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.
184
Seminar Nasional Informatika 2014
185
Seminar Nasional Informatika 2014
tahun 1997 – 2012. Data bersumber dari BMKG g. Pengenalan pola (pelatihan)
Stasiun Polonia, Kota Medan. Pengenalan pola dilakukan dengan cara
Prediksi curah hujan dengan penyesuaian nilai bobot. Penghentian
backpropagation neural network digunakan penyesuaian bobot dalam pengenalan pola
langkah-langkah sebagai berikut: apabila error yang dihasilkan mencapai target
e. Memisahkan data yang akan digunakan error. Error dihitung setelah tahapan forward
sebagai data pelatihan dan data uji. Data curah propagation. Apabila error lebih besar dari
hujan tahun 1997 – 2008 akan digunakan target error maka pelatihan akan dilanjutkan
sebagai data pelatihan selama perancangan ke tahap backward propagation sampai error
JST sedangkan data tahun 2009 – 2012 yang dihasilkan mencapai target error.
digunakan sebagi data pengujian. h. Pengujian dan prediksi
f. Desain JST Pengujian dilakukan bertujuan untuk
Desain JST dilakukan untuk prediksi curah mengetahui tingkat keakuratan sistem JST
hujan bulanan dimulai dengan menentukan yang telah dibuat dalam memprediksi data
banyaknya data masukan yang digunakan, curah hujan pada tahun tertentu. Sedangkan
banyaknya layar tersembunyi (hidden layer) prediksi bertujuan untuk memprediksi data
yang digunakan, dan banyaknya keluaran curah hujan yang akan datang.
yang diinginkan. Data yang digunakan sebagai
masukan sebanyak 8 data (8 tahun) dan data
keluaran atau target adalah data pada tahun 3. Hasil dan Analisa
ke-9 (data input 1997 – 2004 dengan target
2005). Untuk mengetahui curah hujan pada Untuk mengetahui apakah aplikasi yang
tahun ke-10 maka data masukannya dibuat telah berjalan dengan baik, maka dilakukan
merupakan data pada tahun ke-2 sampai tahun pengujian. Data curah hujan tahun 1997 – 2008
ke-9 (data input 1998 – 2005 dengan target akan digunakan sebagai data pelatihan sedangkan
2006), demikian seterusnya. Desain JST data tahun 2009 – 2012 digunakan sebagai data
prediksi curah hujan dapat dilihat pada pengujian. Proses yang ditempuh untuk prediksi
gambar 1. curah hujan menggunakan backpropagation
neural network meliputi tahap training, tahap
pengujian dan tahap prediksi. Tabel 1 merupakan
Input Layer Hidden Layer Output Layer input data curah hujan tahun 1997 – 2008.
186
Seminar Nasional Informatika 2014
Tabel 1(c). Data Input Tahun 1999 sampai Tabel 2(b). Data Hasil Normalisasi Tahun 1998
2006 dengan Target 2007 sampai 2005 dengan Target 2006
1999 2000 2001 2002 2003 2004 2005 2006 2007 1998 1999 2000 2001 2002 2003 2004 2005 2006
315 59 216.5 90.8 169.4 138.8 189.1 103.9 169.6 0.2904 0.4384 0.1557 0.3296 0.1908 0.2776 0.2438 0.2993 0.2052
0.1459 0.3874 0.1863 0.1072 0.1772 0.1851 0.3123 0.139 0.2346
268.8 86.7 15.1 78.5 85.7 200.8 43.9 130.5 8.6 0.123 0.308 0.2917 0.265 0.1971 0.2701 0.3532 0.1595 0.2244
196.6 182.2 158 96.5 162.6 237.9 62.5 121.2 62.3 0.1295 0.4461 0.2175 0.2725 0.1716 0.4056 0.1882 0.2763 0.3362
