PROPOSAL SKRIPSI

IMPLEMENTASI JARINGAN SYARAF TIRUAN

BACKPROPAGATION
UNTUK MEMPREDIKSI CUACA
(Studi kasus : Kota Bengkulu)
JENJANG STRATA 1

OLEH :
SAMUEL AGUS FEBRU HARYANTO
G1A009034

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS TEKNIK
UNIVERSITAS BENGKULU
2014

A. JUDUL
Implementasi Jaringan Syaraf Tiruan Backpropagation Untuk
Memprediksi Cuaca (studi kasus: Kota Bengkulu)
B. LATAR BELAKANG
Peramalan adalah perkiraan tentang sesuatu yang akan terjadi pada
waktu yang akan datang yang didasarkan pada data yang ada pada waktu
sekarang dan waktu lampau (historical data)(Makridakis, 1991). Penggunaan
data time series diantaranya ditemukan pada data-data cuaca(meterologi dan
klimatologi), pengukuran biologi, astronomi dan financial. Pada bidang
cuaca. Data time series diantaranya digunakan untuk merepresentasikan
pergerakan nilai-nilai temperatur udara, kelembaban udara, kecepatan angin,
dan curah hujan.
Informasi cuaca yang di sajikan dalam bentuk time series sangat di
perlukan oleh semua orang, di antaranya untuk pertanian. Pertanian sangat
bergantung pada kondisi cuaca, oleh sebab itu pemerintah harus memikirkan
strategi yang sesuai dalam memperkirakan pola cuaca. Sehingga bisa
mengatur, dan mengambil tindakan serta memodifikasi kebijakan yang ada
untuk menghindari dampak negatif terhadap sektor perekonomian.
Cuaca adalah perilaku yang terjadi pada atmosfer (yang berhubungan
dengan Suhu, Tekanan Udara, Angin, Awan, Kelembaban udara, Radiasi,
Jarak Pandang/Visibility, dsb) dan berdampak langsung pada aktifitas
manusia(BMKG). Pada suatu wilayah, cuaca bisa berubah dalam hitungan
menit, jam, hari, dan musim. Jenis-jenis cuaca meliputi hujan, panas, salju,
angin, dan badai (Oliver, 2004 dalam Kodoatie, 2010). Sedangkan pola cuaca
dalam jangka panjang dan dalam rentang wilayah yang cukup besar biasa di
sebut dengan iklim.

Provinsi Bengkulu di bagian barat berbatasan langsung dengan

Samudera Indonesia dengan garis pantai sepanjang 525 Km dengan dataran
yang relatif sempit. Iklim Kota Bengkulu sangat dipengaruhi oleh Samudera
Hindia, jika terjadi tekanan rendah di Samudera Hindia, maka Kota Bengkulu
akan mengalami hujan yang lebat, bahkan bisa disertai dengan petir dan badai
(Akbar, 2005 dalam Herliana, 2010). Curah hujan tinggi seperti yang terjadi
pada tanggal 21 Agustus 2005 yang lalu mencapai 143 mm, dan berdasarkan
catatan stasiun Klimatologi Pulau Baai Bengkulu sepuluh tahun yang lalu,
tepatnya tanggal 28 Agustus1996, juga terjadi curah hujan tinggi, bahkan
mencapai 151 mm.
Dalam melakukan suatu prediksi dapat di lakukan dengan analisis
technical(Riza, LS., 2008). Pendekatan anilisis technical yaitu analisa yang
berdasarkan chart/diagram/grafik trend data cuaca masa lampau. Analisis
teknis dapat dilakukan dengan menggunakan metode-metode peramalan
seperti moving average,, exponential moving average dan autoregressive
model (Newbold P dkk, 2007). Selain itu dapat juga menggunakan jaringan
syaraf tiruan (Frank R.J dkk,1999) dan fuzzy logic (Aydin I dkk, 2009).
Pada penelitian prediksi cuaca ini dilakukan dengan menggunakan
Jaringan Syaraf Tiruan. Jaringan saraf tiruan (JST), atau juga disebut
simulated neural network (SNN), atau umumnya hanya disebut neural
network (NN)), adalah jaringan dari sekelompok unit pemroses kecil yang
dimodelkan berdasarkan jaringan saraf manusia. Jaringan saraf tiruan
merupakan

