keputusan. Untuk dapat mencapai kemampuan tersebut, terbawa ke atmosfer mengalami kondensasi akibat dari
machine learning menggunakan struktur algoritma Artificial temperatur atmosfer yang sangat dingin dan terkumpul
Neural Network. Desain Artificial Neural Network jadi awan. Adanya angin yang bergerak vertikal
terinspirasi dari jaringan neural biologis dari otak manusia. mengakibatkan awan bergumpal, sedangkan pergerakan
Artificial Neural Network / Jaringan Saraf Tiruan (JST) horizontal angin akan membawa awan ke daerah yang
adalah paradigma pengolahan informasi yang terinspirasi bertekanan lebih rendah. Setelah mencapai saturasi,
oleh sistem saraf secara biologis, seperti proses informasi akan terjadi presipitasi berbentuk hujan. Hujan yang
pada otak manusia. Elemen kunci dari paradigma ini adalah mengenai permukaan bumi akan diserap oleh tanah,
struktur dari sistem pengolahan informasi yang terdiri dari sedangkan yang mengenai sungai akan dialirkan
sejumlah besar elemen pemrosesan yang saling berhubungan kembali ke laut dan akan mengulang siklus hidrologi.
(neuron), bekerja serentak untuk menyelesaikan masalah 2. Kelembaban
tertentu[8]. Artificial Neural Network memerlukan suatu Kelembaban adalah kandungan total uap air di udara
pelatihan atau pembelajaran dalam memproses input yang atau banyaknya kandungan uap air di atmosfer. Udara
diberikan. Algoritma Levenberg-Marquardt merupakan atmosfer adalah campuran dari udara kering dan uap air.
algoritma pelatihan yang sangat efisien untuk pelatihan Kelembaban udara menggambarkan kandungan uap air
jaringan dengan ukuran jaringan yang kecil hingga jaringan di udara yang dapat dinyatakan sebagai kelembaban
yang tidak terlalu besar dengan menggunakan algoritma mutlak.Secara umum kelembaban (Relative Humidity)
Backpropagation[9]. Berdasarkan penelitian terdahulu adalah istilah yang digunakan untuk menggambarkan
menunjukkan bahwa algoritma Levenberg-Marquardt adalah jumlah uap air yang ada di udara dan dinyatakan dalam
algoritma yang cepat dan memiliki konvergensi yang stabil. persen dari jumlah uap air maksimum dalam kondisi
Penelitian prediksi curah hujan menggunakan algoritma jenuh.
pelatihan Levenberg-Marquardt telah dilakukan dibeberapa 3. Suhu
penelitian[10]. Suhu atau temperatur udara adalah derajat panas
Dalam penelitian ini penulis akan dari aktivitas molekul dalam atmosfer. Alat untuk
mengimplementasikan machine learning dalam perkiraaan mengukur suhu atau temperatur udara atau derajat panas
cuaca maritim menggunakan algoritma Artificial Neural disebut Thermometer. Biasanya pengukuran suhu atau
Network. Algoritma yang digunakan pada penelitian ini temperatur udara dinyatakan dalam skala Celcius (C),
adalah algoritma Lavenberg-Marquardt. Dari algoritma Reamur (R), dan Fahrenheit (F). Perubahan suhu udara
tersebut akan dilihat performansinya dalam memprediksi di satu tempat dengan tempat lainnya bergantung pada
cuaca maritim. Penelitian ini akan melihat performani dari ketinggian tempat dan letak astronomisnya (lintang).
algoritma Lavenberg Marquardt dalam memprediksi cuaca Perubahan suhu karena perbedaan ketinggian jauh lebih
dengan perbedaan setiap parameternya. Hasil prediksi cepat daripada perubahan suhu karena perbedaan letak
dengan tingkat akurasi tinggi diharapkan mampu lintang. Biasanya, perubahan suhu terjadi berkisar 0,6
memprediksi cuaca maritim sehingga dapat membantu derajat celcius tiap kenaikan 100 m[12].
