2
156.3
382.5
363.8
164.3
102.2
2003
169.4
85.7
162.6
285.3
245.7
196.3
312.1
282
561.5
471.9
125.4
187.7
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
2006
103.9
130.5
121.2
225.5
300.5
251.4
109.1
148.3
385.6
271.4
148.4
346.6
Tabel 2(b). Data Hasil Normalisasi Tahun 1998
sampai 2005 dengan Target 2006
2007
169.6
8.6
62.3
277.2
330.2
99.4
261.6
153.4
256.5
303.3
374.1
218.4
Tabel 1(d). Data Input Tahun 2000 sampai
2007 dengan Target 2008
2000
59
86.7
182.2
115
60.3
191.1
121.9
342.6
451.1
367.5
108
173.6
2001
216.5
15.1
158
164.8
252.8
306.7
121.3
417.6
395.7
733
467.6
342.5
2002
90.8
78.5
96.5
73.4
195.2
191.7
139.2
156.3
382.5
363.8
164.3
102.2
2003
169.4
85.7
162.6
285.3
245.7
196.3
312.1
282
561.5
471.9
125.4
187.7
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
2006
103.9
130.5
121.2
225.5
300.5
251.4
109.1
148.3
385.6
271.4
148.4
346.6
2007
169.6
8.6
62.3
277.2
330.2
99.4
261.6
153.4
256.5
303.3
374.1
218.4
2008
126.7
16.2
126.8
146
172.5
62
276.8
195.7
294.8
342.2
412.5
245.7
Sebelum diproses data-data input tersebut
akan dinormalisasi. Normalisasi terhadap data
dilakukan agar keluaran jaringan sesuai dengan
fungsi aktivasi yang digunakan. Data-data
tersebut dinormalisasi dalam interval [0, 1] karena
dalam prediksi curah hujan, nilai curah hujan
pasti 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 hendaknya dilakukan pada
interval yang lebih kecil yaitu [0.1, 0.8],
ditunjukkan dengan persamaan (14).
(14)
a adalah data minimum, b adalah data maksimum,
x adalah data yang akan dinormalisasi dan x’
adalah data yang telah ditransformasi. Tabel 2
merupakan hasil normalisasi data input.
Tabel 2(a). Data Hasil Normalisasi Tahun 1997
sampai 2004 dengan Target 2005
1997
0.2078
0.1972
0.2389
0.2118
0.1798
0.2841
0.3399
0.1962
0.4114
0.5224
0.3836
0.2919
1998
0.2904
0.1459
0.123
0.1295
0.2379
0.2502
0.3257
0.5113
0.2791
0.4663
0.3951
0.5258
1999
0.4384
0.3874
0.308
0.4461
0.4247
0.3734
0.1235
0.1773
0.5402
0.3159
0.2301
0.5944
2000
0.1557
0.1863
0.2917
0.2175
0.1571
0.3015
0.2251
0.4689
0.5887
0.4964
0.2098
0.2822
2001
0.3296
0.1072
0.265
0.2725
0.3697
0.4292
0.2245
0.5517
0.5275
0.9
0.6069
0.4687
2002
0.1908
0.1772
0.1971
0.1716
0.3061
0.3022
0.2442
0.2631
0.5129
0.4923
0.2719
0.2034
2003
0.2776
0.1851
0.2701
0.4056
0.3618
0.3072
0.4352
0.4019
0.7106
0.6117
0.229
0.2978
2004
0.2438
0.3123
0.3532
0.1882
0.1656
0.3119
0.3189
0.3161
0.6154
0.5074
0.2464
0.2743
2005
0.2993
0.139
0.1595
0.2763
0.344
0.2827
0.3233
0.2514
0.4113
0.2843
0.3184
0.4344
1998
0.2904
0.1459
0.123
0.1295
0.2379
0.2502
0.3257
0.5113
0.2791
0.4663
0.3951
0.5258
1999
0.4384
0.3874
0.308
0.4461
0.4247
0.3734
0.1235
0.1773
0.5402
0.3159
0.2301
0.5944
2000
0.1557
0.1863
0.2917
0.2175
0.1571
0.3015
0.2251
0.4689
0.5887
0.4964
0.2098
0.2822
2001
0.3296
0.1072
0.265
0.2725
0.3697
0.4292
0.2245
0.5517
0.5275
0.9
0.6069
0.4687
2002
0.1908
0.1772
0.1971
0.1716
0.3061
0.3022
0.2442
0.2631
0.5129
0.4923
0.2719
0.2034
2003
0.2776
0.1851
0.2701
0.4056
0.3618
0.3072
0.4352
0.4019
0.7106
0.6117
0.229
0.2978
2004
0.2438
0.3123
0.3532
0.1882
0.1656
0.3119
0.3189
0.3161
0.6154
0.5074
0.2464
0.2743
2005
0.2993
0.139
0.1595
0.2763
0.344
0.2827
0.3233
0.2514
0.4113
0.2843
0.3184
0.4344
2006
0.2052
0.2346
0.2244
0.3362
0.4224
0.3682
0.211
0.2543
0.5163
0.3902
0.2544
0.4733
Tabel 2(c). Data Hasil Normalisasi Tahun 1999
sampai 2006 dengan Target 2007
1999
0.4384
0.3874
0.308
0.4461
0.4247
0.3734
0.1235
0.1773
0.5402
0.3159
0.2301
0.5944
2000
0.1557
0.1863
0.2917
0.2175
0.1571
0.3015
0.2251
0.4689
0.5887
0.4964
0.2098
0.2822
2001
0.3296
0.1072
0.265
0.2725
0.3697
0.4292
0.2245
0.5517
0.5275
0.9
0.6069
0.4687
2002
0.1908
0.1772
0.1971
0.1716
0.3061
0.3022
0.2442
0.2631
0.5129
0.4923
0.2719
0.2034
2003
0.2776
0.1851
0.2701
0.4056
