Prediksi Potensi Debit Berdasarkan Data Curah Hujan Maksimum Bulanan Dengan Metode Jaringan Syaraf Tiruan Backpropogation di Daerah Aliran Sungai (DAS) Deli Chapter III V

BAB III
METODOLOGI PENELITIAN
III.1 DIAGRAM ALUR (FLOWCHART)
Dalam tugas akhir ini metode penelitian di gunakan adalah metode
kuantitatif deskritif, yaitu perhitungan data yang kemudian dijabarkan. Dimulai
dari pengumpulan data, pengolahan data, dan analisa data. Data yang dipakai
adalah data yang ambil dari hasil peninjauan lokasi dan data yang telah diperoleh
dari instansi lain yang terkait.

Universitas Sumatera Utara

Mulai

Studi Literatur

Pengumpulan Data

Data Instansi

Praproses Data

Pengolahan DAS dengan Program Artificial Neural Network

Korelasi

Reliabilitas

Kesimpulan Dan Saran

Selesai

Gambar 3.1 Diagram Flowchart

Universitas Sumatera Utara

III.2 PENGEMBANGAN MODEL ARTIFICIAL NEURAL NETWORK
Sebelumnya, nomor neuron lapisan input adalah 8 dan neuron lapisan output
adalah 1. Fungsi aktivasi yang digunakan adalah fungsi aktivasi tangent sigmoid
untuk neuron hidden layer dan fungsi aktivasi linier untuk output layer. Data
input dan output telah di normalisasi antara -1 dan 1 untuk meningkatkan
keberhasilan dari jaringan.

Dalam rangka menginvestigasi nilai optimum dari neuron hidden layer,
kemampuan penyamarataan jaringan telah diperkirakan. Berdasarkan pelatihan
error yang berbeda pada setiap jaringan, dengan sebuah nilai yang ditetapkan
pada hidden layer. Pada penelitian ini ditetapkan neuron 3, 6, 8 dan 10 yang
digunakan pada hidden layer..
Nilai optimum pada hidden layer didapatkan dengan cara men-train data input,
data output, dan memasukkan nilai – nilai parameter yang telah ditentukan.
Terdapat dua parameter yang digunakan, yaitu:
1. Parameter untuk membuat jaringan.
Yang terdiri dari:
 Tipe Jaringan (network type)
 Fungsi Pelatihan (training function)
 Fungsi Penyesuaian (adaption learning function)
 Fungsi Hasil (performance function)
 Nomor Lapisan (number of layers)
 Bagian (properties for)
 Nomor neuron (number of neurons)
 Fungsi Aktivasi (transfer function)
2. Parameter untuk melatih jaringan.
Yang terdiri dari:








Show Window
Show Command Line
Show
Epochs
Time
Goal

Universitas Sumatera Utara

 Min. Grad
 Max. Fail
 Mu
 Mu dec

 Mu inc
 Mu max
Nilai – nilai yang digunakan pada parameter tersebut dibagi 2, yaitu dengan nilai
asumsi yang mengarah ke pengurangan tingkat error dan nilai default yang
memang sudah ada pada program.
Pengolahan data dilakukan dengan menggunakan parameter-parameter
yang akan mengarah pada pengurangan tingkat error. Karena semakin kecil
tingkat error yang terjadi akan membuat hasil prediksi semakin mendekati nilai
aktualnya dan kinerjanya semakin bagus.
Untuk lebih jelasnya mengenai pemakaian dan proses pengerjaan Artificial
Neural Network terhadap stabilitas marshall, akan dibahas pada bab selanjutnya.

Universitas Sumatera Utara

BAB IV
HASIL DAN PEMBAHASAN

IV.1 PERHITUNGAN DEBIT HUJAN DENGAN PROGRAM ARTIFICIAL
NEURAL NETWORK
Dalam bab ini akan dilakukan perhitungan debit hujan dengan menggunakan

program Artificial Neural Network. Perhitungan debit hujan ini akan
menggunakan langkah-langkah perhitungan yang berdasarkan proses pengelolaan
data pada program Artificial Neural Network. Data dikelola dengan menggunakan
berbagai macam jenis nilai neuron yang terdapat pada Hidden Layerdan berbagai
jenis parameter fungsi dan nilai.
IV.1.1 Variasi Parameter Untuk Desain Artificial Neural Network
Dalam perencanaan ini ada beberapa parameter desain yang divariasikan
yaitu berupa parameter untuk membuat jaringan dan parameter nilai untuk melatih
jaringan. Sebelum data di input dan target yang diimplementasikan ke dalam
jaringan saraf tiruan harus terlebih dahulu memasukkan nilai parameterparameternya.Definisi dari parameter-parameter tersebut telah dijelaskan pada
Bab sebelumnya, pada Bab II. Adapun parameter-parameter beserta nilaiyang
digunakan baik dalam keadaan default maupun dalam keadaan penyesuaian
jaringan, yaitu:
1. Parameter untuk membuat jaringan.
 Tipe Jaringan (Network Type)
Pada penelitian ini digunakan tipe jaringan feed forward backpropagation.

 Fungsi Pelatihan (Training Function)

Universitas Sumatera Utara

Pada penelitian ini digunakan fungsi pelatihan trainlmatau train Levenberg
Marquardt Backpropagation.
 Fungsi Penyesuaian Pembelajaran (Adaption Learning Function)
Pada penelitian ini digunakan fungsi penyesuaian pembelajaran LEARNGDM.
 Fungsi Hasil (Performance Function)
Pada penelitian ini digunakan fungsi MSE (Mean Square Error)
 Nomor pada lapisan (Number of Layers)
Pada penelitian ini digunakan nomor pada lapisan 1.
 Bagian (Properties for)
Pada penelitian ini digunakan bagian pada Layer 1.
 Nomor pada neuron (Number of neuron)
Pada penelitian ini digunakan neuron yang bervariasi, yaitu neuron 3, 6, 8 dan 10.
 Fungsi Aktivasi (Transfer function)
Pada penelitian ini digunakan tangent sigmoid
2. Parameter nilai untuk melatih jaringan.
 Show
Pada penelitian ini digunakan nilai 20.
 Epochs
Pada penelitian ini digunakan nilai epochs 1000.

 Goal
Pada penelitian ini digunakan nilai goal 0,001.
 Min_grad
Pada penelitian ini digunakan minimum gradient 1e-05.
 Max_fail
Pada penelitian ini digunakan maximum fail 100.
 Mu
Pada penelitian ini digunakan nilai mu yang bervariasi yang akan ditampilkan
pada proses pengolahan data.
 Mu_dec
Pada penelitian ini digunakan nilai mu_dec yang bervariasi yang akan ditampilkan
pada proses pengolahan data.

Universitas Sumatera Utara

 Mu_inc
Pada penelitian ini digunakan nilai mu_inc yang bervariasi yang akan ditampilkan
pada proses pengolahan data.
 Mu_max
Pada penelitian ini digunakan mu_max 10.000.000.000.

IV.2 PERHITUNGAN DATA CURAH HUJAN KAWASAN
Berikut ini luas areal pengaruh stasiun hujan Daerah Aliran Sungai Babura
No. Nama Stasiun Penakar Curah Hujan
1
Stasiun Polonia
2
Stasiun Tuntungan
3
Stasiun Patumbak
Luas Total

Luas Areal
10,9 Km2
84,06 Km2
0, 043 Km2
95,00 Km2

Sumber: Hasil Analisis

Mempersiapkan data curah hujan untuk prediksi.Pada contoh ini digunakan data

rata-rata curah hujan tiap bulan di daerah sungai Babura pada tahun 2008 s.d
2010.Pada algoritma jaringan syaraf tiruan propogasi balik ini digunakan fungsi
aktivitas sigmoid biner dimana fungsi ini bernilai antara 0 s.d 1.Namun fungsi
sigmoid biner tersebut tidak pernah mencapai 0 maupun 1. Oleh sebab itu, data
curah hujan perlu dinormalisasikan terlebih dahulu salah satu conthnya ke dalam
range 0,1 s.d 0,9 menggunakan persamaan berikut ini.

Keterangan :

�′ =

0,8 (� − �)
+ 0,1 … ��������� (4.2.1)
(� − �)

X’ = data hasil normalisasi
X = data asli/data awal
a = nilai maksimum data asli
b = nilai minimum data asli
Tabel 4.2.1. Curah Hujan Harian

Stasiun

: Polonia

Koordinat

: (3,567069 LU ; 98,683367 BT)

Universitas Sumatera Utara

TAHUN
2008
2009
2010

Jan
170
189
217

Feb
86
131
201

Mar
158
163
238

Apr
223
277
285

Mei
253
301
330

Jun Jul Agt Sep
226 262 282 396
251 277 382 475
307 312 418 532

Okt Nov
378 374
472 413
733 468

Des
311
343
347

DATA LATIH ALGORITMA ANN

P
O
L
A
1

2

3

4

5

6

7

8

9

1
0
1
1

X1

X2

X3

X4

X5

X6

X7

X8

X9

X10 X11 X12 TA
RG
ET

0,2
779
01
0,1
850
83
0,2
646
41
0,3
364
64
0,3
696
13
0,3
397
79
0,3
795
58
0,4
016
57
0,5
276
24
0,5
077
35
0,5
033
15

0,1
850
83
0,2
646
41
0,3
364
64
0,3
696
13
0,3
397
79
0,3
795
58
0,4
016
57
0,5
276
24
0,5
077
35
0,5
033
15
0,4
337
02

0,2
646
41
0,3
364
64
0,3
696
13
0,3
397
79
0,3
795
58
0,4
016
57
0,5
276
24
0,5
077
35
0,5
033
15
0,4
337
02
0,2
988
95