kegiatan kelautan diberbagai bidang dan menciptakan 4. Arah dan Kecepatan Angin
keselamatan maritim di setiap kegiatan kelautan. Angin adalah gerak udara yang sejajar dengan
permukaan bumi. Udara bergerak dari daerah
II.TINJAUAN PUSTAKA bertekanan tinggi ke daerah bertekanan rendah. Angin
A. Pengertian Cuaca adalah besaran vektor yang mempunyai arah dan
Cuaca adalah seluruh kejadian di atmosfer bumi yang kecepatan. Arah angin dinyatakan dalam derajat.
merupakan bagian kehidupan sehari-hari manusia di dunia. Sebagai contoh arah 360o adalah arah Utara (U), arah
Cuaca juga merupakan keadaan yang terjadi di permukaan 22,5o adalah arah Utara Timur Laut (UTL), dan
bumi yang dipengaruhi oleh kondisi udara, yaitu tekanan dan sebagainya. Kecepatan angin dinyatakan dalam satuan
suhu. Cuaca di setiap planet berbeda-beda tergantung pada meter per sekon, kilometer per jam atau knot (1
jaraknya dari matahari dan pergerakan gas di setiap atmosfer knot⁓0,51 m/s) dan diukur menggunakan anemometer.
planet-planet tersebut. Bahkan dalam suatu perkotaan juga Kekuatan angin ditentukan oleh kecepatannya, makin
seringkali mempunyai jenis cuaca yang berbeda dari daerah cepat angin bertiup maka makin tinggi/besar
sekelilingnya[11]. Sedangkan menurut kamus besar bahasa kekuatannya. Pada tahun 1804 Beaufort seorang
Indonesia cuaca adalah kedaan udara (tentang temperatur, Laksamana Inggris telah membuat daftar kekuatan dan
cahaya matahari, kelembapan, kecepatan angin dan kecepatan angin yang digunakannya untuk pelayaran.
sebagainya) pada suatu tempan tertentu dengan janka waktu Daftar tersebut dinamakan Skala Beaufort yang
terbatas. memiliki nilai 0 sampai 12. World Meteorological
Organization (WMO) menggunakan klasifikasi
B. Unsur-unsur Cuaca kecepatan angin berdasarkan skala Beaufort. Skala
1. Curah hujan beaufort adalah sistem yang menafsirkan laporan
Hujan adalah presipitasi dalam bentuk cair. Titik- kecepatan angin berdasarkan efek yang ditimbulkan
titik air hujan, berjari-jari antara 0,04-3 mm. Siklus dari kecepatan angin tersebut.
terjadinya hujan dapat dimulai dari penyinaran matahari 5. Tekanan Udara
atau biasa disebut evaporasi. Selanjutnya, uap air yang
3
pengetahuan sebelumnya[17]. Arsitektur sistem ini jaringan syaraf tiruan neuron diorganisasi dalam suatu
dibentuk dari pemroses data yang saling terhubung, lapisan. Kumpuluan neuron dalam satu lapisan inilah
yang bersifat adaptif karena memiliki algoritma yang yang kemudian memproses sinyal masukan untuk
berfungsi mengatur pembobotan dari parameter untuk menjadi nilai keluaran yang kemudian disalurkan ke
mencapai performansi yang diinginkan. Sehingga, lampisan berikutnya hingga mencapai keluran akhir.
keunggulannya terletak pada kemampuannya untuk Neuron pada lapisan yang sama bekerja secara parallel
mempelajari pola yang kemudian memodelkannya dan tidak berhubungan satu sama lain[16].
secara tepat berdasarkan data. Neuron tiruan terdiri atas Berikut ini merupakan macam-macam arsitektur pada
beberapa bagaian seperti input, pembobotan, jaringan syaraf tiruan.