0.3618
0.3072
0.4352
0.4019
0.7106
0.6117
0.229
0.2978
2004
0.2438
0.3123
0.3532
0.1882
0.1656
0.3119
0.3189
0.3161
0.6154
0.5074
0.2464
0.2743
2005
0.2993
0.139
0.1595
0.2763
0.344
0.2827
0.3233
0.2514
0.4113
0.2843
0.3184
0.4344
2006
0.2052
0.2346
0.2244
0.3362
0.4224
0.3682
0.211
0.2543
0.5163
0.3902
0.2544
0.4733
2007
0.2778
0.1
0.1593
0.3966
0.4552
0.2003
0.3794
0.2599
0.3738
0.4255
0.5036
0.3317
Tabel 2(d). Data Hasil Normalisasi Tahun 2000
sampai 2007 dengan Target 2008
2000
0.1557
0.1863
0.2917
0.2175
0.1571
0.3015
0.2251
0.4689
0.5887
0.4964
0.2098
0.2822
2001
0.3296
0.1072
0.265
0.2725
0.3697
0.4292
0.2245
0.5517
0.5275
0.9
0.6069
0.4687
2002
0.1908
0.1772
0.1971
0.1716
0.3061
0.3022
0.2442
0.2631
0.5129
0.4923
0.2719
0.2034
2003
0.2776
0.1851
0.2701
0.4056
0.3618
0.3072
0.4352
0.4019
0.7106
0.6117
0.229
0.2978
2004
0.2438
0.3123
0.3532
0.1882
0.1656
0.3119
0.3189
0.3161
0.6154
0.5074
0.2464
0.2743
2005
0.2993
0.139
0.1595
0.2763
0.344
0.2827
0.3233
0.2514
0.4113
0.2843
0.3184
0.4344
2006
0.2052
0.2346
0.2244
0.3362
0.4224
0.3682
0.211
0.2543
0.5163
0.3902
0.2544
0.4733
2007
0.2778
0.1
0.1593
0.3966
0.4552
0.2003
0.3794
0.2599
0.3738
0.4255
0.5036
0.3317
2008
0.2304
0.1084
0.2305
0.2517
0.281
0.159
0.3962
0.3066
0.4161
0.4684
0.5461
0.3618
Setelah data dinormalisasi, maka akan di
generate nilai bobot input ke hidden awal, bias
input ke hidden, bobot hidden ke output, dan bias
hidden ke output. Data bobot digenerate secara
acak antara 0 sampai dengan 1. Tabel 3
menunjukkan hasil generate nilai bobot.
Tabel 3. Hasil generate Nilai Bobot
Bobot Input Ke Hidden Awal
0.3528 0.2667
0.2898
0.1448
0.007
0.3804
0.4072
0.3545
0.4313 0.3952
0.1868
0.481
0.4748 0.182
0.2624
0.3836
0.2344 0.1491
0.3113
0.3239
0.4149 0.4123
0.2946
0.493
0.3476 0.49
0.122
0.2669
0.3381 0.0079
0.2876
0.05
Bias Input Ke Hidden
0.1422 0.0228
0.1479
0.191
Bobot Hidden ke Output
0.4899 0.2007
0.1391
0.0802
Bias Hidden ke Output
0.367
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
0.3994
0.1505
0.4743
0.0814
0.3233
Tahap selanjutnya adalah trainning. Proses
training dilakukan sampai error yang dihasilkan
sesuai atau lebih kecil dari target error. Gambar 2
merupakan grafik penurunan kuadrat error hasil
187
Seminar Nasional Informatika 2014
training dengan target error 0.01 dan jumlah
hidden layer 6.
Tabel 5(b). Hasil Pengujian dengan Target
Error 0.008
Jumlah
Hidden
5
6
7
8
Kuadrat
Error
0.0079
0.0079
0.0079
0.0079
Iterasi
Akurasi
160
186
218
241
42.79 %
42.35 %
41 %
41.21 %
Tabel 5(c). Hasil Pengujian dengan Target
Error 0.0072
Gambar 2. Grafik Penurunan Kuadrat Error
Pada gambar 1 dapat dilihat bahwa penurunan
kuadrat error berhenti dan mencapai target error
0.01 dengan jumlah iterasi sebanyak 66. Proses
trainning akan memperbaiki bobot nilai random.
Hasil bobot yang telah diperbaiki melalui proses
training ditunjukkan pada tabel 4. Pada tabel 4
dapat dilihat bahwa semua nilai bobot telah
berubah.
Tabel 4. Nilai Bobot Hasil Training
Bobot Input Ke Hidden Hasil Training
0.375
0.2489
0.243
0.0915
0.0151
0.507
0.5646
0.385
0.3017
-0.555
0.797
0.5195
0.149
0.4197
-0.04
0.764
0.2667
0.216
0.3144
-0.367
0.493
0.222
0.264
0.2557
-0.234
0.58
0.4521
0.253
0.436
0.1868
0.518
0.535
0.083
0.2135
-0.219
0.594
0.088
0.249
-0.006
-0.31
Bias Input Ke Hidden Hasil Training
-0.29
-0.205
0.02
0.0784
0.1885
Bobot Hidden Ke Output Hasil Training
1.086
0.6341
0.238
0.2438
-0.986
Bias Hidden Ke Output Hasil Training
-1.67
0.3219
0.0807
-0.0942
0.1891
0.0355
0.0288
0.4158
0.2963
0.3498
-0.1135
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 – 2012 digunakan
sebagai data pengujian. Pengujian dilakukan
dengan memvariasikan jumlah hidden layer dan
memvariasikan nilai target error. Hasil pengujian
dapat dilihat pada tabel 5.