0,3
364
64
0,3
696
13
0,3
397
79
0,3
795
58
0,4
016
57
0,5
276
24
0,5
077
35
0,5
033
15
0,4
337
02
0,2
988
95
0,2
348
07

0,3
696
13
0,3
397
79
0,3
795
58
0,4
016
57
0,5
276
24
0,5
077
35
0,5
033
15
0,4
337
02
0,2
988
95
0,2
348
07
0,2
701
66

0,3
397
79
0,3
795
58
0,4
016
57
0,5
276
24
0,5
077
35
0,5
033
15
0,4
337
02
0,2
988
95
0,2
348
07
0,2
701
66
0,3
961
33

0,37
955
801
0,40
165
746
0,52
762
431
0,50
773
481
0,50
331
492
0,43
370
166
0,29
889
503
0,23
480
663
0,27
016
575
0,39
613
26
0,42
265
193

0,4
016
57
0,5
276
24
0,5
077
35
0,5
033
15
0,4
337
02
0,2
988
95
0,2
348
07
0,2
701
66
0,3
961
33
0,4
226
52
0,3
674
03

0,5
276
24
0,5
077
35
0,5
033
15
0,4
337
02
0,2
988
95
0,2
348
07
0,2
701
66
0,3
961
33
0,4
226
52
0,3
674
03
0,3
961
33

0,5
077
35
0,5
033
15
0,4
337
02
0,2
988
95
0,2
348
07
0,2
701
66
0,3
961
33
0,4
226
52
0,3
674
03
0,3
961
33
0,5
121
55

0,5
033
15
0,4
337
02
0,2
988
95
0,2
348
07
0,2
701
66
0,3
961
33
0,4
226
52
0,3
674
03
0,3
961
33
0,5
121
55
0,6
149
17

0,4
337
02
0,2
988
95
0,2
348
07
0,2
701
66
0,3
961
33
0,4
226
52
0,3
674
03
0,3
961
33
0,5
121
55
0,6
149
17
0,6
116
02

0,2
988
95
0,2
348
07
0,2
701
66
0,3
961
33
0,4
226
52
0,3
674
03
0,3
961
33
0,5
121
55
0,6
149
17
0,6
116
02
0,5
464
09

Universitas Sumatera Utara

0,4 0,2 0,2 0,2 0,3 0,4
337 988 348 701 961 226
02
95 07 66 33 52
DATA UJI ALGORITMA ANN

0,36 0,3 0,5 0,6 0,6 0,5 0,4
740 961 121 149 116 464 690
331 33 55 17 02 09 61

P
O
L
A
1

1
2

X1

0,2
988
95
2 0,2
348
07
3 0,2
701
66
4 0,3
961
33
5 0,4
226
52
6 0,3
674
03
7 0,3
961
33
8 0,5
121
55
9 0,6
149
17
10 0,6
116
02
11 0,5
464
09
12 0,4
690
61

X2

X3

X4

X5

X6

X7

X8

X9

X1
0

X1
1

X1
2

TA
RG
ET

0,2
348
07
0,2
701
66
0,3
961
33
0,4
226
52
0,3
674
03
0,3
961
33
0,5
121
55
0,6
149
17
0,6
116
02
0,5
464
09
0,4
690
61
0,3
298
34

0,2
701
66
0,3
961
33
0,4
226
52
0,3
674
03
0,3
961
33
0,5
121
55
0,6
149
17
0,6
116
02
0,5
464
09
0,4
690
61
0,3
298
34
0,3
121
55

0,3
961
33
0,4
226
52
0,3
674
03
0,3
961
33
0,5
121
55
0,6
149
17
0,6
116
02
0,5
464
09
0,4
690
61
0,3
298
34
0,3
121
55
0,3
530
39

0,4
226
52
0,3
674
03
0,3
961
33
0,5
121
55
0,6
149
17
0,6
116
02
0,5
464
09
0,4
690
61
0,3
298
34
0,3
121
55
0,3
530
39
0,4
049
72

0,3
674
03
0,3
961
33
0,5
121
55
0,6
149
17
0,6
116
02
0,5
464
09
0,4
690
61
0,3
298
34
0,3
121
55
0,3
530
39
0,4
049
72
0,4
546
96

0,39
613
26
0,51
215
47
0,61
491
713
0,61
160
221
0,54
640
884
0,46
906
077
0,32
983
425
0,31
215
47
0,35
303
867
0,40
497
238
0,45
469
613
0,42
928
177

0,5
121
55
0,6
149
17
0,6
116
02
0,5
464
09
0,4
690
61
0,3
298
34
0,3
121
55
0,3
530
39
0,4
049
72
0,4
546
96
0,4
292
82
0,4
348
07

0,6
149
17
0,6
116
02
0,5
464
09
0,4
690
61
0,3
298
34
0,3
121
55
0,3
530
39
0,4
049
72
0,4
546
96
0,4
292
82
0,4
348
07
0,5
519
34

0,6
116
02
0,5
464
09
0,4
690
61
0,3
298
34
0,3
121
55
0,3
530
39
0,4
049
72
0,4
546
96
0,4
292
82
0,4
348
07
0,5
519
34
0,6
779
01

0,5
464
09
0,4
690
61
0,3
298
34
0,3
121
55
0,3
530
39
0,4
049
72
0,4
546
96
0,4
292
82
0,4
348
07
0,5
519
34
0,6
779
01

0,4
690
61
0,3
298
34
0,3
121
55
0,3
530
39
0,4
049
72
0,4
546
96
0,4
292
82
0,4
348
07
0,5
519
34
0,6
779
01

0,3
298
34
0,3
121
55
0,3
530
39
0,4
049
72
0,4
546
96
0,4
292
82
0,4
348
07
0,5
519
34
0,6
779
01

0,9
0,6
071
0,9 82

0,9
0,6
071
82
0,4
734
81

Universitas Sumatera Utara

IV.3.

PROSES

RUNNING

PROGRAM

ARTIFICIAL

NEURAL

NETWORK
Dalam proses running program neural network, dilaksanakan sebanyak 4 variasi
neuron. Untuk menentukan nilai optimum dari tiap neuron hidden layer, neuron 3
telah dipilih. Untuk menginvestigasi nilai optimum tersebut, dilakukan dengan
cara pelatihan error yang berbeda pada setiap jaringan. Berikut langkah-langkah
pengolahan data dengan menggunakan nilai optimum pada neuron 3.
IV.3.1 Tabel Hasil Simulasi Artificial Neural Network
Tingkat keakuratan hasil kinerja Neural Network dilihat dari nilai
regression tertinggi pada tiap neuron yang telah diolah, kemudian dipilih nilai
yang tertinggi antar semua neuron tersebut. Maka hasil dari proses pengolahan
data pada neuron 3 ini, beserta nilai parameternya, dapat kita lihat secara ringkas

dan jelas pada tabel hasil simulasi berikut ini:

Universitas Sumatera Utara

Universitas Sumatera Utara

Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan
Tahun 2017 Untuk Wilayah Polonia

Berdasarkan hasil Grafik diatas maka dapat dilihat hasil prediksi dalam bentuk
table sebagai berikut :
TAHUN
Jan Feb Mar Apr Mei Jun Jul
Agt Sep Okt Nov Des
2017
700 500 750 750 1000 850 1100 1450 1600 1650 1450 1100

Stasiun

: Tuntungan

Koordinat

: (3,500244 LU ; 98,630518 BT)

TAHUN
2008
2009
2010

Jan
317
341
422

Feb
135
301
471

Mar
243
245
287

Apr
215
233
406

Mei
303
318
373

Jun Jul Agt Sep
230 274 249 538
322 288 303 543
382 315 354 605

Okt Nov
472 336
485 434
818 651

Des
364
381
470

Data Hasil Normalisasi

Jan
Feb
Mar
Apr
Mei
Jun
Jul
Agt
Sep
Okt
N
0,277901 0,185083 0,264641 0,336464 0,369613 0,339779 0,37955801 0,401657 0,527624 0,507735 0,50
0,298895 0,234807 0,270166 0,396133 0,422652 0,367403 0,3961326 0,512155 0,614917 0,611602 0,54
0,329834 0,312155 0,353039 0,404972 0,454696 0,429282 0,43480663 0,551934 0,677901
0,9
0,60
Sumber: Data Sekunder, BMKG Sampali

Universitas Sumatera Utara

DATA LATIH ALGORITMA ANN
P
O
L
A
1

X1

0,3
131
77

2
0,1
3 0,2
265
01
4 0,1
937
04
5 0,2
967
79
6 0,2
112
74
7 0,2
628
11
8 0,2
335
29
9 0,5
720
35
10 0,4
947
29
11 0,3
354
32
12 0,3
682
28

X2

X3

X4

X5

X6

X7

X8

X9

X1
0

X1
1

X1
2

TA
RG
ET

0,1
0,2
265
01
0,1
937
04
0,2
967
79
0,2
112
74
0,2
628
11
0,2
335
29
0,5
720
35
0,4
947
29
0,3
354
32
0,3
682
28
0,3
412
88

0,2
265
01
0,1
937
04
0,2
967
79
0,2
112
74
0,2
628
11
0,2
335
29
0,5
720
35
0,4
947
29
0,3
354
32
0,3
682
28
0,3
412
88
0,2
944
36

0,1
937
04
0,2
967
79
0,2
112
74
0,2
628
11
0,2
335
29
0,5
720
35
0,4
947
29
0,3
354
32
0,3
682
28
0,3
412
88
0,2
944
36
0,2
288
43

0,2
967
79
0,2
112
74
0,2
628
11
0,2
335
29
0,5
720
35
0,4
947
29
0,3
354
32
0,3
682
28
0,3
412
88
0,2
944
36
0,2
288
43
0,2
147
88

0,2
112
74
0,2
628
11
0,2
335
29
0,5
720
35
0,4
947
29
0,3
354
32
0,3
682
28
0,3
412
88
0,2
944
36
0,2
288
43
0,2
147
88
0,3
143
48