sistem

adaptif

yang

dapat

mengubah strukturnya untuk

memecahkan masalah berdasarkan informasi eksternal maupun internal yang

mengalir melalui jaringan tersebut. Secara sederhana, JST adalah sebuah

alat pemodelan data statistik non-linier. JST dapat digunakan untuk

memodelkan hubungan yang kompleks antara input dan output untuk
menemukan pola-pola pada data (Arief Hermawan, 2006).
Algoritma Jaringan Syaraf Tiruan sebelumnya telah digunakan dalam
prediksi curah hujan. Peneliti pendahulu (Indrabayu, dkk., 2012), meneliti
prediksi curah hujan dengan parameter temperatur dan kelembaban. Dengan
menggunakan Radial Basic Function untuk tahun 2009 memiliki keakuratan
81.37 %. Penelitian ini memberikan hasil yang baik, dan pada penelitian ini
kelembaban memiliki korelasi yang lebih tinggi terhadap kejadian hujan
dibandingkan dengan temperatur.
Jaringan syaraf tiruan juga telah digunakan untuk prakiraan cuaca di
bandara Abdulrahman Saleh (Risty J. Yuniar, dkk., 2013). Kecepatan angin
dan curah hujan merupakan factor yang sangat penting dalam penerbangan.
Peneliti menggunakan parameter suhu, kelembaban, dan tekanan udara.
Dengan keluaran yang dihasilkan berupa kecepatan angin dan curah hujan.
Dan dari grafik hasil prakiraan di ketahui bahwa hasil keluaran prakiraan
sudah mendekati nilai target.
Metode yang digunakan untuk menganalisa data time series cuaca
secara teknis adalah pendekatan dengan konsep data mining. Data mining
merupakan analisa data dengan tujuan menyingkap pola yang tersembunyi.
Algoritma untuk menyingkap pola yang tersembunyi tersebut diantaranya kmeans, fuzzy c-means, self organizing maps (Liao Warren T,2005) dan
subsequence matching (Moon, S.Y dkk, 2002).
Maka dari itu penulis ingin membuat penelitian untuk tugas akhir
dengan judul, Implementasi Jaringan Syaraf Tiruan Backpropagation
Untuk Memprediksi Cuaca (studi kasus: Kota Bengkulu).

C. PERUMUSAN MASALAH
Rumusan masalah pada penelitian ini adalah:
Bagaimana melakukan prediksi cuaca harian dengan menggunakan jaringan
syaraf tiruan ?
D. BATASAN MASALAH
Batasan masalah pada penelitian ini adalah :
1. Data yang akan di gunakan adalah data klimatologi harian Kota
Bengkulu tahun 2008 2013 menurut hasil pengamatan Badan
Meteorologi Klimatologi Geofisika (BMKG) stasiun Fatmawati
Bengkulu.
2. Keluaran yang akan di hasilkan adalah prediksi cuaca hari ini dan
esok hari.
E. TUJUAN PENELITIAN
Penelitian ini bertujuan untuk melakukan prediksi cuaca harian
dengan menggunakan jaringan syaraf tiruan.
F. MANFAAT PENELITIAN
Manfaat penelitian ini adalah :
Memberikan sebuah model alternatife prediksi cuaca, sehingga bisa
membantu

prakrirawan

cuaca

(forecaster)

dalam

membuat

suatu

prakiraan/prediksi cuaca.
G. TINJAUAN PUSTAKA
a. Time series
Time series atau runtun waktu adalah himpunan observasi data
teruru tdalam waktu (Hanke&Winchern, 2005). Metode time series
adalah metode peramalan dengan menggunakan analisa pola hubungan
antara variabel yang akan dipekirakan dengan variabel waktu. Peramalan
suatu data time series perlu memperhatikan tipe atau pola data. Secara
umum terdapat empat macam pola datatime series, yaitu horizontal,
trend, musiman, dan siklis (Hanke dan Wichren,2005). Pola horizontal