Tabel 5(a). Hasil Pengujian dengan Target
Error 0.01
Jumlah
Kuadrat Iterasi
Akurasi
Hidden
Error
5
0.0099
70
26.44 %
6
0.0099
66
26.27 %
7
0.0099
62
22.48 %
8
0.0099
76
21.71 %
188
Jumlah
Hidden
5
6
7
8
Kuadrat
Error
0.0072
0.0072
0.0072
0.0072
Iterasi
Akurasi
4500
4500
2000
3000
43.27 %
43.21 %
42.88 %
43.4 %
Pada tabel 5(a), dapat dilihat bahwa
pengujian dengan jumlah hidden 5 memiliki
akurasi yang lebih baik dari pada pengujian
menggunakan hidden 6, 7, dan 8 yaitu 26.44%
dan jumlah iterasi sebanyak 70. Pada tabel 5(b),
pengujian dengan jumlah hidden 5 memiliki nilai
akurasi yang lebih baik dari pada pengujian
menggunakan hidden 6, 7, dan 8 yaitu 42.79%
dan jumlah iterasi sebanyak 160. Pada tabel 5(c),
pengujian dengan jumlah hidden 5 memiliki nilai
akurasi yang lebih baik dari pada pengujian
menggunakan hidden 6, 7, dan 8 yaitu 43.27%
dan jumlah iterasi sebanyak 4500. Dari ke-3 tabel
di atas dapat disimpulkan bahwa pengujian
dengan menggunakan hidden 5 dan target error
0.0072 memiliki nilai akurasi yang lebih baik
dibandingkan dengan pengujian lainnya yaitu
43.27%.
Pada tabel 5 dapat dilihat bahwa target error
yang berbeda akan menghasilkan jumlah iterasi
yang berbeda pula. Semakin kecil target error,
maka jumlah iterasi akan semakin besar. Pada
tabel 5 dapat dilihat juga bahwa jumlah hidden
yang berbeda maka jumlah iterasi juga berbeda.
Jumlah hidden layer yang lebih besar tidak selalu
menyebabkan jumlah iterasi meningkat.
Tahap terakhir yaitu melakukan prediksi
curah hujan untuk beberapa tahun berikutnya
dengan mengambil nilai akurasi tertinggi dari
hasil pengujian yaitu 43.27%. Tahap prediksi
curah hujan di kota Medan menggunakan metode
backpropagation neural network menggunakan
data Input Tahun 2005 sampai 2012. Hasil
prediksi curah hujan di kota Medan dapat dilihat
pada tabel 6.
Seminar Nasional Informatika 2014
Tabel 6. Hasil Prediksi Curah hujan di Kota
Medan
5. Pada hasil prediksi rata-rata curah hujan
tertinggi pada tahun 2013 terjadi pada bulan 5
yaitu 315.8.
Tahun
Bulan
1
2
3
4
5
6
7
8
9
10
11
12
Daftar Pustaka
2013
2014
2015
2016
2017
122.7
108.3
153.2
211.4
315.8
138.3
189.1
154.4
254.3
290
224.3
238
143
86.4
141
195.9
281.4
110.1
225.9
157.5
227.2
264.2
289
196.2
153
98.9
176.5
163
227.6
117.4
197.5
196.9
239.8
244.2
228.6
162.6
168.9
109.7
204.1
158.7
231.8
133.2
175.9
247.2
208.3
214.6
172.9
129.3
154.3
104
179.2
143.4
170
143.9
173
249.4
162.5
211.9
197.8
160.4
Pada tabel 6 dapat dilihat bahwa rata-rata
curah hujan tertinggi pada tahun 2013 terjadi pada
bulan 5, tahun 2014 terjadi pada bulan 11, tahun
2015 terjadi pada bulan 10, tahun 2016 terjadi
pada bulan 8, dan tahun 2017 terjadi pada bulan
8.
4.
[1]
[2]
[3]
[4]
Kesimpulan
Dari hasil penelitian dapat diambil beberapa
kesimpulan antara lain:
1. Pengujian dengan hidden 5 memiliki akurasi
yang lebih baik dibandingkan dengan hidden
6, 7, dan 8.
2. Nilai akurasi tertinggi di dapat dari pengujian
data dengan jumlah hidden 5 dan target error
0.0072 yaitu 43.27 %.
3. Target error yang berbeda akan menghasilkan
jumlah iterasi yang berbeda pula. Semakin
kecil target error, maka jumlah iterasi akan
semakin besar.
4. Jumlah hidden yang berbeda maka jumlah
iterasi juga berbeda. Jumlah hidden layer yang
lebih besar tidak selalu menyebabkan jumlah
iterasi meningkat.
[5]
[6]
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,
Volume 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.
Pai, Maya L., et al, 2014, Long Range
Forecast on South West Monsoon Rainfall
using Artificial Neural Networks based on
Clustering Approach, I.J. Information
Technology and Computer Science, 2014,
07, 1-8.
Pratiwi, Dian, et al, (2011), An Application
Of Backpropagation Artificial Neural
Network Method for Measuring The
Severity of Osteoarthritis, International
Journal of Engineering & Technology IJETIJENS, Vol: 11 No: 03.