penjumlahan, dan fungsi adaptor. Di bawah ini
merupakan struktur dari neuron tiruan dan struktur. Di
mana xi merupakan masukan, wimerupakan nilai
pembobotan, sementara y adalah keluaran. Operasi
pada neuron terjadi dengan berupa masukan yang akan
mengalami pembobotan yang kemudian dijumlahkan Gambar 3 macam-macam arsitektur Artificial Neural
xw Network (ANN)
i ij
melalui operasi penjumlahan : [17]. Dengan Pada Jaringan syaraf tiruan Multilayer terdapat lapisan
batas atas dan bawah i yang telah ditentukan. Hasil di antara lapisan masukan dan keluaran atau yang
penjumahan tersebut kemudian dimasukkan ke dalam disebut hidden layer. Hidden layer biasanya dalam
fungsi f, atau disebut sebagai fungsi transfer atau fungsi bentuk persamaan non-linier yang juga berfungsi
aktivasi, untuk menghasilkan nilai akhir keluaran. sebagai fungsi aktivasi. Neuron pada hidden layer bisa
dalam jumlah yang tak terhingga dengan jumlah lapisan
yang lebih dari satu.
E. Lavenberq-Marquardt
Algoritma LM dianggap sebagai gabungan dari steepest
descent dan metode Gauss-Newton. Algoritma steepest
descent yang secara luas dipakai dianggap kurang efisien
karena lambatnya untuk mencapai konvegensi. Hal ini
dikarenakan perlunya ukuran langkah yang tepat untuk
gradien menuju konvergen. Kemudian dengan menggunakan
Gambar 2 Struktur Neural Tiruan metode Gauss-Newton, evaluasi gradient permukaan
Di bawah ini merupakan perasamaan pada neuron kesalahan dapat dilakukan menggunakan fungsi turunan orde
tiruan[16] kedua sehingga menemukan ukuran langkah yang tepat dan
NET i 1 xi wij
n
i 1, 2,3,...n konvergen dengan cepat. Algoritma LM sebagai gabungan
(1)
dari kedua metode tersebut bekerja sebagai berikut: apabila
yi f ( NET ) (2) hasil prediksi jauh dari target maka algoritma bekerja sebagai
Fungsi f(.) merupakan fungsi total masukan tertimbang metode steepest descent, sedangkan apabila hasil prediksi
ke neuron. Untuk fungsi asli dari fungsi aktivasi adalah mendekati target, ia berlaku sebagai metode Gauss
dalam bentuk fungsi step (McCulloch-Pitts neurons). Newton[18].
1, jika NET 0 Algoritma LM memberikan pendekatan pada matriks
f Hessian dengan parameter koefisisen kombinasi. Matriks
0 sebaliknya (3) Hessian di sini memberikan perhitungan nilai perubahaan
Di mana NET merupakan total jumlah weighter input. bobot pada jaringan.
Namun, bisa juga fungsi f(.) dalam bentuk selain fungsi H J T J I (5)
step, seperti linier, sigmoid, dll
Pada tahap keluaran, nilai keluaran (zl) dari semua Di mana, μ adalah koefisien kombinasi (selalu bernilai
neuron pada output layer diberikan persamaan sebagai positif), 𝐼 adalah matriks identitas, dan 𝐽 adalah matriks
berikut[14] Jacobian. Sehingga persamaan pembaruan bobot untuk
algoritma LM yaitu
zl f1 ( i 1 yi wij ) l 1, 2,3,...t
n
(4) wk 1 wk ( J k T J k I ) 1 J k ek (6)
Dimana fl merupakan fungsi aktivasi yang biasanya Sehingga ketika μ sangat kecil (mendekati nol) maka
didefiniskan dalam persamaan fungsi linier. Semua pembaruan bobot mendekati algoritma Gauss-Newton.
pembobotan awal dipasang dengan nilai acak, yang Sedangkan ketika μ sangat besar, makaa pembaruan bobot
selanjutnya akan dimodifikasi oleh delta rule mendekati metode steepest descent. Dan apabila μ sangat
berdasarkan data pembelajaran. besar dapat dianggap sebagai koefisien pembelajaran pada
b. Arsitektur Neural Network metode steepest descent.