merupakan kejadian yang tidak terduga dan bersifat acak, tetapi

kemunculannya dapat mempengaruhi fluktuasi data time series. Pola
trend merupakan kecenderungan arah data dalam jangka panjang, dapat
berupa kenaikan maupun penurunan.Pola musiman merupakan fluktuasi
dari data yang terjadi secara periodik dalam kurun waktu satu tahun,
seperti triwulan, kuartalan,bulanan, mingguan, atau harian.Sedangkan
pola siklis merupakan fluktuasi dari data untuk waktu yang lebih dari
satu tahun.
b. Jaringan syaraf tiruan
Jaringan saraf tiruan (JST), atau juga disebut simulated neural
network (SNN), atau umumnya hanya disebut neural network (NN)),
adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan
berdasarkan jaringan saraf manusia. Jaringan saraf tiruan merupakan
sistem adaptif yang dapat mengubah strukturnya untuk memecahkan
masalah berdasarkan informasi eksternal maupun internal

yang

mengalir melalui jaringan tersebut. Secara sederhana, JST adalah

sebuah alat pemodelan data statistik non-linier. JST dapat digunakan
untuk memodelkan hubungan yang kompleks antara input dan output
untuk menemukan pola-pola pada data (Arief Hermawan, 2006).
(Budiyanto, 2000 dalam Maria Agustin, 2012),

menjelaskan

bagaimana jaringan syaraf tiruan dapat digunakan dalam proses data

mining, dengan karateristik jaringan syaraf tiruan. Terutama informasi
tentang aturan yang terkandung dapat diprediksi dan dijelaskan dari data.

Dengan hasil akhir adalah bahwa jaringan syaraf tiruan backpropagation

perlu diberi beberapa fungsi pembatas agar proses dapat diarahkan untuk
keperluan pembentukan relasi logika. Hasil penerapan fungsi pembatas
terlihat bahwa proses pertama pembelajaran tidak terganggu dan ekstrasi
nilai logika dapat dilakukan. Hasil ekstrasi menunjukan bahwa dengan
pemaksaan bobot pembelajaran menuju

nilai mutlak (0,1, dan -1)

memberikan hasil yang baik.

c. Jaringan syaraf tiruan backpropagation
Secara umum proses JST terbagi menjadi 2 bagian yaitu training
dan testing. Training merupakan proses pembelajaran dari sistem jaringan
syaraf yang mengatur nilai input serta bagaimana pemetaannya pada
output sampai

diperoleh model yang sesuai sedangkan testing

merupakan proses pengujian ketelitian dari model yang sudah diperoleh

dari proses training. JST Backpropagation melatih jaringan untuk
mendapatkan keseimbangan antara

kemampuan jaringan dalam

mengenali pola yang digunakan selama training serta kemampuan

jaringan untuk memberikan respon yang benar terhadap pola input yang
serupa (tetapi tidak sama) dengan pola yang dipakai selama training.
Training pada Backpropagation meliputi 3 fase yaitu sebagai berikut :
a. Fase I : Propagasi Maju (Feed Forward)
Selama propagasi maju, nilai pada input (x i) dan output dari setiap
unit lapisan tersembunyi (zj) akan dipropagasikan ke lapisan tersembunyi
menggunakan fungsi aktivasi yang ditentukan. Demikian seterusnya
7