Sutojo, T., et al, 2010, Kecerdasan Buatan,
Yogyakarta: Andi Offset.
189
PREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN
METODE BACKPROPAGATION NEURAL NETWORK
Yudhi Andrian1, Erlinda Ningsih2
1
Dosen Teknik Informatika, STMIK Potensi Utama
Mahasiswa Sistem Informasi, STMIK Potensi Utama
1,2
STMIK Potensi Utama, Jl. K.L. Yos Sudarso Km 6,5 No. 3A Tanjung Mulia-Medan
1
yudhi.andrian@gmail.com, 2erlinda.301093@gmail.com
2
Abstrak
Besarnya curah hujan yang terjadi tidak dapat ditentukan secara pasti, namun dapat diprediksi atau
diperkirakan. Dengan menggunakan data historis besarnya curah hujan beberapa waktu yang lampau, maka
dapat diprediksi berapa besarnya curah hujan yang terjadi pada masa yang akan datang. Jaringan saraf tiruan
(Artificial Neural Network) sebagian besar telah cukup handal dalam pemecahan masalah, salah satunya
adalah prediksi curah hujan dengan metode backpropagation. Pada penelitian ini, penulis mencoba
memprediksi curah hujan di kota medan menggunakan metode backpropagation neural network. Dari hasil
penelitian dapat disimpulkan antara lain : Pengujian dengan hidden 5 memiliki akurasi yang lebih baik
dibandingkan dengan hidden 6, 7, dan 8. Nilai akurasi tertinggi di dapat dari pengujian data dengan jumlah
hidden 5 dan target error 0.0072 yaitu 43.27 %. Semakin kecil target error, maka jumlah iterasi akan
semakin besar. hidden layer yang lebih besar tidak selalu menyebabkan jumlah iterasi meningkat.
Kata kunci : Prediksi curah hujan, backpropagation, neural network
1.
Pendahuluan
Secara umum pola musim di Indonesia
dikenal dengan pola Monsun. Pola monsun ini
sangat dipengaruhi oleh angin monsun yang
menghasilkan dua musim yakni musim hujan dan
musim kemarau. Puncak musim hujan terjadi
pada bulan Desember, Januari dan Februari
sedangkan puncak musim kemarau terjadi pada
bulan Juni, Juli dan Agustus [1]. Kondisi cuaca
sangat berpengaruh dalam kehidupan sehari-hari,
seperti dalam bidang pertanian, transportasi dan
industri. Maka dari itu pengamatan terhadap
kondisi cuaca, khususnya kondisi curah hujan
sangat penting dilakukan [3].
Besarnya curah hujan yang terjadi tidak
dapat ditentukan secara pasti, namun dapat
diprediksi
atau
diperkirakan.
Dengan
menggunakan data historis besarnya curah hujan
beberapa waktu yang lampau, maka dapat
diprediksi berapa besarnya curah hujan yang
terjadi pada masa yang akan datang. Banyak cara
yang dapat dilakukan untuk memprediksi
besarnya curah hujan di suatu tempat, salah
satunya adalah menggunakan teknik jaringan
syaraf tiruan (Artificial Neural Network)[3].
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
184
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 [2].
Pai, Maya L., et al. (2014) mengungkapkan
bahwa parameter laut sangat mempengaruhi
dalam memprediksi curah hujan monsun barat
selatan menggunakan teknik jaringan saraf tiruan.
Hasil penelitian menunjukan bahwa metode JST
dapat diterapkan dalam memprediksi curah hujan
[4].
Pratiwi, Dian, et al. (2011) menggunakan
metode backpropagation untuk memprediksi
keparahan penyakit osteoarthritis. Penggunaan
metode backpropagation neural network terbukti
sebagai
salah
satu
metode
untuk
mengklasifikasikan atau memprediksi keparahan
penyakit osteoarthritis berdasarkan warna dan
tekstur dengan persentase akurasi 66,6% [5].
Masing-masing
metode
yang
telah
dijelaskan di atas dapat diterapkan dalam
memprediksi suatu keadaan yang akan datang.
Pada penelitian ini penulis mencoba memprediksi
curah hujan di Kota Medan dengan metode
backpropagation
neural
network
dengan
menggunakan data curah hujan tahun 1997 –
2012. Penelitian ini bertujuan untuk mengetahui
jumlah hidden layer dan target error yang tepat
untuk digunakan dalam memprediski curah hujan
di kota Medan sehingga menghasilkan akurasi
yang lebih baik.
Seminar Nasional Informatika 2014
pola input pelatihan, kemudian hitung
error, ditunjukkan dengan persamaan (5).
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].
Metode Backpropagation
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) [3].
Langkah-langkah
dalam
membangun
algoritma backpropagation adalah sebagai berikut
[6]:
e. Inisialisasi bobot (ambil nilai random yang
cukup kecil).
f. Tahap
perambatan
maju
(forward
propagation)
4) Setiap unit input (X1, i=1,2,3,…,n)
menerima sinyal xi dan meneruskan sinyal
tersebut ke semua unit pada lapisan
tersembunyi.
5) Setiap unit tersembunyi (Z1, j=1,2,3,…,p)
menjumlahkan bobot sinyal input,
ditunjukkan dengan persamaan (1).
(1)
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.
4) Setiap unit tersembunyi (Zj, j=1,2,3,…,p)
menjumlahkan delta input-nya (dari unitunit 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)
h. Tahap perubahan bobot dan bias
3) Setiap unit output (Yk, k=1,2,3,…,m)
dilakukan perubahan bobot dan bias
(j=0,1,2,…,p),
ditunjukkan
dengan
persamaan (12).