0,2
628
11
0,2
335
29
0,5
720
35
0,4
947
29
0,3
354
32
0,3
682
28
0,3
412
88
0,2
944
36
0,2
288
43
0,2
147
88
0,3
143
48
0,3
190
34

0,2
335
29
0,5
720
35
0,4
947
29
0,3
354
32
0,3
682
28
0,3
412
88
0,2
944
36
0,2
288
43
0,2
147
88
0,3
143
48
0,3
190
34
0,2
792
09

0,5
720
35
0,4
947
29
0,3
354
32
0,3
682
28
0,3
412
88
0,2
944
36
0,2
288
43
0,2
147
88
0,3
143
48
0,3
190
34
0,2
792
09
0,2
967
79

0,4
947
29
0,3
354
32
0,3
682
28
0,3
412
88
0,2
944
36
0,2
288
43
0,2
147
88
0,3
143
48
0,3
190
34
0,2
792
09
0,2
967
79
0,5
778
92

0,3
354
32
0,3
682
28
0,3
412
88
0,2
944
36
0,2
288
43
0,2
147
88
0,3
143
48
0,3
190
34
0,2
792
09
0,2
967
79
0,5
778
92
0,5
099
56

0,3
682
28
0,3
412
88
0,2
944
36
0,2
288
43
0,2
147
88
0,3
143
48
0,3
190
34
0,2
792
09
0,2
967
79
0,5
778
92
0,5
099
56
0,4
502
2

0,3
412
88
0,2
944
36
0,2
288
43
0,2
147
88
0,3
143
48
0,3
190
34
0,2
792
09
0,2
967
79
0,5
778
92
0,5
099
56
0,4
502
2
0,3
881
41

Universitas Sumatera Utara

DATA UJI ALGORITMA ANN
P
O
L
A
1

X1

0,3
412
88
2 0,2
944
36
3 0,2
288
43
4 0,2
147
88
5 0,3
143
48
6 0,3
190
34
7 0,2
792
09
8 0,2
967
79
9 0,5
778
92
10 0,5
099
56
11 0,4
502
2
12 0,3
881
41

X2

X3

X4

X5

X6

X7

X8

X9

X1
0

X1
1

X1
2

TA
RG
ET

0,2
944
36
0,2
288
43
0,2
147
88
0,3
143
48
0,3
190
34
0,2
792
09
0,2
967
79
0,5
778
92
0,5
099
56
0,4
502
2
0,3
881
41
0,4
361
64

0,2
288
43
0,2
147
88
0,3
143
48
0,3
190
34
0,2
792
09
0,2
967
79
0,5
778
92
0,5
099
56
0,4
502
2
0,3
881
41
0,4
361
64
0,4
935
58

0,2
147
88
0,3
143
48
0,3
190
34
0,2
792
09
0,2
967
79
0,5
778
92
0,5
099
56
0,4
502
2
0,3
881
41
0,4
361
64
0,4
935
58
0,2
780
38

0,3
143
48
0,3
190
34
0,2
792
09
0,2
967
79
0,5
778
92
0,5
099
56
0,4
502
2
0,3
881
41
0,4
361
64
0,4
935
58
0,2
780
38
0,4
174
23

0,3
190
34
0,2
792
09
0,2
967
79
0,5
778
92
0,5
099
56
0,4
502
2
0,3
881
41
0,4
361
64
0,4
935
58
0,2
780
38
0,4
174
23
0,3
787
7

0,2
792
09
0,2
967
79
0,5
778
92
0,5
099
56
0,4
502
2
0,3
881
41
0,4
361
64
0,4
935
58
0,2
780
38
0,4
174
23
0,3
787
7
0,3
893
12

0,2
967
79
0,5
778
92
0,5
099
56
0,4
502
2
0,3
881
41
0,4
361
64
0,4
935
58
0,2
780
38
0,4
174
23
0,3
787
7
0,3
893
12
0,3
108
35

0,5
778
92
0,5
099
56
0,4
502
2
0,3
881
41
0,4
361
64
0,4
935
58
0,2
780
38
0,4
174
23
0,3
787
7
0,3
893
12
0,3
108
35
0,3
565
15

0,5
099
56
0,4
502
2
0,3
881
41
0,4
361
64
0,4
935
58
0,2
780
38
0,4
174
23
0,3
787
7
0,3
893
12
0,3
108
35
0,3
565
15
0,6
505
12

0,4
502
2
0,3
881
41
0,4
361
64
0,4
935
58
0,2
780
38
0,4
174
23
0,3
787
7
0,3
893
12
0,3
108
35
0,3
565
15
0,6
505
12

0,3
881
41
0,4
361
64
0,4
935
58
0,2
780
38
0,4
174
23
0,3
787
7
0,3
893
12
0,3
108
35
0,3
565
15
0,6
505
12

0,4
361
64
0,4
935
58
0,2
780
38
0,4
174
23
0,3
787
7
0,3
893
12
0,3
108
35
0,3
565
15
0,6
505
12

0,9
0,7
043
0,9 92

0,9
0,7
043
92
0,4
923
87

Universitas Sumatera Utara

Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan
Tahun 2017 Untuk Wilayah Tuntungan

Berdasarkan hasil Grafik diatas maka dapat dilihat hasil prediksi dalam bentuk
table sebagai berikut :
TAHUN
Jan Feb Mar Apr Mei Jun Jul Agt Sep Okt Nov Des
2017
700 480 450 420 600 620 480 690 1300 1400 1100 1000

Stasiun

: Patumbak

Koordinat

: (3,2727930 LU ; 98,433347 BT)

TAHUN
2008
2009
2010

Jan
132
158
276

Feb
47
71
85

Mar
140
149
225

Apr
155
181
187

Mei
198
214
252

Jun Jul Agt Sep
157 178 239 303
159 203 248 322
267 217 289 367

Okt Nov
346 247
409 255
581 369

Des
197
287
369

Data Hasil Normalisasi

Jan
Feb
Mar
Apr
Mei
Jun
Jul
Agt
Sep
Okt
No
0,227341
0,1 0,239326 0,261798 0,326217 0,264794 0,296255 0,38764 0,483521 0,54794 0,399
0,266292 0,135955 0,252809 0,300749 0,350187 0,26779 0,333708 0,401124 0,511985 0,642322 0,41
0,443071 0,156929 0,366667 0,309738 0,407116 0,429588 0,354682 0,462547 0,579401
0,9 0,582
Sumber: Data Sekunder, BMKG Sampali

Universitas Sumatera Utara

DATA LATIH ALGORITMA ANN
P
O
L
A
1

X1

0,2
774
7
2 0,1
596
19
3 0,2
885
62
4 0,3
093
59
5 0,3
689
77
6 0,3
121
32
7 0,3
412
48
8 0,4
258
23
9 0,5
145
58
10 0,5
741
77
11 0,4
369
15
12 0,3
675
91

X2

X3

X4

X5

X6

X7

X8

X9

X1
0

X1
1

X1
2

TA
RG
ET

0,1
596
19
0,2
885
62
0,3
093
59
0,3
689
77
0,3
121
32
0,3
412
48
0,4
258
23
0,5
145
58
0,5
741
77
0,4
369
15
0,3
675
91
0,3
135
18

0,2
885
62
0,3
093
59
0,3
689
77
0,3
121
32
0,3
412
48
0,4
258
23
0,5
145
58
0,5
741
77
0,4
369
15
0,3
675
91
0,3
135
18
0,1
928
94

0,3
093
59
0,3
689
77
0,3
121
32
0,3
412
48
0,4
258
23
0,5
145
58
0,5
741
77
0,4
369
15
0,3
675
91
0,3
135
18
0,1
928
94
0,3
010
4

0,3
689
77
0,3
121
32
0,3
412
48
0,4
258
23
0,5
145
58
0,5
741
77
0,4
369
15
0,3
675
91
0,3
135
18
0,1
928
94
0,3
010
4
0,3
454
07

0,3
121
32
0,3
412
48
0,4
258
23
0,5
145
58
0,5
741
77
0,4
369
15
0,3
675
91
0,3
135
18
0,1
928
94
0,3
010
4
0,3
454
07
0,3
911
61

0,3
412
48
0,4
258
23
0,5
145
58
0,5
741
77
0,4
369
15
0,3
675
91
0,3
135
18
0,1
928
94
0,3
010
4
0,3
454
07
0,3
911
61
0,3
149
05

0,4
258
23
0,5
145
58
0,5
741
77
0,4
369
15
0,3
675
91
0,3
135
18
0,1
928
94
0,3
010
4
0,3
454
07
0,3
911
61
0,3
149
05
0,3
759
1

0,5
145
58
0,5
741
77
0,4
369
15
0,3
675
91
0,3
135
18
0,1
928
94
0,3
010
4
0,3
454
07
0,3
911
61
0,3
149
05
0,3
759
1
0,4
383
02

0,5
741
77
0,4
369
15
0,3
675
91
0,3
135
18
0,1
928
94
0,3
010
4
0,3
454
07
0,3
911
61
0,3
149
05
0,3
759
1
0,4
383
02
0,5
409
01

0,4
369
15
0,3
675
91
0,3
135
18
0,1
928
94
0,3
010
4
0,3
454
07
0,3
911
61
0,3
149
05
0,3
759
1
0,4
383
02
0,5
409
01
0,6
615
25

0,3
675
91
0,3
135
18
0,1
928
94
0,3
010
4
0,3
454
07
0,3
911
61
0,3
149
05
0,3
759
1
0,4
383
02
0,5
409
01
0,6
615
25
0,4
480
07

0,3
135
18
0,1
928
94
0,3
010
4
0,3
454
07
0,3
911
61
0,3
149
05
0,3
759
1
0,4
383
02
0,5
409
01
0,6
615
25
0,4
480
07
0,4
923
74