Jaringan syaraf tiruan bisa dibuat dengan arsitektur 1
yang beragam, bisa dalam bentuk feed forward,
(7)
layered, recurrent dan masih banyak lagi. Pada layered
5
Berikut merupakan diagram alir algoritma Lavenberq- yang didalamnya terdapat evaluasi kerja dari system
Marquardt prediktor ini. Evaluasi ini dilakukan menggunakan dua
Mulai
parameter yaitu dengan mencari nilai presentase keakuratan
Normalisasi data menggunakan rumus berikut:
Jumlah prediksi benar
Inisialisasi bobot awal
% K eakura tan 100%
Inisialisasi jaringan ( hidden layer, max Total prediksi
epoch, target error, parameter Lavenberg
Marquardt, faktor beta)
(10)
Perhitungan feedforward
Selain itu dicari pula nilai Mean Square Error (MSE)
Bentuk matriks Jacobian j(x)
x= bobot dan bias atau Error untuk mengukur performansi jaringan syaraf
Menghitung bobot baru µ=µ*β
tiruan :
1 2
E p i
tidak
ei
Epoch=max epoch
Atau
target error target
tidak
Error baru error lama 2p
iya iya (11)
Dimana E adalah fungsi error rata-rata kuadrat, e adalah
MSE data bobot µ=µ/β
Simpan bobot
selisih antara keluaran yang diinginkan dan yang dihitung, p
Selesai adalah jumlah pola dalam data pelatihan, dan i adalah jumlah
Gambar 4 Diagram alir algoritma LM keluaran yang diinginkan[19].
Proses perhitungan untuk matriks Jacobian pada Secara sederhana MSE dihitung sebagai rata-rata jumlah
algortima LM dapat diatur sesuai dengan perhitungan kuadrat dari perkiraan kesalahan
backpropagation tradisional dalam algoritma orde pertama MSE
(Yt Tt ) 2
tetapi untuk setiap pola, dalam algoritma EBP, hanya satu n (12)
proses backpropagation yang diperlukan, sedangkan dalam Di mana, t adalah periode waktu, n adalah jumlah yang
algoritma Levenberg-Marquardt proses backpropagation diprediksi, Y adalah nilai aktual yang diprediksi, dan T
harus diulang. Untuk perhitungan matriks Jacobian. Input adalah nilai target yang dituju
node y dapat dihitung dalam forward computation. Nilai MSE mengukur jumlah dispersi dari kesalahan.
Sementara parameter error δ diperoleh dalam perhitungan Semakin kecil nilai MSE semakin baik. Semakin kecil
mundur / Backward computation[ CITATION Wil11 \l nilainya maka akan semakin akurat model peramalannya dan
1057 ]. begitu sebaliknya. Akar kuadrat dari hasil MSE dalam
Secara singkat, proses pelatihan algoritma LM adalah standar deviasi dari kesalahan atau Standar Error (Se) atau
sebagai berikut. dapat disebut dengan Root Mean Square Error (RMSE).
1. Evaluasi sum square error (SSE) menggunakan bobot Pada sebagian besar peramalan mengikuti asumsi bahwa
awal. Penurunan persamaan algoritma sebagai berikut. kesalahan mengikuti distribusi normal dengan rata-rata nol
1 P (yang akan diukur oleh bias) dan standar deviasi tertentu
E ( x , w) p 1 m1 e 2 p, m
M
Mul ai
Variabel ini dapat berguna dalam optimalisasi aktivitas
Perum usan Mas alah maritim seperti kecepatan dan arah angin yang dapat
Studi Lite ratur digunakan sebagai raw input dari penentuan sea state yang
Penentuan Variabel Cua ca dapat digunakan dalam safety assessment sebagai
Pengumpulan Data
meteorological risk factor untuk segala aktivitas
Evaluas i dan pengol ahan data
maritim[21].