(12)
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.
6) 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)
g. Tahap perambatan balik (backpropagation)
3) Setiap unit output (Yk, k=1,2,3,…,m) (5)
menerima pola target yang sesuai dengan
Setiap unit tersembunyi (Zj, j=1,2,3,…,p)
dilakukan perubahan bobot dan bias
(i=0,1,2,…,n),
ditunjukkan
dengan
persamaan (13).
(13)
4) Tes kondisi berhenti.
2.
Metode Penelitian
Penelitian ini bertujuan untuk memprediksi
curah hujan di Kota Medan menggunakan metode
backpropagation neural network. Penulis ingin
mengetahui apakah dengan menggunakan metode
backpropagation
neural
network
dapat
memprediksi curah hujan di kota Medan dengan
akurasi yang lebih baik.
Untuk mencapai tujuan tersebut, penulis
akan melakukan pengujian dengan menggunakan
data sekunder curah hujan bulanan Kota Medan
185
Seminar Nasional Informatika 2014
tahun 1997 – 2012. Data bersumber dari BMKG
Stasiun Polonia, Kota Medan.
Prediksi
curah
hujan
dengan
backpropagation neural network digunakan
langkah-langkah sebagai berikut:
e. Memisahkan data yang akan digunakan
sebagai data pelatihan dan data uji. Data curah
hujan tahun 1997 – 2008 akan digunakan
sebagai data pelatihan selama perancangan
JST sedangkan data tahun 2009 – 2012
digunakan sebagi data pengujian.
f. Desain JST
Desain JST dilakukan untuk prediksi curah
hujan 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 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. Desain JST
prediksi curah hujan dapat dilihat pada
gambar 1.
Input Layer
Hidden Layer
Output Layer
x2
v1
x3
v2
x4
v3
y1
x6
x7
Hasil dan Analisa
Untuk mengetahui apakah aplikasi yang
dibuat telah berjalan dengan baik, maka dilakukan
pengujian. Data curah hujan tahun 1997 – 2008
akan digunakan sebagai data pelatihan sedangkan
data tahun 2009 – 2012 digunakan sebagai data
pengujian. Proses yang ditempuh untuk prediksi
curah hujan menggunakan backpropagation
neural network meliputi tahap training, tahap
pengujian dan tahap prediksi. Tabel 1 merupakan
input data curah hujan tahun 1997 – 2008.
1997
106.8
96.9
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
1999
315
268.8
196.6
322
302.6
256.2
29.9
78.6
407.2
204.1
126.4
456.3
2000
59
86.7
182.2
115
60.3
191.1
121.9
342.6
451.1
367.5
108
173.6
2001
216.5
15.1
158
164.8
252.8
306.7
121.3
417.6
395.7
733
467.6
342.5
2002
90.8
78.5
96.5
73.4
195.2
191.7
139.2
156.3
382.5
363.8
164.3
102.2
2003
169.4
85.7
162.6
285.3
245.7
196.3
312.1
282
561.5
471.9
125.4
187.7
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
v4
v5
v6
x8
Gambar 1. Desain Backpropagation Neural
Network
186
3.
Tabel 1(a). Data Input Tahun 1997 sampai
2004 dengan Target 2005
x1
x5
g. Pengenalan pola (pelatihan)
Pengenalan pola dilakukan dengan cara
penyesuaian
nilai
bobot.
Penghentian
penyesuaian bobot dalam pengenalan pola
apabila error yang dihasilkan 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
yang dihasilkan mencapai target error.
h. Pengujian dan prediksi
Pengujian
dilakukan
bertujuan
untuk
mengetahui tingkat keakuratan sistem JST
yang telah dibuat dalam memprediksi data
curah hujan pada tahun tertentu. Sedangkan
prediksi bertujuan untuk memprediksi data
curah hujan yang akan datang.