Universitas Sumatera Utara

DATA UJI ALGORITMA ANN
P
O
L
A
1

X1

0,3
135
18
2 0,1
928
94
3 0,3
010
4
4 0,3
454
07
5 0,3
911
61
6 0,3
149
05
7 0,3
759
1
8 0,4
383
02
9 0,5
409
01
10 0,6
615
25
11 0,4
480
07
12 0,4
923
74

X2

X3

X4

X5

X6

X7

X8

X9

X1
0

X1
1

X1
2

TA
RG
ET

0,1
928
94
0,3
010
4
0,3
454
07
0,3
911
61
0,3
149
05
0,3
759
1
0,4
383
02
0,5
409
01
0,6
615
25
0,4
480
07
0,4
923
74
0,4
771
23

0,3
010
4
0,3
454
07
0,3
911
61
0,3
149
05
0,3
759
1
0,4
383
02
0,5
409
01
0,6
615
25
0,4
480
07
0,4
923
74
0,4
771
23
0,2
123
05

0,3
454
07
0,3
911
61
0,3
149
05
0,3
759
1
0,4
383
02
0,5
409
01
0,6
615
25
0,4
480
07
0,4
923
74
0,4
771
23
0,2
123
05
0,4
064
12

0,3
911
61
0,3
149
05
0,3
759
1
0,4
383
02
0,5
409
01
0,6
615
25
0,4
480
07
0,4
923
74
0,4
771
23
0,2
123
05
0,4
064
12
0,3
537
26

0,3
149
05
0,3
759
1
0,4
383
02
0,5
409
01
0,6
615
25
0,4
480
07
0,4
923
74
0,4
771
23
0,2
123
05
0,4
064
12
0,3
537
26
0,4
438
47

0,3
759
1
0,4
383
02
0,5
409
01
0,6
615
25
0,4
480
07
0,4
923
74
0,4
771
23
0,2
123
05
0,4
064
12
0,3
537
26
0,4
438
47
0,4
646
45

0,4
383
02
0,5
409
01
0,6
615
25
0,4
480
07
0,4
923
74
0,4
771
23
0,2
123
05
0,4
064
12
0,3
537
26
0,4
438
47
0,4
646
45
0,3
953
21

0,5
409
01
0,6
615
25
0,4
480
07
0,4
923
74
0,4
771
23
0,2
123
05
0,4
064
12
0,3
537
26
0,4
438
47
0,4
646
45
0,3
953
21
0,4
951
47

0,6
615
25
0,4
480
07
0,4
923
74
0,4
771
23
0,2
123
05
0,4
064
12
0,3
537
26
0,4
438
47
0,4
646
45
0,3
953
21
0,4
951
47
0,6
032
93

0,4
480
07
0,4
923
74
0,4
771
23
0,2
123
05
0,4
064
12
0,3
537
26
0,4
438
47
0,4
646
45
0,3
953
21
0,4
951
47
0,6
032
93

0,4
923
74
0,4
771
23
0,2
123
05
0,4
064
12
0,3
537
26
0,4
438
47
0,4
646
45
0,3
953
21
0,4
951
47
0,6
032
93

0,4
771
23
0,2
123
05
0,4
064
12
0,3
537
26
0,4
438
47
0,4
646
45
0,3
953
21
0,4
951
47
0,6
032
93

0,9
0,6
060
0,9 66

0,9
0,6
060
66
0,6
060
66

Universitas Sumatera Utara

Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan
Tahun 2017 Untuk Wilayah Patumbak

Berdasarkan hasil Grafik diatas maka dapat dilihat hasil prediksi dalam bentuk
table sebagai berikut :
TAHUN
Jan Feb Mar Apr Mei Jun Jul Agt Sep Okt Nov Des
2017
800 300 800 780 790 800 900 1100 1300 1805 1205 1100

Berdasarkan Hasil prediksi debit curah hujan 2017 - 2020 dengan menggunakan
metode Jaringan Syaraf Tiruan Backpropagation adalah sebagai berikut :
TAHUN
2017

Jan
700

Feb
500

Mar
750

Apr Mei Jun Jul
Agt Sep Okt Nov Des
750 1000 850 1100 1450 1600 1650 1450 1100

TAHUN
2018

Jan
700

Feb
480

Mar
450

Apr
420

Mei
600

Jun Jul Agt Sep Okt Nov Des
620 480 690 1300 1400 1100 1000

TAHUN
2019

Jan
800

Feb
300

Mar
800

Apr
780

Mei
790

Jun Jul Agt Sep Okt Nov Des
800 900 1100 1300 1805 1205 1100

Universitas Sumatera Utara

Stasiun

: Polonia

Koordinat

: (3,567069 LU ; 98,683367 BT)

TAHUN
2009
2010
2017

Jan
189
217
700

Feb
131
201
500

Mar
163
238
750

Apr Mei
277 301
285 330
750 1000

Jun Jul
Agt Sep Okt Nov Des
251 277 382 475 472 413 343
307 312 418 532 733 468 347
850 1100 1450 1600 1650 1450 1100

Data Hasil Normalisasi

Jan
Feb
Mar
Apr
Mei
Jun
Jul
Agt
Sep
Okt
No
0,140138
0,1 0,135986 0,15075 0,165975
0,1406
0,1609 0,181661 0,215802 0,25594 0,184
0,194579 0,106459 0,17105 0,153518 0,183506 0,190427 0,167359 0,200577 0,236563 0,335294 0,237
0,436332 0,205652 0,436332 0,427105 0,431719 0,436332 0,482468 0,57474 0,667013
0,9
0,623
Sumber: Data Sekunder, BMKG Sampali

DATA LATIH ALGORITMA ANN
P
O
L
A
1

X1

0,3
131
77

2

3

4

5

6

7

0,1
0,2
265
01
0,1
937
04
0,2
967
79
0,2
112
74
0,2
628
11

X2

X3

X4

X5

X6

X7

X8

X9

X1
0

X1
1

X1
2

TA
RG
ET

0,1
0,2
265
01
0,1
937
04
0,2
967
79
0,2
112
74
0,2
628
11
0,2
335
29

0,2
265
01
0,1
937
04
0,2
967
79
0,2
112
74
0,2
628
11
0,2
335
29
0,5
720
35

0,1
937
04
0,2
967
79
0,2
112
74
0,2
628
11
0,2
335
29
0,5
720
35
0,4
947
29

0,2
967
79
0,2
112
74
0,2
628
11
0,2
335
29
0,5
720
35
0,4
947
29
0,3
354
32

0,2
112
74
0,2
628
11
0,2
335
29
0,5
720
35
0,4
947
29
0,3
354
32
0,3
682
28

0,2
628
11
0,2
335
29
0,5
720
35
0,4
947
29
0,3
354
32
0,3
682
28
0,3
412
88

0,2
335
29
0,5
720
35
0,4
947
29
0,3
354
32
0,3
682
28
0,3
412
88
0,2
944
36

0,5
720
35
0,4
947
29
0,3
354
32
0,3
682
28
0,3
412
88
0,2
944
36
0,2
288
43

0,4
947
29
0,3
354
32
0,3
682
28
0,3
412
88
0,2
944
36
0,2
288
43
0,2
147
88

0,3
354
32
0,3
682
28
0,3
412
88
0,2
944
36
0,2
288
43
0,2
147
88
0,3
143
48

0,3
682
28
0,3
412
88
0,2
944
36
0,2
288
43
0,2
147
88
0,3
143
48
0,3
190
34

0,3
412
88
0,2
944
36
0,2
288
43
0,2
147
88
0,3
143
48
0,3
190
34
0,2
792
09

Universitas Sumatera Utara

8

0,2 0,5 0,4 0,3 0,3
335 720 947 354 682
29 35 29 32 28
9 0,5 0,4 0,3 0,3 0,3
720 947 354 682 412
35 29 32 28
88
10 0,4 0,3 0,3 0,3 0,2
947 354 682 412 944
88 36
29 32 28
11 0,3 0,3 0,3 0,2 0,2
354 682 412 944 288
32 28
88 36 43
12 0,3 0,3 0,2 0,2 0,2
682 412 944 288 147
28
88 36 43 88
DATA UJI ALGORITMA ANN

0,3
412
88
0,2
944
36
0,2
288
43
0,2
147
88
0,3
143
48

0,2
944
36
0,2
288
43
0,2
147
88
0,3
143
48
0,3
190
34

0,2
288
43
0,2
147
88
0,3
143
48
0,3
190
34
0,2
792
09

0,2
147
88
0,3
143
48
0,3
190
34
0,2
792
09
0,2
967
79

0,3
143
48
0,3
190
34
0,2
792
09
0,2
967
79
0,5
778
92

0,3
190
34
0,2
792
09
0,2
967
79
0,5
778
92
0,5
099
56

0,2
792
09
0,2
967
79
0,5
778
92
0,5
099
56
0,4
502
2

0,2
967
79
0,5
778
92
0,5
099
56
0,4
502
2
0,3
881
41

P
O
L
A
1

2

3

4

5

6

7

8

X1

X2

X3

X4

X5

X6

X7

X8

X9

X1
0

X1
1

X1
2

TA
RG
ET

0,3
412
88
0,2
944
36
0,2
288
43
0,2
147
88
0,3
143
48
0,3
190
34
0,2
792
09
0,2
967
79

0,2
944
36
0,2
288
43
0,2
147
88
0,3
143
48
0,3
190
34
0,2
792
09
0,2
967
79
0,5
778
92

0,2
288
43
0,2
147
88
0,3
143
48
0,3
190
34
0,2
792
09
0,2
967
79
0,5
778
92
0,5
099
56