hingga menghasilkan nilai output pada jaringan (yk). Berikutnya, nilai

output dari jaringan (yk) dibandingkan dengan target yang harus dicapai
(tk). Selisih tk - yk adalah error yang terjadi. Jika kesalahan ini lebih kecil
dari batas toleransi, maka iterasi dihentikan. Akan tetapi jika kesalahan
lebih besar dari batas toleransi, maka bobot setiap garis dalam
jaringan akan dimodifikasi untuk mengurangi kesalahan yang terjadi.
b. Fase II : Propagasi Mundur (Backpropagation)
Berdasarkan kesalahan tk - yk, dihitung faktor k (k = 1 , 2 , ...,
m) yang dipakai untuk mendistribusikan kesalahan di unit y k ke semua
unit tersembunyi yang terhubung langsung dengan yk. k juga dipakai
untuk mengubah bobot garis yang berhubungan langsung dengan unit
output. Dengan cara yang sama, dihitung faktor j di setiap unit di lapisan
tersembunyi sebagai dasar perubahan bobot semua di lapisan di
bawahnya. Demikian seterusnya hingga semua faktor di unit
tersembunyi yang berhubungan langsung dengan unit input dihitung.
c. Fase III : Perubahan Bobot
Setelah semua faktor dihitung, bobot semua garis dimodifikasi
bersamaan. Perubahan bobot suatu garis didasarkan atas faktor neuron
di lapisan atasnya.
d. Unified Modelling Language (UML)

Unified Modelling Language (UML) adalah sebuah bahasa yang

telah menjadi standar dalam industri untuk visualisasi, merancang dan
mendokumentasikan sistem perangkat lunak.
Tidak ada orang, bahkan para pembuat UML, mengerti atau
menggunakan semuanya.Kebanyakan orang menggunakan sebagian kecil
UML dan bekerja menggunakannya sesuai dengan kebutuhan masing masing. Berikut ini akan dijelaskan 4 dari 13 diagram UML yang ada.
1

Usecase diagram
Usecase diagram menggambarkan fungsionalitas yang diharapkan
dari sebuah sistem. Yang ditekankan adalah apa yang diperbuat sistem,
dan bukan bagaimana.Sebuah usecase merepresentasikan sebuah
interaksi antara aktor dan sistem.Usecase merupakan sebuah pekerjaan
tertentu, misalnya login ke sistem, meng-create sebuah daftar belanja,
dan sebagainya.

Gambar. Use Case Diagram

2

Class diagram
Class adalah sebuah spesifikasi yang jika diinstansiasi akan
menghasilkan sebuah objek dan merupakan inti dari pengembangan dan

desain

berorientasi

objek.

Class

menggambarkan

keadaan

(atribut/properti) suatu sistem, sekaligus menawarkan layanan untuk

memanipulasi keadaan tersebut (metoda/fungsi).
Class diagram menggambarkan struktur dan deskripsi class,
package dan objek beserta hubungan satu sama lain seperti containment,
pewarisan, asosiasi, dan lain-lain.

Gambar. Class Diagram

(http://www.ibm.com/developerworks/rational/library/content/RationalE
dge/sep04/bell/)
3

Activity diagram
Activity diagram menggambarkan berbagai alir aktivitas dalam
sistem yang sedang dirancang, bagaimana masing-masing alir berawal,
decision yang mungkin terjadi, dan bagaimana mereka berakhir.
Activitydiagram

juga menggambarkan proses paralel yang mungkin

terjadi pada beberapa eksekusi.

Activity diagram merupakan state diagram khusus, dimana
sebagian besar state adalah action dan sebagian besar transisi di-trigger
oleh selesainya state sebelumnya (internalprocessing). Oleh karena itu
activity diagram tidak menawarkan behaviorinternal sebuah sistem (dan

10

interaksi antar subsistem) secara eksak, tetapi lebih menggambarkan

proses-proses dan jalur-jalur aktivitas dari level atas secara umum.

Gambar. Activity Diagram (Pender, 2002)

4

Sequence diagram
Sequence diagram menggambarkan interaksi antar objek di dalam
dan di sekitar sistem (termasuk pengguna, display, dan sebagainya)
berupa message yang digambarkan terhadap waktu. Sequence diagram
terdiri atar dimensi vertikal (waktu) dan dimensi horizontal (objek-objek
yang terkait). Sequence diagram biasa digunakan untuk menggambarkan
skenario atau rangkaian langkah-langkah yang dilakukan sebagai respons
dari sebuah event untuk menghasilkan output tertentu.