Tabel 1(b). Data Input Tahun 1998 sampai
2005 dengan Target 2006
1998
181
50.2
29,4
35.3
133.5
144.6
213
381
170.8
340.3
275.8
394.2
1999
315
268.8
196.6
322
302.6
256.2
29.9
78.6
407.2
204.1
126.4
456.3
2000
59
86.7
182.2
115
60.3
191.1
121.9
342.6
451.1
367.5
108
173.6
2001
216.5
15.1
158
164.8
252.8
306.7
121.3
417.6
395.7
733
467.6
342.5
2002
90.8
78.5
96.5
73.4
195.2
191.7
139.2
156.3
382.5
363.8
164.3
102.2
2003
169.4
85.7
162.6
285.3
245.7
196.3
312.1
282
561.5
471.9
125.4
187.7
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
2006
103.9
130.5
121.2
225.5
300.5
251.4
109.1
148.3
385.6
271.4
148.4
346.6
Seminar Nasional Informatika 2014
Tabel 1(c). Data Input Tahun 1999 sampai
2006 dengan Target 2007
1999
315
268.8
196.6
322
302.6
256.2
29.9
78.6
407.2
204.1
126.4
456.3
2000
59
86.7
182.2
115
60.3
191.1
121.9
342.6
451.1
367.5
108
173.6
2001
216.5
15.1
158
164.8
252.8
306.7
121.3
417.6
395.7
733
467.6
342.5
2002
90.8
78.5
96.5
73.4
195.2
191.7
139.2
156.3
382.5
363.8
164.3
102.2
2003
169.4
85.7
162.6
285.3
245.7
196.3
312.1
282
561.5
471.9
125.4
187.7
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
2006
103.9
130.5
121.2
225.5
300.5
251.4
109.1
148.3
385.6
271.4
148.4
346.6
Tabel 2(b). Data Hasil Normalisasi Tahun 1998
sampai 2005 dengan Target 2006
2007
169.6
8.6
62.3
277.2
330.2
99.4
261.6
153.4
256.5
303.3
374.1
218.4
Tabel 1(d). Data Input Tahun 2000 sampai
2007 dengan Target 2008
2000
59
86.7
182.2
115
60.3
191.1
121.9
342.6
451.1
367.5
108
173.6
2001
216.5
15.1
158
164.8
252.8
306.7
121.3
417.6
395.7
733
467.6
342.5
2002
90.8
78.5
96.5
73.4
195.2
191.7
139.2
156.3
382.5
363.8
164.3
102.2
2003
169.4
85.7
162.6
285.3
245.7
196.3
312.1
282
561.5
471.9
125.4
187.7
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
2006
103.9
130.5
121.2
225.5
300.5
251.4
109.1
148.3
385.6
271.4
148.4
346.6
2007
169.6
8.6
62.3
277.2
330.2
99.4
261.6
153.4
256.5
303.3
374.1
218.4
2008
126.7
16.2
126.8
146
172.5
62
276.8
195.7
294.8
342.2
412.5
245.7
Sebelum diproses data-data input tersebut
akan dinormalisasi. Normalisasi terhadap data
dilakukan agar keluaran jaringan sesuai dengan
fungsi aktivasi yang digunakan. Data-data
tersebut dinormalisasi dalam interval [0, 1] karena
dalam prediksi curah hujan, nilai curah hujan
pasti 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 hendaknya dilakukan pada
interval yang lebih kecil yaitu [0.1, 0.8],
ditunjukkan dengan persamaan (14).
(14)
a adalah data minimum, b adalah data maksimum,
x adalah data yang akan dinormalisasi dan x’
adalah data yang telah ditransformasi. Tabel 2
merupakan hasil normalisasi data input.
Tabel 2(a). Data Hasil Normalisasi Tahun 1997
sampai 2004 dengan Target 2005
1997
0.2078
0.1972
0.2389
0.2118
0.1798
0.2841
0.3399
0.1962
0.4114
0.5224
0.3836
0.2919
1998
0.2904
0.1459
0.123
0.1295
0.2379
0.2502
0.3257
0.5113
0.2791
0.4663
0.3951
0.5258
1999
0.4384
0.3874
0.308
0.4461
0.4247
0.3734
0.1235
0.1773
0.5402
0.3159
0.2301
0.5944
2000
0.1557
0.1863
0.2917
0.2175
0.1571
0.3015
0.2251
0.4689
0.5887
0.4964
0.2098
0.2822
2001
0.3296
0.1072
0.265
0.2725
0.3697
0.4292
0.2245
0.5517
0.5275
0.9
0.6069
0.4687
2002
0.1908
0.1772
0.1971
0.1716
0.3061
0.3022
0.2442
0.2631
0.5129
0.4923
0.2719
0.2034
2003
0.2776
0.1851
0.2701
0.4056
0.3618
0.3072
0.4352
0.4019
0.7106
0.6117
0.229
0.2978
2004
0.2438
0.3123
0.3532
0.1882
0.1656
0.3119
0.3189
0.3161
0.6154
0.5074
0.2464
0.2743
2005
0.2993
0.139
0.1595
0.2763
0.344
0.2827
0.3233
0.2514
0.4113
0.2843
0.3184
0.4344
1998
0.2904
0.1459
0.123
0.1295
0.2379
0.2502
0.3257
0.5113
0.2791
0.4663
0.3951
0.5258
1999
0.4384
0.3874
0.308
0.4461
0.4247
0.3734
0.1235
0.1773
0.5402
0.3159
0.2301
0.5944
2000
0.1557
0.1863
0.2917
0.2175
0.1571
0.3015
0.2251
0.4689
0.5887
0.4964
0.2098
0.2822
2001
0.3296
0.1072
0.265
0.2725
0.3697
0.4292
0.2245
0.5517
0.5275
0.9
0.6069
0.4687
2002
0.1908
0.1772
0.1971
0.1716
0.3061
0.3022
0.2442
0.2631
0.5129
0.4923
0.2719
0.2034
2003
0.2776
0.1851
0.2701
0.4056
0.3618
0.3072
0.4352
0.4019
0.7106
0.6117
0.229
0.2978
2004
0.2438
0.3123
0.3532
0.1882
0.1656
0.3119
0.3189
0.3161
0.6154
0.5074
0.2464
0.2743
2005
0.2993
0.139
0.1595
0.2763
0.344
0.2827
0.3233
0.2514
0.4113
0.2843
0.3184
0.4344
2006
0.2052
0.2346
0.2244
0.3362
0.4224
0.3682
0.211
0.2543