0,2
147
88
0,3
143
48
0,3
190
34
0,2
792
09
0,2
967
79
0,5
778
92
0,5
099
56
0,4
502
2

0,3
143
48
0,3
190
34
0,2
792
09
0,2
967
79
0,5
778
92
0,5
099
56
0,4
502
2
0,3
881
41

0,3
190
34
0,2
792
09
0,2
967
79
0,5
778
92
0,5
099
56
0,4
502
2
0,3
881
41
0,4
361
64

0,2
792
09
0,2
967
79
0,5
778
92
0,5
099
56
0,4
502
2
0,3
881
41
0,4
361
64
0,4
935
58

0,2
967
79
0,5
778
92
0,5
099
56
0,4
502
2
0,3
881
41
0,4
361
64
0,4
935
58
0,2
780
38

0,5
778
92
0,5
099
56
0,4
502
2
0,3
881
41
0,4
361
64
0,4
935
58
0,2
780
38
0,4
174
23

0,5
099
56
0,4
502
2
0,3
881
41
0,4
361
64
0,4
935
58
0,2
780
38
0,4
174
23
0,3
787
7

0,4
502
2
0,3
881
41
0,4
361
64
0,4
935
58
0,2
780
38
0,4
174
23
0,3
787
7
0,3
893
12

0,3
881
41
0,4
361
64
0,4
935
58
0,2
780
38
0,4
174
23
0,3
787
7
0,3
893
12
0,3
108
35

0,4
361
64
0,4
935
58
0,2
780
38
0,4
174
23
0,3
787
7
0,3
893
12
0,3
108
35
0,3
565
15

Universitas Sumatera Utara

9

0,5
778
92
10 0,5
099
56
11 0,4
502
2
12 0,3
881
41

0,5
099
56
0,4
502
2
0,3
881
41
0,4
361
64

0,4
502
2
0,3
881
41
0,4
361
64
0,4
935
58

0,3
881
41
0,4
361
64
0,4
935
58
0,2
780
38

0,4
361
64
0,4
935
58
0,2
780
38
0,4
174
23

0,4
935
58
0,2
780
38
0,4
174
23
0,3
787
7

0,2
780
38
0,4
174
23
0,3
787
7
0,3
893
12

0,4
174
23
0,3
787
7
0,3
893
12
0,3
108
35

0,3
787
7
0,3
893
12
0,3
108
35
0,3
565
15

0,3 0,3 0,3 0,6
893 108 565 505
12 35 15
12
0,3 0,3 0,6
108 565 505
35 15 12 0,9
0,7
0,3 0,6
043
565 505
92
15 12 0,9
0,6
0,7 0,4
505
043 923
12 0,9 92
87

Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan
Tahun 2020 Untuk Wilayah Polonia

Berdasarkan hasil Grafik diatas maka dapat dilihat hasil prediksi dalam bentuk
table sebagai berikut :
TAHUN
Jan Feb Mar Apr Mei Jun Jul Agt Sep Okt Nov Des
2020
210 200 100 400 250 390 300 290 700 1100 500 430

Universitas Sumatera Utara

Stasiun

: Tuntungan

Koordinat

: (3,500244 LU ; 98,630518 BT)

TAHUN
2009
2010
2017

Jan
341
422
700

Feb
301
471
480

Mar
245
287
450

Apr
233
406
420

Mei
318
373
600

Jun Jul Agt Sep Okt Nov Des
322 288 303 543 485 434 381
382 315 354 605 818 651 470
620 480 690 1300 1400 1100 1000

Data Hasil Normalisasi

Jan
Feb
Mar
Apr
Mei
Jun
Jul
Agt
Sep
Okt
No
0,174036 0,146615 0,108226
0,1 0,158269 0,161011 0,137704 0,147986 0,312511 0,272751 0,237
0,229563 0,263153 0,137018 0,218595 0,195973 0,202142 0,156213 0,182948 0,355013 0,501028 0,386
0,420137 0,269323 0,248757 0,228192 0,351585 0,365296 0,269323 0,413282 0,831448
0,9
0,694
Sumber: Data Sekunder, BMKG Sampali

DATA LATIH ALGORITMA ANN
P
O
L
A
1

2

3

4

5

6

7

X1

X2

X3

0,1 0,1 0,1
740 466 082
36 15 26
0,1 0,1
466 082
15 26 0,1
0,1
0,1
582
082
26 0,1 69
0,1 0,1
582 610
0,1 69 11
0,1 0,1 0,1
582 610 377
69 11 04
0,1 0,1 0,1
610 377 479
11 04 86
0,1 0,1 0,3
377 479 125
04 86 11

X4

X5

X6

X7

X8

X9

X1
0

X1
1

X1
2

TA
RG
ET

0,1
0,1
582
69
0,1
610
11
0,1
377
04
0,1
479
86
0,3
125
11
0,2
727
51

0,1
582
69
0,1
610
11
0,1
377
04
0,1
479
86
0,3
125
11
0,2
727
51
0,2
377
89

0,1
610
11
0,1
377
04
0,1
479
86
0,3
125
11
0,2
727
51
0,2
377
89
0,2
014
57

0,1
377
04
0,1
479
86
0,3
125
11
0,2
727
51
0,2
377
89
0,2
014
57
0,2
295
63

0,1
479
86
0,3
125
11
0,2
727
51
0,2
377
89
0,2
014
57
0,2
295
63
0,2
631
53

0,3
125
11
0,2
727
51
0,2
377
89
0,2
014
57
0,2
295
63
0,2
631
53
0,1
370
18

0,2
727
51
0,2
377
89
0,2
014
57
0,2
295
63
0,2
631
53
0,1
370
18
0,2
185
95

0,2
377
89
0,2
014
57
0,2
295
63
0,2
631
53
0,1
370
18
0,2
185
95
0,1
959
73

0,2
014
57
0,2
295
63
0,2
631
53
0,1
370
18
0,2
185
95
0,1
959
73
0,2
021
42

0,2
295
63
0,2
631
53
0,1
370
18
0,2
185
95
0,1
959
73
0,2
021
42
0,1
562
13

Universitas Sumatera Utara

8

0,1
479
86
9 0,3
125
11
10 0,2
727
51
11 0,2
377
89
12 0,2
014
57

0,3
125
11
0,2
727
51
0,2
377
89
0,2
014
57
0,2
295
63

0,2
727
51
0,2
377
89
0,2
014
57
0,2
295
63
0,2
631
53

0,2
377
89
0,2
014
57
0,2
295
63
0,2
631
53
0,1
370
18

0,2
014
57
0,2
295
63
0,2
631
53
0,1
370
18
0,2
185
95

0,2
295
63
0,2
631
53
0,1
370
18
0,2
185
95
0,1
959
73

0,2
631
53
0,1
370
18
0,2
185
95
0,1
959
73
0,2
021
42

0,1
370
18
0,2
185
95
0,1
959
73
0,2
021
42
0,1
562
13

0,2
185
95
0,1
959
73
0,2
021
42
0,1
562
13
0,1
829
48

0,1
959
73
0,2
021
42
0,1
562
13
0,1
829
48
0,3
550
13

0,2
021
42
0,1
562
13
0,1
829
48
0,3
550
13
0,5
010
28

0,1
562
13
0,1
829
48
0,3
550
13
0,5
010
28
0,3
865
47

0,1
829
48
0,3
550
13
0,5
010
28
0,3
865
47
0,2
624
68

DATA UJI ALGORITMA ANN
P
O
L
A
1

2

3

4

5

6

7

8

X1

X2

X3

X4

X5

X6

X7

X8

X9

X1
0

X1
1

X1
2

TA
RG
ET

0,2
295
63
0,2
631
53
0,1
370
18
0,2
185
95
0,1
959
73
0,2
021
42
0,1
562
13
0,1

0,2
631
53
0,1
370
18
0,2
185
95
0,1
959
73
0,2
021
42
0,1
562
13
0,1
829
48
0,3

0,1
370
18
0,2
185
95
0,1
959
73
0,2
021
42
0,1
562
13
0,1
829
48
0,3
550
13
0,5

0,2
185
95
0,1
959
73
0,2
021
42
0,1
562
13
0,1
829
48
0,3
550
13
0,5
010
28
0,3

0,1
959
73
0,2
021
42
0,1
562
13
0,1
829
48
0,3
550
13
0,5
010
28
0,3
865
47
0,2

0,2
021
42
0,1
562
13
0,1
829
48
0,3
550
13
0,5
010
28
0,3
865
47
0,2
624
68
0,4

0,1
562
13
0,1
829
48
0,3
550
13
0,5
010
28
0,3
865
47
0,2
624
68
0,4
201
37
0,2

0,1
829
48
0,3
550
13
0,5
010
28
0,3
865
47
0,2
624
68
0,4
201
37
0,2
693
23
0,2

0,3
550
13
0,5
010
28
0,3
865
47
0,2
624
68
0,4
201
37
0,2
693
23
0,2
487
57
0,2

0,5
010
28
0,3
865
47
0,2
624
68
0,4
201
37
0,2
693
23
0,2
487
57
0,2
281
92
0,3

0,3
865
47
0,2
624
68
0,4
201
37
0,2
693
23
0,2
487
57
0,2
281
92
0,3
515
85
0,3

0,2
624
68
0,4
201
37
0,2
693
23
0,2
487
57
0,2
281
92
0,3
515
85
0,3
652
96
0,2

0,4
201
37
0,2
693
23
0,2
487
57
0,2
281
92
0,3
515
85
0,3
652
96
0,2
693
23
0,4

Universitas Sumatera Utara

829
48
9 0,3
550
13
10 0,5
010
28
11 0,3
865
47
12 0,2
624
68

550
13
0,5
010
28
0,3
865
47
0,2
624
68
0,4
201
37

010
28
0,3
865
47
0,2
624
68
0,4
201
37
0,2
693
23

865
47
0,2
624
68
0,4
201
37
0,2
693
23
0,2
487
57

624
68
0,4
201
37
0,2
693
23
0,2
487
57
0,2
281
92

201
37
0,2
693
23
0,2
487
57
0,2
281
92
0,3
515
85

693
23
0,2
487
57
0,2
281
92
0,3
515
85
0,3
652
96

487
57
0,2
281
92
0,3
515
85
0,3
652
96
0,2
693
23

281
92
0,3
515
85
0,3
652
96
0,2
693
23
0,4
132
82

515
85
0,3
652
96
0,2
693
23
0,4
132
82
0,8
314
48

652 693 132
96 23
82
0,2 0,4 0,8
693 132 314
48
23 82
0,4 0,8
132 314
82 48 0,9
0,6
0,8
943
314
44
48 0,9
0,6 0,6
943 257
0,9 44
93

Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan
Tahun 2020 Untuk Wilayah Tuntungan

Berdasarkan hasil Grafik diatas maka dapat dilihat hasil prediksi dalam bentuk
table sebagai berikut :
TAHUN
2020

Jan
550

Feb
400

Mar
350

Apr
100

Mei
350

Jun Jul Agt Sep Okt Nov
480 280 300 980 940 900

Des
600

Universitas Sumatera Utara

Stasiun

: Patumbak

Koordinat

: (3,2727930 LU ; 98,433347BT)

TAHUN
Jan Feb Mar
2009
158 71 149
2010
276 85 225
2017
800 300 800
Data Hasil Normalisasi

Apr
181
187
780

Mei
214
252
790

Jun Jul Agt Sep Okt Nov Des
159 203 248 322 409 255 287
267 217 289 367 581 369 369
800 900 1100 1300 1805 1205 1100

Jan
Feb
Mar
Apr
Mei
Jun
Jul
Agt
Sep
Okt
No
0,140138
0,1 0,135986 0,15075 0,165975
0,1406
0,1609 0,181661 0,215802 0,25594 0,184
0,194579 0,106459 0,17105 0,153518 0,183506 0,190427 0,167359 0,200577 0,236563 0,335294 0,237
0,436332 0,205652 0,436332 0,427105 0,431719 0,436332 0,482468 0,57474 0,667013
0,9
0,623
Sumber: Data Sekunder, BMKG Sampali

DATA LATIH ALGORITMA ANN
P
O
L
A
1

2

3

4

5

X1

0,1
401
38

X2

0,1
0,1
359
86
0,1
507
5
0,1
659
75

0,1
0,1
359
86
0,1
507
5
0,1
659 0,1
75 406

6

7

8

0,1 0,1
406 609
0,1
0,1 816
609 61
0,1 0,2
816 158

X3

X4

X5

X6

0,1 0,1 0,1
359 507 659 0,1
86
5 75 406
0,1 0,1
507 659 0,1 0,1
5 75 406 609
0,1
0,1
659 0,1 0,1 816
75 406 609 61
0,1 0,2
0,1 0,1 816 158
406 609 61 02
0,1 0,2 0,2
0,1 816 158 559
609 61 02
4
0,1 0,2 0,2 0,1
816 158 559 848
61 02
4
9
0,2 0,2 0,1 0,1
158 559 848 996
02
4
9
54
0,2 0,1 0,1 0,1
559 848 996 945

X7

X8

X9

X1
0

X1
1

X1
2

TA
RG
ET

0,1
609
0,1
816
61
0,2
158
02
0,2
559
4
0,1
848
9
0,1
996
54
0,1
945
79
0,1
064

0,1
816
61
0,2
158
02
0,2
559
4
0,1
848
9
0,1
996
54
0,1
945
79
0,1
064
59
0,1
710

0,2
158
02
0,2
559
4
0,1
848
9
0,1
996
54
0,1
945
79
0,1
064
59
0,1
710
5
0,1
535

0,2
559
4
0,1
848
9
0,1
996
54
0,1
945
79
0,1
064
59
0,1
710
5
0,1
535
18
0,1
835

0,1
848
9
0,1
996
54
0,1
945
79
0,1
064
59
0,1
710
5
0,1
535
18
0,1
835
06
0,1
904

0,1
996
54
0,1
945
79
0,1
064
59
0,1
710
5
0,1
535
18
0,1
835
06
0,1
904
27
0,1
673

0,1
945
79
0,1
064
59
0,1
710
5
0,1
535
18
0,1
835
06
0,1
904
27
0,1
673
59
0,2
005

Universitas Sumatera Utara

61
0,2
158
02
10 0,2
559
4
11 0,1
848
9
12 0,1
996
54
9

02
0,2
559
4
0,1
848
9
0,1
996
54
0,1
945
79

4
0,1
848
9
0,1
996
54
0,1
945
79
0,1
064
59

9
0,1
996
54
0,1
945
79
0,1
064
59
0,1
710
5

54
0,1
945
79
0,1
064
59
0,1
710
5
0,1
535
18

79
0,1
064
59
0,1
710
5
0,1
535
18
0,1
835
06

59
0,1
710
5
0,1
535
18
0,1
835
06
0,1
904
27

5
0,1
535
18
0,1
835
06
0,1
904
27
0,1
673
59

18
0,1
835
06
0,1
904
27
0,1
673
59
0,2
005
77

06
0,1
904
27
0,1
673
59
0,2
005
77
0,2
365
63

27
0,1
673
59
0,2
005
77
0,2
365
63
0,3
352
94

59
0,2
005
77
0,2
365
63
0,3
352
94
0,2
374
86

77
0,2
365
63
0,3
352
94
0,2
374
86
0,2
374
86

DATA UJI ALGORITMA ANN
P
O
L
A
1

2

3

4

5

6

7

8

X1

X2

X3

X4

X5

X6

X7

X8

X9

X1
0

X1
1

X1
2

TA
RG
ET

0,1
945
79
0,1
064
59
0,1
710
5
0,1
535
18
0,1
835
06
0,1
904
27
0,1
673
59
0,2
005
77

0,1
064
59
0,1
710
5
0,1
535
18
0,1
835
06
0,1
904
27
0,1
673
59
0,2
005
77
0,2
365
63

0,1
710
5
0,1
535
18
0,1
835
06
0,1
904
27
0,1
673
59
0,2
005
77
0,2
365
63
0,3
352
94

0,1
535
18
0,1
835
06
0,1
904
27
0,1
673
59
0,2
005
77
0,2
365
63
0,3
352
94
0,2
374
86

0,1
835
06
0,1
904
27
0,1
673
59
0,2
005
77
0,2
365
63
0,3
352
94
0,2
374
86
0,2
374
86

0,1
904
27
0,1
673
59
0,2
005
77
0,2
365
63
0,3
352
94
0,2
374
86
0,2
374
86
0,4
363
32

0,1
673
59
0,2
005
77
0,2
365
63
0,3
352
94
0,2
374
86
0,2
374
86
0,4
363
32
0,2
056
52

0,2
005
77
0,2
365
63
0,3
352
94
0,2
374
86
0,2
374
86
0,4
363
32
0,2
056
52
0,4
363
32

0,2
365
63
0,3
352
94
0,2
374
86
0,2
374
86
0,4
363
32
0,2
056
52
0,4
363
32
0,4
271
05

0,3
352
94
0,2
374
86
0,2
374
86
0,4
363
32
0,2
056
52
0,4
363
32
0,4
271
05
0,4
317
19

0,2
374
86
0,2
374
86
0,4
363
32
0,2
056
52
0,4
363
32
0,4
271
05
0,4
317
19
0,4
363
32

0,2
374
86
0,4
363
32
0,2
056
52
0,4
363
32
0,4
271
05
0,4
317
19
0,4
363
32
0,4
824
68

0,4
363
32
0,2
056
52
0,4
363
32
0,4
271
05
0,4
317
19
0,4
363
32
0,4
824
68
0,5
747
4

Universitas Sumatera Utara

9

0,2
365
63
10 0,3
352
94
11 0,2
374
86
12 0,2
374
86

0,3
352
94
0,2
374
86
0,2
374
86
0,4
363
32

0,2
374
86
0,2
374
86
0,4
363
32
0,2
056
52

0,2
374
86
0,4
363
32
0,2
056
52
0,4
363
32

0,4
363
32
0,2
056
52
0,4
363
32
0,4
271
05

0,2
056
52
0,4
363
32
0,4
271
05
0,4
317
19

0,4
363
32
0,4
271
05
0,4
317
19
0,4
363
32

0,4
271
05
0,4
317
19
0,4
363
32
0,4
824
68

0,4
317
19
0,4
363
32
0,4
824
68
0,5
747
4

0,4 0,4 0,5 0,6
363 824 747 670
4
13
32 68
0,4 0,5 0,6
824 747 670
68
4 13 0,9
0,6
0,5 0,6
231
747 670
4 13 0,9 83
0,6
0,6 0,5
670
231 747
13 0,9 83
4

Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan
Tahun 2020 Untuk Wilayah Patumbak

Berdasarkan hasil Grafik diatas maka dapat dilihat hasil prediksi dalam bentuk
table sebagai berikut :
TAHUN
Jan Feb Mar Apr Mei Jun Jul Agt Sep Okt Nov Des
2020
150 180 190 400 280 250 260 240 410 710 410 390

Universitas Sumatera Utara

Stasiun

: Polonia

RANGKING JAN
FEB
1998
72
1999
91
2000
104

MAR
9
15
16

APR
55
62
63

MEI
65
73
80

JUN
68
115
129

JULI
29
62
99

59
109
121

AGS
56
146
148

SEPT
89
113
257

OKT
55
161
176

NOV
26
125
141

DES
21
102
159

Data Hasil Normalisasi

RANGKING JAN
FEB
MAR
APR
MEI
JUN
JULI
AGS
SEPT
OKT
NOV
DES
1998
0.303226
0.1 0.248387 0.280645 0.290323 0.164516 0.26129 0.251613 0.358065 0.248387 0.154839 0
1999
0.364516 0.119355 0.270968 0.306452 0.441935 0.270968 0.422581 0.541935 0.435484 0.590323 0.474194
2000 Data
0.406452
0.122581
0.9 0.63871 0.525806 0.5
Sumber:
Sekunder,
BMKG0.274194
Sampali0.329032 0.487097 0.390323 0.46129 0.548387