11

Gambar. Sequence Diagram

(http://en.wikipedia.org/wiki/Sequence_diagram)
e. Mean Square Error
Mean Squared Error (MSE) adalah metode untuk mengevaluasi
metode peramalan. Masing-masing kesalahan atau sisa dikuadratkan.
Kemudian dijumlahkan dan ditambahkan dengan jumlah observasi.
Pendekatan ini mengatur kesalahan peramalan yang besar karena
kesalahan-kesalahan

itu

dikuadratkan.

Metode

itu

menghasilkan

kesalahan-kesalahan sedang yang kemungkinan lebih baik untuk

kesalahan kecil, tetapi kadang menghasilkan perbedaan yang besar. Pada
MSE tidak menggunakan harga mutlak (absolute) pada error prediksi,
tetapi menggunakan nilai pangkat dua (square). Keuntungan penggunaan
pangkat dua adalah nilai error prediksi yang diperoleh lebih besar
dibandingkan dengan nilai absolute. Rumus MSE adalah sebagai berikut:

( x(t ) x' (t ))
MSE
N

e (t )

f. Penelitian terkait
a. Prediksi Curah Hujan Dengan Jaringan Syaraf Tiruan, oleh
Indrabayu, dkk., Prosiding, Jurusan Teknik Elektro, Fakultas

12

Teknik, Universitas Hasanuddin, pada tahun 2012. Dengan

menggunakan Radial Basic Function untuk tahun 2009 hasil
prediksi memiliki keakuratan 81.37 %. Penelitian ini memberikan
hasil yang baik, dan pada penelitian ini kelembaban memiliki
korelasi yang lebih tinggi terhadap kejadian hujan dibandingkan
dengan temperatur.
b. Perbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh
Dengan Algoritma Neural Network Backpropagation, oleh Risty
Jayanti Yuniar, dkk., Program Magister, Fakultas Teknik,
Universitas Brawijaya, pada tahun 2013. Kecepatan angin dan
curah hujan merupakan faktor yang sangat penting dalam
penerbangan. Peneliti menggunakan parameter suhu, kelembaban,
dan tekanan udara. Dengan keluaran yang dihasilkan berupa
kecepatan angin dan curah hujan. Dan dari grafik hasil prakiraan
di ketahui bahwa hasil keluaran prakiraan sudah mendekati nilai
target.
c. Weather Classification and Forecasting using Backpropagation
Feed-forward Neural Network, oleh Arti R. Naik dan Prof.
S.K.Pathan, Department of Computer Tecnology, Smt. Kashibai
Navale College of Engineering (SKNCOE), Pune, India, pada
tahun 2012. Penelitian ini menawarkan metode baru dalam
prakiraan cuaca menggunakan Feed-forward Algorithm Neural
Network

dan

data

di

13

latih

menggunakan

Algoritma

Backpropagation Neural Network untuk melakukan prediksi cuaca

dan mengklasifikasikannya. Dan juga menyajikan review aplikasi
jaringan syaraf tiruan dalam klasifikasi cuaca dan prediksi cuaca.
Beberapa model peramalan cuaca yang sudah ada memiliki
keterbatasan. Ketepatan prediksi cuaca sangat di butuhkan oleh
banyak sektor, seperti pertanian. Dari hasil penelitian ini
Algoritma backpropagation neural network lebih cepat dalam
melakukan prakiraan cuaca dibandingkan dengan algoritma lain
dan akan lebih baik di saat mendatang di gunakan untuk area yang
lebih luas.