Peranc angan arsitektur Artf icial
Neuron N etwork D.Pengumpulan data
Pada tahap ini penulis akan mengumpulkan data
Peranc angan Lavenberg-
Mar quardt neural Network pengukuran yang diperoleh dari BMKG Maritim II Perak
Pengujian Sis tem
Surabaya. Data yang dikumpulkan adalah adalah data
pengukuran pada enam variabel yang telah ditentukan
Didapat kan nil ai MSE jaringa n
dengan rentang tahun 2017 hingga 2019. Data 2019 yang
ya didapatkan hingga bulan februari. Data yang digunakan
dalam penelitian ini data tiap jam. Sehingga total data tiap
Pela tiha n hingga j m
tidak
Analisis da n Pe mbahasa n
Pengambilan data kedua tersebut digunakan sebagai
Kesim pulan dan Sar an
pengujian realtime yang dilakukan di wilayah Selat
Madura.Pengambilan data ini dilakukan secara langsung
Sele sai
menggunakan wahana apung, buoyweather tipe 2, yang telah
Gambar 5 Diagram Alir Penelitian dirancang untuk merekam data fisis dari cuaca maritim
selama total 3 hari. Data yang didapat nantinya akan
A. Perumusan Masalah
dijadikan sebagai masukan prediktor untuk memprediksi
Langkah pertama dalam pengerjaan tugas akhir ini adalah
cuaca maritim selama 1-7 hari ke depan.
mengidentifikasi masalah yang akan diselesaikan dalam
penelitian tugas akhir. Rumusan masalah didapatkan dari E. Pengolahan dan analisis data
latar belakang yang menjadi dasar adanya penelitian. Dari data yang telah diambil, dilakukan uji dan analisis
Berdasarkan latar belakang yang disusun maka akan data cuaca. Data yang diperoleh tidak dapat langsung
teridentifikasi rumusan masalah yang akan digunakan pada digunakan, maka perlu adanya pra-pemrosesan data. Pra-
penelitian. Masalah yang telah teridentifikasi dalam tahap pemrosesan adalah suatu langkah atau fase untuk
identifikasi masalah kemudian disusun secara runtut dan mengidentifikasi, menseleksi, atau menangani masalah dari
rinci sehingga akan menjadi poin permasalahan yang suatu himpunan data[22]. Dalam hal ini pra-pemrosesan data
diselesaikan pada penelitian tugas akhir. perlu dilakukan dengan beberapa uji statistik seperti uji
korelasi, uji missing value, dan normalisasi data untuk
B. Studi Literatur
memperbaiki data-data yang cacat dan menilai kualitas dari
Setelah masalah pada penelitian ini ditentukan maka
suatu data dan juga mempercepat pemrosesan data.
langkah selanjutnya yaitu studi literatur mengenai metode
yang akan digunakan untuk menyelesaikan permasalahan F. Perancangan Lvenberq-Marquardt Artificial Neural
pada penelitian tugas akhir. Studi literatur ini dilakukan Network
untuk meningkatkan pemahaman mengenai topik Data-data yang telah dikumpulkan dan telah diolah
permasalahan dan dilakukan melalui pencarian referensi kemudian dibagi untuk dijadikan data latih dan data uji. Data
maupun literatur baik dari jurnal atau handbook. Dilakukan latih ini akan digunakan oleh algoritma JST untuk berlatih
juga studi literatur mengenai penelitian sebelumnya tentang memahami pola variabel cuaca. Hal tersebut akan sangat
prediksi cuaca maritim melalui pendekatan kecerdasan berguna dalam menentukan tingkat akurasi prediksi. Hasil
buatan. dari pelatihan algoritma tersebut akan diuji apakah sistem
yang dirancang sudah menghasilkan RMSE dan MAPE yang
C.Penentuan Variabel Cuaca
kecil. Perbandingan data latih dan data uji pada penelitian ini
Pada tahap ini yaitu menentukan variabel-variabel cuaca
adalah 7:3 atau dalam kata lain 70% data total akan dijadikan
maritim yang akan digunakan pada penelitian dan nantinya
sebagai data latih dan 30% lainnya akan dijadikan sebagai
akan menjadi variabel yang akan diprediksi oleh mesin
data uji.