DATA LATIH ALGORITMA ANN
POLA
1
2
3
4
5
6
7
8
9
10
11
12

X1
0.303226
0.1
0.248387
0.280645
0.290323
0.164516
0.26129
0.251613
0.358065
0.248387
0.154839
0.13871

X2
0.1
0.248387
0.280645
0.290323
0.164516
0.26129
0.251613
0.358065
0.248387
0.154839
0.13871
0.406452

X3
0.248387
0.280645
0.290323
0.164516
0.26129
0.251613
0.358065
0.248387
0.154839
0.13871
0.406452
0.122581

X4
0.280645
0.290323
0.164516
0.26129
0.251613
0.358065
0.248387
0.154839
0.13871
0.406452
0.122581
0.274194

X5
0.290323
0.164516
0.26129
0.251613
0.358065
0.248387
0.154839
0.13871
0.406452
0.122581
0.274194
0.329032

X6
0.164516
0.26129
0.251613
0.358065
0.248387
0.154839
0.13871
0.406452
0.122581
0.274194
0.329032
0.487097

X7
0.26129
0.251613
0.358065
0.248387
0.154839
0.13871
0.406452
0.122581
0.274194
0.329032
0.487097
0.390323

X8
0.251613
0.358065
0.248387
0.154839
0.13871
0.406452
0.122581
0.274194
0.329032
0.487097
0.390323
0.46129

X9
0.358065
0.248387
0.154839
0.13871
0.406452
0.122581
0.274194
0.329032
0.487097
0.390323
0.46129
0.548387

X10
0.248387
0.154839
0.13871
0.406452
0.122581
0.274194
0.329032
0.487097
0.390323
0.46129
0.548387
0.9

X11
0.154839
0.13871
0.406452
0.122581
0.274194
0.329032
0.487097
0.390323
0.46129
0.548387
0.9
0.63871

Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan
Tahun 2001 Untuk Wilayah Polonia

Universitas Sumatera Utara

X12 T
0.13871
0.406452
0.122581
0.274194
0.329032
0.487097
0.390323
0.46129
0.548387
0.9
0.63871
0.525806

Stasiun

: Tuntungan

RANGKING JAN
39
1998
1999
77
2000
102

FEB

MAR

41
45
55

APR

26
52
100

MEI

38
51
85

JUN

69
81
178

JULI

27
66
119

AGS

25
136
154

SEPT

25
62
123

OKT

72
221
256

NOV

86
265
265

DES

155
191
191

153
189
210

Data Hasil Normalisasi

RANGKING JAN
FEB
MAR
APR
MEI
JUN
JULI
AGS
SEPT
OKT
NOV
DES
1998
0.146667 0.153333 0.103333 0.143333 0.246667 0.106667
0.1
0.1 0.256667 0.303333 0.533333 0.52
1999
0.273333 0.166667
0.19 0.186667 0.286667 0.236667
0.47 0.223333 0.753333
0.9 0.653333 0.64
2000
0.356667
0.2
0.35
0.3
0.61 0.413333
0.53 0.426667
0.87
0.9 0.653333 0.7

Sumber: Data Sekunder, BMKG Sampali

DATA LATIH ALGORITMA ANN
POLA
1
2
3
4
5
6
7
8
9
10
11
12

X1
0.146667
0.153333
0.103333
0.143333
0.246667
0.106667
0.1
0.1
0.256667
0.303333
0.533333
0.526667

X2
0.153333
0.103333
0.143333
0.246667
0.106667
0.1
0.1
0.256667
0.303333
0.533333
0.526667
0.356667

X3
0.103333
0.143333
0.246667
0.106667
0.1
0.1
0.256667
0.303333
0.533333
0.526667
0.356667
0.2

X4
0.143333
0.246667
0.106667
0.1
0.1
0.256667
0.303333
0.533333
0.526667
0.356667
0.2
0.35

X5
0.246667
0.106667
0.1
0.1
0.256667
0.303333
0.533333
0.526667
0.356667
0.2
0.35
0.3

X6
0.106667
0.1
0.1
0.256667
0.303333
0.533333
0.526667
0.356667
0.2
0.35
0.3
0.61

X7
0.1
0.1
0.256667
0.303333
0.533333
0.526667
0.356667
0.2
0.35
0.3
0.61
0.413333

X8
0.1
0.256667
0.303333
0.533333
0.526667
0.356667
0.2
0.35
0.3
0.61
0.413333
0.53

X9
0.256667
0.303333
0.533333
0.526667
0.356667
0.2
0.35
0.3
0.61
0.413333
0.53
0.426667

X10
0.303333
0.533333
0.526667
0.356667
0.2
0.35
0.3
0.61
0.413333
0.53
0.426667
0.87

X11
0.533333
0.526667
0.356667
0.2
0.35
0.3
0.61
0.413333
0.53
0.426667
0.87
0.9

Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan
Tahun 2001 Untuk Wilayah Tuntungan

Universitas Sumatera Utara

X12 T
0.526667
0.356667
0.2
0.35
0.3
0.61
0.413333
0.53
0.426667
0.87
0.9
0.653333

Stasiun

: Patumbak

RANGKING JAN
28
1998
1999
34
2000
39

FEB

MAR

4
13
21

APR

9
40
49

MEI

32
35
68

JUN

63
72
103

JULI

35
64
75

AGS

36
53
102

SEPT

45
53
100

OKT

179
189
249

NOV

129
129
137

DES

67
80
92

15
40
64

Data Hasil Normalisasi

RANGKING JAN
FEB
MAR
APR
MEI
JUN
JULI
AGS
SEPT
OKT
NOV
DES
1998
0.178367
0.1 0.116327 0.191429 0.292653 0.201224 0.20449 0.233878 0.671429 0.508163 0.305714 0.13
1999
0.197959 0.129388 0.217551 0.201224 0.322041 0.295918
0.26
0.26 0.704082 0.508163 0.348163 0.21
2000
0.214286 0.15551 0.246939 0.30898 0.423265 0.331837
0.42 0.413469
0.9 0.534286 0.387347 0.29

Sumber: Data Sekunder, BMKG Sampali

DATA LATIH ALGORITMA ANN
POLA
1
2
3
4
5
6
7
8
9
10
11
12

X1
0.178367
0.1
0.116327
0.191429
0.292653
0.201224
0.20449
0.233878
0.671429
0.508163
0.305714
0.135918

X2
0.1
0.116327
0.191429
0.292653
0.201224
0.20449
0.233878
0.671429
0.508163
0.305714
0.135918
0.214286

X3
0.116327
0.191429
0.292653
0.201224
0.20449
0.233878
0.671429
0.508163
0.305714
0.135918
0.214286
0.15551

X4
0.191429
0.292653
0.201224
0.20449
0.233878
0.671429
0.508163
0.305714
0.135918
0.214286
0.15551
0.246939

X5
0.292653
0.201224
0.20449
0.233878
0.671429
0.508163
0.305714
0.135918
0.214286
0.15551
0.246939
0.30898

X6
0.201224
0.20449
0.233878
0.671429
0.508163
0.305714
0.135918
0.214286
0.15551
0.246939
0.30898
0.423265

X7
0.20449
0.233878
0.671429
0.508163
0.305714
0.135918
0.214286
0.15551
0.246939
0.30898
0.423265
0.331837

X8
0.233878
0.671429
0.508163
0.305714
0.135918
0.214286
0.15551
0.246939
0.30898
0.423265
0.331837
0.42

X9
0.671429
0.508163
0.305714
0.135918
0.214286
0.15551
0.246939
0.30898
0.423265
0.331837
0.42
0.413469

X10
0.508163
0.305714
0.135918
0.214286
0.15551
0.246939
0.30898
0.423265
0.331837
0.42
0.413469
0.9

X11
0.305714
0.135918
0.214286
0.15551
0.246939
0.30898
0.423265
0.331837
0.42
0.413469
0.9
0.534286

X12 T
0.135918
0.214286
0.15551
0.246939
0.30898
0.423265
0.331837
0.42
0.413469
0.9
0.534286
0.387347

Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan
Tahun 2001 Untuk Wilayah Patumbak

Stasiun

: Polonia

RANGKINGJAN
FEB
1999
91
2000
104
2001
1100

MAR
15
16
250

APR
62
63
500

MEI
73
80
800

JUN
115
129
1200

JULI
62
99
900

109
121
1000

AGS
146
148
1400

SEPT
113
257
2600

OKT
161
176
1600

Universitas Sumatera Utara

NOV
125
141
1500

DES
102
159
1500

Data Hasil Normalisasi

RANGKINGJAN
FEB
MAR
APR
MEI
JUN
JULI
AGS
SEPT
OKT
NOV
DES
1999
0.12352
0.1 0.114545 0.11795 0.130948 0.114545 0.129091 0.140542 0.130329 0.145184 0.134043 0.12
2000
0.127544 0.100309 0.114855 0.120116 0.13528 0.125996 0.132805 0.141161 0.174894 0.149826 0.138994 0.14
2001
0.435783 0.172727 0.250097 0.34294 0.466731 0.373888 0.404836 0.528627
0.9 0.590522 0.559574 0.55