322 115 164.8 73.4 285.3 88.5 168.2 225.5 277.2 0.2379 0.4247 0.1571 0.3697 0.3061 0.3618 0.1656 0.344 0.4224
302.6 60.3 252.8 195.2 245.7 68 229.5 300.5 330.2 0.2502 0.3734 0.3015 0.4292 0.3022 0.3072 0.3119 0.2827 0.3682
256.2 191.1 306.7 191.7 196.3 200.5 174 251.4 99.4 0.3257 0.1235 0.2251 0.2245 0.2442 0.4352 0.3189 0.3233 0.211
0.5113 0.1773 0.4689 0.5517 0.2631 0.4019 0.3161 0.2514 0.2543
29.9 121.9 121.3 139.2 312.1 206.8 210.8 109.1 261.6
0.2791 0.5402 0.5887 0.5275 0.5129 0.7106 0.6154 0.4113 0.5163
78.6 342.6 417.6 156.3 282 204.3 145.7 148.3 153.4 0.4663 0.3159 0.4964 0.9 0.4923 0.6117 0.5074 0.2843 0.3902
407.2 451.1 395.7 382.5 561.5 475.3 290.5 385.6 256.5 0.3951 0.2301 0.2098 0.6069 0.2719 0.229 0.2464 0.3184 0.2544
204.1 367.5 733 363.8 471.9 377.5 175.5 271.4 303.3 0.5258 0.5944 0.2822 0.4687 0.2034 0.2978 0.2743 0.4344 0.4733
126.4 108 467.6 164.3 125.4 141.2 206.4 148.4 374.1
456.3 173.6 342.5 102.2 187.7 166.4 311.4 346.6 218.4
Tabel 2(c). Data Hasil Normalisasi Tahun 1999
Tabel 1(d). Data Input Tahun 2000 sampai sampai 2006 dengan Target 2007
2007 dengan Target 2008 1999 2000 2001 2002 2003 2004 2005 2006 2007
0.4384 0.1557 0.3296 0.1908 0.2776 0.2438 0.2993 0.2052 0.2778
0.3874 0.1863 0.1072 0.1772 0.1851 0.3123 0.139 0.2346 0.1
2000 2001 2002 2003 2004 2005 2006 2007 2008 0.308 0.2917 0.265 0.1971 0.2701 0.3532 0.1595 0.2244 0.1593
59 216.5 90.8 169.4 138.8 189.1 103.9 169.6 126.7 0.4461 0.2175 0.2725 0.1716 0.4056 0.1882 0.2763 0.3362 0.3966
86.7 15.1 78.5 85.7 200.8 43.9 130.5 8.6 16.2 0.4247 0.1571 0.3697 0.3061 0.3618 0.1656 0.344 0.4224 0.4552
182.2 158 96.5 162.6 237.9 62.5 121.2 62.3 126.8 0.3734 0.3015 0.4292 0.3022 0.3072 0.3119 0.2827 0.3682 0.2003
115 164.8 73.4 285.3 88.5 168.2 225.5 277.2 146 0.1235 0.2251 0.2245 0.2442 0.4352 0.3189 0.3233 0.211 0.3794
0.1773 0.4689 0.5517 0.2631 0.4019 0.3161 0.2514 0.2543 0.2599
60.3 252.8 195.2 245.7 68 229.5 300.5 330.2 172.5
0.5402 0.5887 0.5275 0.5129 0.7106 0.6154 0.4113 0.5163 0.3738
191.1 306.7 191.7 196.3 200.5 174 251.4 99.4 62 0.3159 0.4964 0.9 0.4923 0.6117 0.5074 0.2843 0.3902 0.4255
121.9 121.3 139.2 312.1 206.8 210.8 109.1 261.6 276.8 0.2301 0.2098 0.6069 0.2719 0.229 0.2464 0.3184 0.2544 0.5036
342.6 417.6 156.3 282 204.3 145.7 148.3 153.4 195.7 0.5944 0.2822 0.4687 0.2034 0.2978 0.2743 0.4344 0.4733 0.3317
451.1 395.7 382.5 561.5 475.3 290.5 385.6 256.5 294.8
367.5 733 363.8 471.9 377.5 175.5 271.4 303.3 342.2
108 467.6 164.3 125.4 141.2 206.4 148.4 374.1 412.5 Tabel 2(d). Data Hasil Normalisasi Tahun 2000
173.6 342.5 102.2 187.7 166.4 311.4 346.6 218.4 245.7
sampai 2007 dengan Target 2008
Sebelum diproses data-data input tersebut 2000 2001 2002 2003 2004 2005 2006 2007 2008
0.1557 0.3296 0.1908 0.2776 0.2438 0.2993 0.2052 0.2778 0.2304
akan dinormalisasi. Normalisasi terhadap data 0.1863 0.1072 0.1772 0.1851 0.3123 0.139 0.2346 0.1 0.1084
0.2917 0.265 0.1971 0.2701 0.3532 0.1595 0.2244 0.1593 0.2305
dilakukan agar keluaran jaringan sesuai dengan 0.2175 0.2725 0.1716 0.4056 0.1882 0.2763 0.3362 0.3966 0.2517
fungsi aktivasi yang digunakan. Data-data 0.1571
0.3015