prediktor yang telah dirancang. Penentuan variabel ini
Variabel JST yang divariasikan pada penelitian ini adalah
berdasarkan sinkronisasi atas variabel yang telah ditetapkan
jumlah hidden node pada hidden layer. Variasi hidden node
penulis dengan ketersediaan data yang dimiliki BMKG
yang digunakan adalah 10,20,30,40 dan 50. Sedangkan
Maritim II Perak Surabaya. Berdasarkan sinkronisasi yang
jumlah iterasi maksimum atau epoch yang digunakan adalah
telah dilakukan, didapatkan beberapa variabel yang akan
1000. Pada setiap variasi hidden node akan dilihat
digunakan pada penelitian ini yaitu curah hujan, kelembaban,
performanya jika salah satu parameter algoritma Lavenberq-
suhu, arah angin, kecepatan angin dan tekanan udara.
7
1 1
target errror dengan variasi 0.001,0.002 dan 0.003.
Berikut merupakan hasil pelatihan dan arsitektur dari WS(t-12)
1
jaringan syaraf tiruan masing-masing prediktor pada
variabel-variabel yang telah ditentukan WS(t)
WD(t+12)
2
1. Arsitektur JST kecepatan angin
Model prediktor terbaik pada variabel kecepatan T(t-12)
3
angin merupakan model yang memiliki hidden node 10
dengan nilai target error 0.002. Hal tersebut dilihat pada
........
T(t)
BIAS BIAS
1 1
Hubungan Hidden Node terhadap
0.03
RH(t-12) CH(t+12)
2
WS(t-12)
3
0.02
10 20 30 40 50
........
Hidden Node
DAFTAR PUSTAKA
[1] P. De Girolamo, M. Di Risio, G. M. Beltrami, G.
Bellotti, and D. Pasquali, “The use of wave forecasts
for maritime activities safety assessment,” Appl.
Ocean Res., 2017.
[2] A. S. Aisjah and S. Arifin, “Maritime weather
Gambar 20 Hasil uji realtime curah hujan prediction using fuzzy logic in java sea,” in
Pada gambar 20 dapat terlihat bahwa index data yang Proceedings of 2011 2nd International Conference
diambil dari data realtime adalah 10. Selain itu pada gambar on Instrumentation Control and Automation, ICA
juga dapat dilihat hasil MSE yang dihasilkan adalah sebesar 2011, 2011.
1.82 . [3] C. Voyant et al., “Machine learning methods for
solar radiation forecasting: A review,” Renewable
Energy. 2017.
V. KESIMPULAN DAN SARAN [4] Q. Y. Feng et al., “ClimateLearn: A machine-
learning approach for climate prediction using
A. KESIMPULAN
network measures,” Geosci. Model Dev. Discuss.,
Berdasarkan hasil penelitian dapat disimpulkan bahwa :
2016.
1. Hasil prediksi cuaca maritim ditunjukkan dengan nilai
[5] B. Qiu, “Kuroshio and Oyashio Currents,” in
MSE. Pada penelitian ini variabel cauaca maritim yang
Encyclopedia of Ocean Sciences: Second Edition,
diprediksi adalah kecepatan angin, arah angin dan curah
2008.
hujan. Pada prediksi kecepatan angin arsitektur terbaik
[6] J. Abbot and J. Marohasy, “The application of
menghasilkan nilai MSE 0.026385, prediksi arah angin
machine learning for evaluating anthropogenic
menghasilkan nilai MSE 0.060009 dan pada prediksi
versus natural climate change,” GeoResJ, 2017.
curah hujan memiliki MSE 0.001267.