Sumber: Data Sekunder, BMKG Sampali

DATA LATIH ALGORITMA ANN
POLA
1
2
3
4
5
6
7
8
9
10
11
12

X1
0.12352
0.1
0.114545
0.11795
0.130948
0.114545
0.129091
0.140542
0.130329
0.145184
0.134043
0.126925

X2
0.1
0.114545
0.11795
0.130948
0.114545
0.129091
0.140542
0.130329
0.145184
0.134043
0.126925
0.435783

X3
0.114545
0.11795
0.130948
0.114545
0.129091
0.140542
0.130329
0.145184
0.134043
0.126925
0.435783
0.172727

X4
0.11795
0.130948
0.114545
0.129091
0.140542
0.130329
0.145184
0.134043
0.126925
0.435783
0.172727
0.250097

X5
0.130948
0.114545
0.129091
0.140542
0.130329
0.145184
0.134043
0.126925
0.435783
0.172727
0.250097
0.34294

X6
0.114545
0.129091
0.140542
0.130329
0.145184
0.134043
0.126925
0.435783
0.172727
0.250097
0.34294
0.466731

X7
0.129091
0.140542
0.130329
0.145184
0.134043
0.126925
0.435783
0.172727
0.250097
0.34294
0.466731
0.373888

X8
0.140542
0.130329
0.145184
0.134043
0.126925
0.435783
0.172727
0.250097
0.34294
0.466731
0.373888
0.404836

X9
0.130329
0.145184
0.134043
0.126925
0.435783
0.172727
0.250097
0.34294
0.466731
0.373888
0.404836
0.528627

X10
0.145184
0.134043
0.126925
0.435783
0.172727
0.250097
0.34294
0.466731
0.373888
0.404836
0.528627
0.9

X11
0.134043
0.126925
0.435783
0.172727
0.250097
0.34294
0.466731
0.373888
0.404836
0.528627
0.9
0.590522

Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan
Tahun 2002 Untuk Wilayah Polonia

Universitas Sumatera Utara

X12 TA
0.126925 0
0.435783 0
0.172727 0
0.250097
0.34294 0
0.466731 0
0.373888 0
0.404836 0
0.528627
0.9 0
0.590522 0
0.559574 0

Stasiun

: Tuntungan

RANGKINGJAN
77
1999
2000
102
2001
600

FEB

MAR

45
55
400

APR

52
100
700

MEI

51
85
550

JUN

81
178
1600

66
119
1200

JULI

AGS

136
154
1400

62
123
1100

SEPT

221
256
2400

OKT

NOV

265
265
2500

DES

191
191
1900

189
210
1800

Data Hasil Normalisasi

RANGKINGJAN
FEB
MAR
APR
MEI
JUN
JULI
AGS
SEPT
OKT
NOV
DES
1999
0.110428
0.1 0.102281 0.101955 0.111731 0.106843 0.129654 0.10554 0.157352 0.17169 0.147576 0.14
2000
0.118574 0.103259 0.117923 0.113035 0.14334 0.124114 0.135519 0.125418 0.168758 0.17169 0.147576 0.15
2001
0.280855 0.215682 0.313442 0.264562 0.606721 0.476375 0.541548 0.443788 0.867413
0.9 0.704481 0.67

Sumber: Data Sekunder, BMKG Sampali

DATA LATIH ALGORITMA ANN
POLA
1
2
3
4
5
6
7
8
9
10
11
12

X1
0.110428
0.1
0.102281
0.101955
0.111731
0.106843
0.129654
0.10554
0.157352
0.17169
0.147576
0.146925

X2
0.1
0.102281
0.101955
0.111731
0.106843
0.129654
0.10554
0.157352
0.17169
0.147576
0.146925
0.280855

X3
0.102281
0.101955
0.111731
0.106843
0.129654
0.10554
0.157352
0.17169
0.147576
0.146925
0.280855
0.215682

X4
0.101955
0.111731
0.106843
0.129654
0.10554
0.157352
0.17169
0.147576
0.146925
0.280855
0.215682
0.313442

X5
0.111731
0.106843
0.129654
0.10554
0.157352
0.17169
0.147576
0.146925
0.280855
0.215682
0.313442
0.264562

X6
0.106843
0.129654
0.10554
0.157352
0.17169
0.147576
0.146925
0.280855
0.215682
0.313442
0.264562
0.606721

X7
0.129654
0.10554
0.157352
0.17169
0.147576
0.146925
0.280855
0.215682
0.313442
0.264562
0.606721
0.476375

X8
0.10554
0.157352
0.17169
0.147576
0.146925
0.280855
0.215682
0.313442
0.264562
0.606721
0.476375
0.541548

X9
0.157352
0.17169
0.147576
0.146925
0.280855
0.215682
0.313442
0.264562
0.606721
0.476375
0.541548
0.443788

X10
0.17169
0.147576
0.146925
0.280855
0.215682
0.313442
0.264562
0.606721
0.476375
0.541548
0.443788
0.867413

X11
0.147576
0.146925
0.280855
0.215682
0.313442
0.264562
0.606721
0.476375
0.541548
0.443788
0.867413
0.9

Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan
Tahun 2002 Untuk Wilayah Tuntungan

Universitas Sumatera Utara

X12 TA
0.146925 0
0.280855 0
0.215682 0
0.313442 0
0.264562 0
0.606721 0
0.476375 0
0.541548 0
0.443788 0
0.867413
0.9 0
0.704481 0

Stasiun

: Patumbak

RANGKINGJAN
34
1999
2000
39
2001
500

FEB

MAR

13
21
10

APR

40
49
400

MEI

35
68
700

JUN

72
103
800

64
75
700

JULI

AGS

53
102
900

SEPT

53
100
1000

OKT

189
249
2400

NOV

129
137
1400

DES

80
92
1000

40
64
490

Data Hasil Normalisasi

RANGKINGJAN
FEB
MAR
APR
MEI
JUN
JULI
AGS
SEPT
OKT
NOV
DES
1999
0.108033 0.101004 0.110042 0.108368 0.120753 0.118075 0.114393 0.114393 0.159916 0.139833 0.123431 0.1
2000
0.109707 0.103682 0.113054 0.119414 0.13113 0.121757 0.130795 0.130126
0.18 0.14251 0.127448 0.1
2001
0.264017
0.1 0.230544 0.330962 0.364435 0.330962 0.397908 0.431381
0.9 0.565272 0.431381 0.2

Sumber: Data Sekunder, BMKG Sampali

DATA LATIH ALGORITMA ANN
POLA
1
2
3
4
5
6
7
8
9
10
11
12

X1
0.108033
0.101004
0.110042
0.108368
0.120753
0.118075
0.114393
0.114393
0.159916
0.139833
0.123431
0.110042

X2
0.101004
0.110042
0.108368
0.120753
0.118075
0.114393
0.114393
0.159916
0.139833
0.123431
0.110042
0.264017

X3
0.110042
0.108368
0.120753
0.118075
0.114393
0.114393
0.159916
0.139833
0.123431
0.110042
0.264017
0.1

X4
0.108368
0.120753
0.118075
0.114393
0.114393
0.159916
0.139833
0.123431
0.110042
0.264017
0.1
0.230544

X5
0.120753
0.118075
0.114393
0.114393
0.159916
0.139833
0.123431
0.110042
0.264017
0.1
0.230544
0.330962

X6
0.118075
0.114393
0.114393
0.159916
0.139833
0.123431
0.110042
0.264017
0.1
0.230544
0.330962
0.364435

X7
0.114393
0.114393
0.159916
0.139833
0.123431
0.110042
0.264017
0.1
0.230544
0.330962
0.364435
0.330962

X8
0.114393
0.159916
0.139833
0.123431
0.110042
0.264017
0.1
0.230544
0.330962
0.364435
0.330962
0.397908

X9
0.159916
0.139833
0.123431
0.110042
0.264017
0.1
0.230544
0.330962
0.364435
0.330962
0.397908
0.431381

X10
0.139833
0.123431
0.110042
0.264017
0.1
0.230544
0.330962
0.364435
0.330962
0.397908
0.431381
0.9

X11
0.123431
0.110042
0.264017
0.1
0.230544
0.330962
0.364435
0.330962
0.397908
0.431381
0.9
0.565272

Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan
Tahun 2002 Untuk Wilayah Patumbak

Universitas Sumatera Utara

X12 TA
0.110042 0
0.264017
0.1 0
0.230544 0
0.330962 0
0.364435 0
0.330962 0
0.397908 0
0.431381
0.9 0
0.565272 0
0.431381 0

Stasiun

: Patumbak

RANGKINGJAN
FEB
2000
104
2001
1100
2002
900

MAR
16
250
350

APR
63
500
450

MEI
80
800
1100

JUN
129
1200
1000

JULI
99
900
900

121
1000
1000

AGS
148
1400
1400

SEPT
257
2600
2600

OKT
176
1600
1600

NOV
141
1500
1500

DES
159
1500
1500

Data Hasil Normalisasi

RANGKINGJAN
FEB
MAR
APR
MEI
JUN
JULI
AGS
SEPT
OKT
NOV
DE
2000
0.127245
0.1 0.114551 0.119814 0.134985 0.125697 0.132508 0.140867 0.174613 0.149536
0.1387 0
2001
0.435604 0.172446 0.249845 0.342724 0.466563 0.373684 0.404644 0.528483
0.9 0.590402 0.559443 0
2002
0.373684 0.203406 0.234365 0.435604 0.404644 0.373684 0.404644 0.528483
0.9 0.590402 0.559443 0

Sumber: Data Sekunder, BMKG Sampali

DATA LATIH ALGORITMA ANN
POLA
1
2
3
4
5
6
7
8
9
10
11
12

X1
0.127245
0.1
0.114551
0.119814
0.134985
0.125697
0.132508
0.140867
0.174613
0.149536
0.1387
0.144272

X2
0.1
0.114551
0.119814
0.134985
0.125697
0.132508
0.140867
0.1746