H. METODOLOGI PENELITIAN
Penelitian yang akan penulis laksanakan merupakan penelitian
terapan. Penelitian terapan adalah satu jenis penelitian yang hasilnya dapat
secara langsung diterapkan untuk memecahkan permasalahan yang
dihadapi.Penelitian ini menguji manfaat dari teori-teori ilmiah serta
mengetahui hubungan empiris dan analisis dalam bidang-bidang tertentu.
Penelitian terapan lebih difokuskan pada pengetahuan teoretis dan praktis
dalam bidang-bidang tertentu bukan pengetahuan yang bersifat universal
misalnya bidang kedokteran, pendidikan, atau teknologi (Direktorat
Tenaga Kependidikan Direktorat Jenderal Peningkatan Mutu Pendidik dan
Tenaga Kependidikan Departemen Pendidikan Nasional, 2008).
Jenis penelitian ini merupakan penelitian terapan karena data-data
informasi di gunakan untuk menyelesaikan masalah yaitu prediksi cuaca.

14

Penelitian terapan ini bertujuan akan di menganalisis hasil penerapan

algoritma Jaringan Syaraf Tiruan Backpropagation di dalam memprediksi
pola cuaca hari ini dan cuaca hari esok.
a. Sumber data
1. Data sekunder
Data sekunder adalah data

yang

sudah

jadi

atau

dipublikasikan untuk umum oleh instansi atau lembaga yang

mengumpulkan, mengolah dan menyajikan. Data sekunder dapat
dipakai sebagai pelengkap untuk mendukung informasi dari data
primer yang dikumpulkan oleh peneliti.(Joko, P, 2008:17). Pada
penelitian ini data yang akan di gunakan adalah data hasil
pengamatan yang telah dilakukan oleh Badan Meteorologi
Klimatologi dan Geofisika (BMKG) Provinsi Bengkulu Stasiun
Pulau Baai. Adapun contoh data skunder yang diperoleh adalah :
1. Data curah hujan harian
2. Data temperatur
3. Data kelembaban
2. Data literatur
Data literatur di dapatkan dengan cara studi pustaka, yaitu
mencari informasi tentang curah hujan di Badan Meteorologi
Klimatologi dan Geofisika (BMKG). Dan juga dengan mencari
sumber-sumber tertulis yang menjelaskan tentang pola cuaca, curah
hujan,

temperatur,

kelembaban,

jaringan

syaraf

tiruan,

backpropagation, dan prediksi data time series.

b. Sarana pendukung
1. Perangkat Keras (Hardware) yang digunakan antara lain:
1. Satu unit laptop Toshiba Satellite L510 dengan spesifikasi
Intel Pentium(R) Dual-Core CPU Processor T4500, @ 2.30
GHz 2.30 GHz , Memory 1024 Mb, Hardisk 250 GB.

15

2. Keyboard
3. Mouse
2. Perangkat lunak (software):
1. Sistem operasi Microsoft Windows 7 Ultimate.
2. Netbeans
c. Unified Modelling Language
Unified Modelling Language (UML) adalah sebuah bahasa yang
telah menjadi standar dalam industri untuk visualisasi, merancang dan
mendokumentasikan sistem perangkat lunak.
Tidak ada orang, bahkan para pembuat UML, mengerti atau
menggunakan semuanya. Kebanyakan orang menggunakan sebagian
kecil UML dan bekerja menggunakannya sesuai dengan kebutuhan
masing - masing. Berikut ini akan dijelaskan 4 dari 13 diagram UML
yang ada.
1. Usecase diagram
2. Class diagram
3. Activity diagram
4. Sequence diagram
d. Pengujian sistem
- Black box
Black Box testing merupakan strategi testing dimana
hanyamemperhatikan/memfokuskan kepada faktor fungsionalitas
dan spesifikasi perangkat lunak. Berbeda dengan white box, black
box testing tidak membutuhkan pengetahuan mengenai, alur

16

internal (internal path), struktur atau implementasi dari software

under test (SUT).
Black box melakukan pengujian pada :
Fungsi-fungsi yang salah atau hilang.
Kesalahan interface.
Kesalahan dalam struktur data atau akses database

eksternal.
Kesalahan performa.
Kesalahan inisialisasi dan terminasi

e. Prosedur kerja
Tahapan-tahapan yang akan dilakukan pada penelitian ini adalah
sebagai berikut :

17

Gambar. Diagram alir proses penelitian

I. JADWAL PENELITIAN
Bulan
No

Kegiatan

Des
Jan
Feb
2014 2015 2015

18

Maret
2015

Apr
2015

Mei Jun
2015 2015

1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.