[7] J. Abbot and J. Marohasy, “Forecasting extreme
2. Arsitektur terbaik pada prediksi kecepatan angin
monthly rainfall events in regions of Queensland,
didapatkan dari hidden node 10 dan target error 0.002,
Australia using artificial neural networks,” Int. J.
prediksi arah angin didapatkan daru hidden node 10
Sustain. Dev. Plan., 2017.
dengan taget error 0.001. Dan pada prediksi curah
[8] Y. Andrian and E. Ningsih, “Prediksi Curah Hujan
hujan arsitektur terbaik adalah pada hidden node 10 dan
Di Kota Medan Menggunakan,” Semin. Nas. Inform.,
target error 0.001.
2014.
3. Hasil validasi menggunakan bobot arsitektur terbaik
[9] N. Nikentari, N. Ritha, and L. Wati, “Tide level
didapatkan hasil prediksi kecepatan angin
forecast using grammatical evolution,” in
menghasilkan MSE sebesar 2.749. Pada prediksi arah
Proceedings - 2017 International Conference on
angin menghasilkan MSE sebesar 4.616 sedangkan
Sustainable Information Engineering and
pada prediksi curah hujan hasil validasi realtime
Technology, SIET 2017, 2018.
menghasilkan nilai MSE sebesar 1.82 dan
[10] A. R. Naik and K. Pathan, “Weather Classification
4. Berdasarkan hasil penelitian semakin bertambahnya
and Forecasting using Back Propagation Feed-
hidden node tidak menunjukkan performa JST yang
forward Neural Network,” Int. J. Sci. Res. Publ.,
lebih baik. Dari hasil penelitian semakin besar hidden
2012.
node yang digunakan semakin besar pula nilai MSE,
[11] R. J. Kodoatie and R. Sjarief, Tata Ruang Air. 2010.
hal tersebut menunjukkan bahwa performa JST
[12] E. S. Puspita and L. Yulianti, “PERANCANGAN
semakin berkurang karena ditunjukkan dengan nilai
SISTEM PERAMALAM CUACA BERBASIS
MSE yang semakin bertambah.
LOGIKA FUZZY,” Media Infotama, 2016.
5. Dari variasi target error 0.001 hingga 0.003 performa
[13] L. Chen and R. Nayak, “Social network analysis of
JST terbaik ada pada target error 0.001. Hal tersebut
an online dating network,” in Proceedings of the 5th
ditunjukkan pada hasil prediksi yang menghasilkan
International Conference on Communities and
nilai MSE kecil pada target error 0.001
Technologies - C&T ’11, 2011.
B. SARAN
[14] Y. Yang, Y. Chen, Y. Wang, C. Li, and L. Li,
Saran yang dapat diberikan penulis berdasarkan penelitian
“Modelling a combined method based on ANFIS and
yang telah dilakukan adalah sebagai berikut :
neural network improved by DE algorithm: A case
1. Memperbanyak variasi yang dimainkan dalam
study for short-term electricity demand forecasting,”
algoritma Lavenberq-Marquardt agar dapat
Applied Soft Computing Journal. 2016.
menghasilkan hasil yang lebih optimal
[15] K. Shaban, A. El-Hag, and A. Matveev, “A cascade
2. Diperbanyak percobaan dalam proses pelatihan
of artificial neural networks to predict transformers
sehingga dapat mengetahui lebih tentang pengaruh
oil parameters,” IEEE Trans. Dielectr. Electr. Insul.,
parameter algoritma Lavenberq-Marquardt terhadap
2009.
performansi jaringan
[16] R. A. Aliev and B. G. Guirimov, Type-2 fuzzy neural
3. Pengambilan data realtime dilakukan jauh-jauh hari
networks and their applications. 2014.
agar tidak mendapatkan data yang seadanya
13