0.5163
0.3902
0.2544
0.4733
Tabel 2(c). Data Hasil Normalisasi Tahun 1999
sampai 2006 dengan Target 2007
1999
0.4384
0.3874
0.308
0.4461
0.4247
0.3734
0.1235
0.1773
0.5402
0.3159
0.2301
0.5944
2000
0.1557
0.1863
0.2917
0.2175
0.1571
0.3015
0.2251
0.4689
0.5887
0.4964
0.2098
0.2822
2001
0.3296
0.1072
0.265
0.2725
0.3697
0.4292
0.2245
0.5517
0.5275
0.9
0.6069
0.4687
2002
0.1908
0.1772
0.1971
0.1716
0.3061
0.3022
0.2442
0.2631
0.5129
0.4923
0.2719
0.2034
2003
0.2776
0.1851
0.2701
0.4056
0.3618
0.3072
0.4352
0.4019
0.7106
0.6117
0.229
0.2978
2004
0.2438
0.3123
0.3532
0.1882
0.1656
0.3119
0.3189
0.3161
0.6154
0.5074
0.2464
0.2743
2005
0.2993
0.139
0.1595
0.2763
0.344
0.2827
0.3233
0.2514
0.4113
0.2843
0.3184
0.4344
2006
0.2052
0.2346
0.2244
0.3362
0.4224
0.3682
0.211
0.2543
0.5163
0.3902
0.2544
0.4733
2007
0.2778
0.1
0.1593
0.3966
0.4552
0.2003
0.3794
0.2599
0.3738
0.4255
0.5036
0.3317
Tabel 2(d). Data Hasil Normalisasi Tahun 2000
sampai 2007 dengan Target 2008
2000
0.1557
0.1863
0.2917
0.2175
0.1571
0.3015
0.2251
0.4689
0.5887
0.4964
0.2098
0.2822
2001
0.3296
0.1072
0.265
0.2725
0.3697
0.4292
0.2245
0.5517
0.5275
0.9
0.6069
0.4687
2002
0.1908
0.1772
0.1971
0.1716
0.3061
0.3022
0.2442
0.2631
0.5129
0.4923
0.2719
0.2034
2003
0.2776
0.1851
0.2701
0.4056
0.3618
0.3072
0.4352
0.4019
0.7106
0.6117
0.229
0.2978
2004
0.2438
0.3123
0.3532
0.1882
0.1656
0.3119
0.3189
0.3161
0.6154
0.5074
0.2464
0.2743
2005
0.2993
0.139
0.1595
0.2763
0.344
0.2827
0.3233
0.2514
0.4113
0.2843
0.3184
0.4344
2006
0.2052
0.2346
0.2244
0.3362
0.4224
0.3682
0.211
0.2543
0.5163
0.3902
0.2544
0.4733
2007
0.2778
0.1
0.1593
0.3966
0.4552
0.2003
0.3794
0.2599
0.3738
0.4255
0.5036
0.3317
2008
0.2304
0.1084
0.2305
0.2517
0.281
0.159
0.3962
0.3066
0.4161
0.4684
0.5461
0.3618
Setelah data dinormalisasi, maka akan di
generate nilai bobot input ke hidden awal, bias
input ke hidden, bobot hidden ke output, dan bias
hidden ke output. Data bobot digenerate secara
acak antara 0 sampai dengan 1. Tabel 3
menunjukkan hasil generate nilai bobot.
Tabel 3. Hasil generate Nilai Bobot
Bobot Input Ke Hidden Awal
0.3528 0.2667
0.2898
0.1448
0.007
0.3804
0.4072
0.3545
0.4313 0.3952
0.1868
0.481
0.4748 0.182
0.2624
0.3836
0.2344 0.1491
0.3113
0.3239
0.4149 0.4123
0.2946
0.493
0.3476 0.49
0.122
0.2669
0.3381 0.0079
0.2876
0.05
Bias Input Ke Hidden
0.1422 0.0228
0.1479
0.191
Bobot Hidden ke Output
0.4899 0.2007
0.1391
0.0802
Bias Hidden ke Output
0.367
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
0.3994
0.1505
0.4743
0.0814
0.3233
Tahap selanjutnya adalah trainning. Proses
training dilakukan sampai error yang dihasilkan
sesuai atau lebih kecil dari target error. Gambar 2
merupakan grafik penurunan kuadrat error hasil
187
Seminar Nasional Informatika 2014
training dengan target error 0.01 dan jumlah
hidden layer 6.
Tabel 5(b). Hasil Pengujian dengan Target
Error 0.008
Jumlah
Hidden
5
6
7
8
Kuadrat
Error
0.0079
0.0079
0.0079
0.0079
Iterasi
Akurasi
160
186
218
241
42.79 %
42.35 %
41 %
41.21 %
Tabel 5(c). Hasil Pengujian dengan Target
Error 0.0072
Gambar 2. Grafik Penurunan Kuadrat Error
Pada gambar 1 dapat dilihat bahwa penurunan
kuadrat error berhenti dan mencapai target error
0.01 dengan jumlah iterasi sebanyak 66. Proses
trainning akan memperbaiki bobot nilai random.
Hasil bobot yang telah diperbaiki melalui proses
training ditunjukkan pada tabel 4. Pada tabel 4
dapat dilihat bahwa semua nilai bobot telah
berubah.
Tabel 4. Nilai Bobot Hasil Training
Bobot Input Ke Hidden Hasil Training
0.375
0.2489
0.243
0.0915
0.0151
0.507
0.5646
0.385
0.3017
-0.555
0.797
0.5195
0.149
0.4197
-0.04
0.764
0.2667
0.216
0.3144
-0.367
0.493
0.222
0.264
0.2557
-0.234
0.58
0.4521
0.253
0.436
0.1868
0.518
0.535
0.083
0.2135
-0.219
0.594
0.088
0.249
-0.006
-0.31
Bias Input Ke Hidden Hasil Training
-0.29
-0.205
0.02
0.0784
0.1885
Bobot Hidden Ke Output Hasil Training
1.086
0.6341
0.238
0.2438
-0.986
Bias Hidden Ke Output Hasil Training
-1.67
0.3219
0.0807
-0.0942
0.1891
0.0355
0.0288
0.4158
0.2963
0.3498
-0.1135
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 – 2012 digunakan
sebagai data pengujian. Pengujian dilakukan
dengan memvariasikan jumlah hidden layer dan
memvariasikan nilai target error. Hasil pengujian
dapat dilihat pada tabel 5.