0.3697
0.4292
0.3061
0.3022
0.3618
0.3072
0.1656
0.3119
0.344
0.2827
0.4224
0.3682
0.4552
0.2003
0.281
0.159
tersebut dinormalisasi dalam interval [0, 1] karena 0.2251
0.4689
0.2245
0.5517
0.2442
0.2631
0.4352
0.4019
0.3189
0.3161
0.3233
0.2514
0.211
0.2543
0.3794
0.2599
0.3962
0.3066
dalam prediksi curah hujan, nilai curah hujan 0.5887 0.5275 0.5129 0.7106 0.6154 0.4113 0.5163 0.3738 0.4161
0.4964 0.9 0.4923 0.6117 0.5074 0.2843 0.3902 0.4255 0.4684
pasti bernilai positif atau 0. Selain itu juga terkait 0.2098 0.6069 0.2719 0.229 0.2464 0.3184 0.2544 0.5036 0.5461
0.2822 0.4687 0.2034 0.2978 0.2743 0.4344 0.4733 0.3317 0.3618
fungsi aktivasi yang diberikan yaitu sigmoid
biner.
Setelah data dinormalisasi, maka akan di
Fungsi sigmoid adalah fungsi asimtotik
generate nilai bobot input ke hidden awal, bias
(tidak pernah mencapai 0 ataupun 1) maka
input ke hidden, bobot hidden ke output, dan bias
transformasi data hendaknya dilakukan pada
hidden ke output. Data bobot digenerate secara
interval yang lebih kecil yaitu [0.1, 0.8],
acak antara 0 sampai dengan 1. Tabel 3
ditunjukkan dengan persamaan (14).
menunjukkan hasil generate nilai bobot.
(14)
Tabel 3. Hasil generate Nilai Bobot
a adalah data minimum, b adalah data maksimum, Bobot Input Ke Hidden Awal
x adalah data yang akan dinormalisasi dan x’ 0.3528 0.2667 0.2898 0.1448 0.151 0.3874
adalah data yang telah ditransformasi. Tabel 2 0.007 0.3804 0.4072 0.3545 0.0227 0.207
merupakan hasil normalisasi data input. 0.4313 0.3952 0.1868 0.481 0.4357 0.0281
0.4748 0.182 0.2624 0.3836 0.0268 0.2962
0.2344 0.1491 0.3113 0.3239 0.1319 0.1397
Tabel 2(a). Data Hasil Normalisasi Tahun 1997
0.4149 0.4123 0.2946 0.493 0.4555 0.1134
sampai 2004 dengan Target 2005 0.3476 0.49 0.122 0.2669 0.0532 0.4997
0.3381 0.0079 0.2876 0.05 0.0515 0.3994
1997 1998 1999 2000 2001 2002 2003 2004 2005
0.2078 0.2904 0.4384 0.1557 0.3296 0.1908 0.2776 0.2438 0.2993 Bias Input Ke Hidden
0.1972 0.1459 0.3874 0.1863 0.1072 0.1772 0.1851 0.3123 0.139 0.1422 0.0228 0.1479 0.191 0.1505 0.4743
0.2389 0.123 0.308 0.2917 0.265 0.1971 0.2701 0.3532 0.1595
0.2118 0.1295 0.4461 0.2175 0.2725 0.1716 0.4056 0.1882 0.2763 Bobot Hidden ke Output
0.1798 0.2379 0.4247 0.1571 0.3697 0.3061 0.3618 0.1656 0.344 0.4899 0.2007 0.1391 0.0802 0.0814 0.3233
0.2841 0.2502 0.3734 0.3015 0.4292 0.3022 0.3072 0.3119 0.2827
0.3399 0.3257 0.1235 0.2251 0.2245 0.2442 0.4352 0.3189 0.3233 Bias Hidden ke Output
0.1962 0.5113 0.1773 0.4689 0.5517 0.2631 0.4019 0.3161 0.2514 0.367
0.4114 0.2791 0.5402 0.5887 0.5275 0.5129 0.7106 0.6154 0.4113
0.5224 0.4663 0.3159 0.4964 0.9 0.4923 0.6117 0.5074 0.2843
0.3836 0.3951 0.2301 0.2098 0.6069 0.2719 0.229 0.2464 0.3184
0.2919 0.5258 0.5944 0.2822 0.4687 0.2034 0.2978 0.2743 0.4344 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 Tabel 5(b). Hasil Pengujian dengan Target
hidden layer 6. Error 0.008
188
Seminar Nasional Informatika 2014
Tabel 6. Hasil Prediksi Curah hujan di Kota 5. Pada hasil prediksi rata-rata curah hujan
Medan tertinggi pada tahun 2013 terjadi pada bulan 5
yaitu 315.8.