Pengajuan Judul Proposal

Penyusunan Proposal
Seminar Proposal
Perbaikan Proposal
Pengumpulan Data
Analisis dan Perancangan
Sistem
Pembuatan Coding
Implementasi dan
Pengujian Unit
Integrasi dan Pengujian
Analisis Hasil
Seminar Hasil
Sidang Hasil

J. DAFTAR PUSTAKA
Agustin, Maria. 2012. Penggunaan Jaringan Syaraf Tiruan Backpropagation
Untuk Seleksi Penerimaan Mahasiswa Baru Pada Jurusan Teknik
Computer Di Politeknik Negeri Sriwijaya. Program Pascasarjana,
Magister Sistem Informasi, Universitas Diponegoro : Semarang.

Arief Hermawan. 2006. Jaringan Syaraf Tiruan. Yogyakarta:Andi

Aydin, I., Karakose, M. and Akin, E.. 2009. The Prediction Algorithm Based
on Fuzzy Logic Using Time Series Data Mining Method. World
Academy of Science, Engineering and Technology.
Hanke, J.E., & D. W. Wicern. 2005. Business Forecasting, 8th ed. Ney Jersey:
Pearson Prentice Hall.

Herliana, Arif Ismul Hadi, Suwarsono. 2010. Analisis Karakteristik Intensitas

Curah Hujan Di Kota Bengkulu. Jurusan Fisika, Fakultas MIPA,
Universitas Bengkulu : Bengkulu.

http://en.wikipedia.org/wiki/Sequence_diagram (diakses pada 5 desember

2014)
19

http://www.ibm.com/developerworks/rational/library/content/RationalEdge/se
p04/bell/ (diakses pada 10 desember 2014)

Indrabayu, Nadjamudin h., M. Saleh Pallu, Andani Achmad, Fikha C.L. 2012.
Prediksi Curah Hujan Dengan Jaringan Syaraf Tiruan. Jurusan
Teknik Elektro, Fakultas Teknik, Universitas Hasanuddin :
Makassar.

Joko P, A. 2008. Analisis Kerentanan Banjir di Daerah Aliran

SungaiSengkarang Kabupaten Pekalongan Provinsi Jawa Tengah
DenganBantuan Sistem Informasi Geografis.Fakultas Geografi
UMS :Surakarta

Makridakis, S, dkk. 1991. Metode dan Aplikasi Peramalan. Edisi kedua.

Jakarta:Erlangga.

Naik, Arti R., Prof. S. K. Pathan. 2012. Weather Classification and

Forecasting using Backpropagation Feed-forward Neural Network.
Department of Computer Tecnology, Smt. Kashibai Navale College
of Engineering (SKNCOE), Pune: India.

Kodoatie, Robert J., Roestam Sjarief. 2010. Tata Ruang Air. Penerbit Andi :
Jogjakarta.

Riza, Lala Septem. 2008. Prediksi Data Time Series Dengan Menggunakan
Algoritma Ant System (Studi Kasus Prediksi Harga Saham).
Program Studi Teknik Elektro, Institut Teknologi Bandung :
Bandung.
Wong, L.P., Low, M.Y.H.,Chong, S.C. 2008. A Bee Colony Algorithm for
Traveling Salesman Problem.IEEE Computer Society.

20

Yuniar, Risty J., Didik Rahadi S., Onny S. 2013. Perbaikan Metode
Prakiraan Cuaca Bandara Abdulrahmah Saleh Dengan Algoritma
Neural Network Backpropagation. Program Magister Fakultas
Teknik, Universitas Brawijaya : Malang.

21