Tabel 5(a). Hasil Pengujian dengan Target
Error 0.01
Jumlah
Kuadrat Iterasi
Akurasi
Hidden
Error
5
0.0099
70
26.44 %
6
0.0099
66
26.27 %
7
0.0099
62
22.48 %
8
0.0099
76
21.71 %
188
Jumlah
Hidden
5
6
7
8
Kuadrat
Error
0.0072
0.0072
0.0072
0.0072
Iterasi
Akurasi
4500
4500
2000
3000
43.27 %
43.21 %
42.88 %
43.4 %
Pada tabel 5(a), dapat dilihat bahwa
pengujian dengan jumlah hidden 5 memiliki
akurasi yang lebih baik dari pada pengujian
menggunakan hidden 6, 7, dan 8 yaitu 26.44%
dan jumlah iterasi sebanyak 70. Pada tabel 5(b),
pengujian dengan jumlah hidden 5 memiliki nilai
akurasi yang lebih baik dari pada pengujian
menggunakan hidden 6, 7, dan 8 yaitu 42.79%
dan jumlah iterasi sebanyak 160. Pada tabel 5(c),
pengujian dengan jumlah hidden 5 memiliki nilai
akurasi yang lebih baik dari pada pengujian
menggunakan hidden 6, 7, dan 8 yaitu 43.27%
dan jumlah iterasi sebanyak 4500. Dari ke-3 tabel
di atas dapat disimpulkan bahwa pengujian
dengan menggunakan hidden 5 dan target error
0.0072 memiliki nilai akurasi yang lebih baik
dibandingkan dengan pengujian lainnya yaitu
43.27%.
Pada tabel 5 dapat dilihat bahwa target error
yang berbeda akan menghasilkan jumlah iterasi
yang berbeda pula. Semakin kecil target error,
maka jumlah iterasi akan semakin besar. Pada
tabel 5 dapat dilihat juga bahwa jumlah hidden
yang berbeda maka jumlah iterasi juga berbeda.
Jumlah hidden layer yang lebih besar tidak selalu
menyebabkan jumlah iterasi meningkat.
Tahap terakhir yaitu melakukan prediksi
curah hujan untuk beberapa tahun berikutnya
dengan mengambil nilai akurasi tertinggi dari
hasil pengujian yaitu 43.27%. Tahap prediksi
curah hujan di kota Medan menggunakan metode
backpropagation neural network menggunakan
data Input Tahun 2005 sampai 2012. Hasil
prediksi curah hujan di kota Medan dapat dilihat
pada tabel 6.
Seminar Nasional Informatika 2014
Tabel 6. Hasil Prediksi Curah hujan di Kota
Medan
5. Pada hasil prediksi rata-rata curah hujan
tertinggi pada tahun 2013 terjadi pada bulan 5
yaitu 315.8.
Tahun
Bulan
1
2
3
4
5
6
7
8
9
10
11
12
Daftar Pustaka
2013
2014
2015
2016
2017
122.7
108.3
153.2
211.4
315.8
138.3
189.1
154.4
254.3
290
224.3
238
143
86.4
141
195.9
281.4
110.1
225.9
157.5
227.2
264.2
289
196.2
153
98.9
176.5
163
227.6
117.4
197.5
196.9
239.8
244.2
228.6
162.6
168.9
109.7
204.1
158.7
231.8
133.2
175.9
247.2
208.3
214.6
172.9
129.3
154.3
104
179.2
143.4
170
143.9
173
249.4
162.5
211.9
197.8
160.4
Pada tabel 6 dapat dilihat bahwa rata-rata
curah hujan tertinggi pada tahun 2013 terjadi pada
bulan 5, tahun 2014 terjadi pada bulan 11, tahun
2015 terjadi pada bulan 10, tahun 2016 terjadi
pada bulan 8, dan tahun 2017 terjadi pada bulan
8.
4.
[1]
[2]
[3]
[4]
Kesimpulan
Dari hasil penelitian dapat diambil beberapa
kesimpulan antara lain:
1. Pengujian dengan hidden 5 memiliki akurasi
yang lebih baik dibandingkan dengan hidden
6, 7, dan 8.
2. Nilai akurasi tertinggi di dapat dari pengujian
data dengan jumlah hidden 5 dan target error
0.0072 yaitu 43.27 %.
3. Target error yang berbeda akan menghasilkan
jumlah iterasi yang berbeda pula. Semakin
kecil target error, maka jumlah iterasi akan
semakin besar.
4. Jumlah hidden yang berbeda maka jumlah
iterasi juga berbeda. Jumlah hidden layer yang
lebih besar tidak selalu menyebabkan jumlah
iterasi meningkat.
[5]
[6]
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,
Volume 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.
Pai, Maya L., et al, 2014, Long Range
Forecast on South West Monsoon Rainfall
using Artificial Neural Networks based on
Clustering Approach, I.J. Information
Technology and Computer Science, 2014,
07, 1-8.
Pratiwi, Dian, et al, (2011), An Application
Of Backpropagation Artificial Neural
Network Method for Measuring The
Severity of Osteoarthritis, International
Journal of Engineering & Technology IJETIJENS, Vol: 11 No: 03.
Sutojo, T., et al, 2010, Kecerdasan Buatan,
Yogyakarta: Andi Offset.
189