Tahun 2013 2014 2015 2016 2017 Daftar Pustaka
Bulan
1 122.7 143 153 168.9 154.3
2 108.3 86.4 98.9 109.7 104 [1] Ihwan, Andi, 2013, Metode Jaringan Saraf
3 153.2 141 176.5 204.1 179.2 Tiruan Propagasi Balik untuk Estimasi
4 211.4 195.9 163 158.7 143.4 Curah Hujan Bulanan di Ketapang
5 315.8 281.4 227.6 231.8 170 Kalimantan Barat, Prosiding Semirata
6 138.3 110.1 117.4 133.2 143.9
7 189.1 225.9 197.5 175.9 173
FMIPA Universitas Lampung.
8 154.4 157.5 196.9 247.2 249.4 [2] Naik, Arti R. and S.K.Pathan, 2012,
9 254.3 227.2 239.8 208.3 162.5 Weather Classification and Forecasting
10 290 264.2 244.2 214.6 211.9 using Back Propagation Feed-forward
11 224.3 289 228.6 172.9 197.8 Neural Network, International Journal of
12 238 196.2 162.6 129.3 160.4
Scientific and Research Publications,
Volume 2, Issue 12, December.
Pada tabel 6 dapat dilihat bahwa rata-rata [3] Oktaviani, Cici dan Afdal, 2013, Prediksi
curah hujan tertinggi pada tahun 2013 terjadi pada Curah Hujan Bulanan Menggunakan
bulan 5, tahun 2014 terjadi pada bulan 11, tahun Jaringan Syaraf Tiruan dengan Beberapa
2015 terjadi pada bulan 10, tahun 2016 terjadi Fungsi Pelatihan Backpropagation, Jurnal
pada bulan 8, dan tahun 2017 terjadi pada bulan Fisika Unand, Vol. 2, No. 4, Oktober.
8. [4] Pai, Maya L., et al, 2014, Long Range
Forecast on South West Monsoon Rainfall
4. Kesimpulan using Artificial Neural Networks based on
Clustering Approach, I.J. Information
Dari hasil penelitian dapat diambil beberapa Technology and Computer Science, 2014,
kesimpulan antara lain: 07, 1-8.
1. Pengujian dengan hidden 5 memiliki akurasi [5] Pratiwi, Dian, et al, (2011), An Application
yang lebih baik dibandingkan dengan hidden Of Backpropagation Artificial Neural
6, 7, dan 8. Network Method for Measuring The
2. Nilai akurasi tertinggi di dapat dari pengujian Severity of Osteoarthritis, International
data dengan jumlah hidden 5 dan target error Journal of Engineering & Technology IJET-
0.0072 yaitu 43.27 %. IJENS, Vol: 11 No: 03.
3. Target error yang berbeda akan menghasilkan [6] Sutojo, T., et al, 2010, Kecerdasan Buatan,
jumlah iterasi yang berbeda pula. Semakin Yogyakarta: Andi Offset.
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.
189