Jaringan Syaraf Tiruan Backpropagation Untuk

J-COSINE, Vol. 3, No.
2, Desember 2019 E-ISSN:2541-0806

Accredited Sinta-3 by RISTEKDIKTI Decree No. 28/E/KPT/2019 P-ISSN:2540-8895
Jaringan Syaraf Tiruan Backpropagation Untuk

Peramalan Suhu Minimum dan Maksimum,
Kelembaban, Tekanan Udara, Jumlah Hari Hujan,
dan Curah Hujan Bulanan Di Kota Mataram
(Backpropagation Neural Network for Monthly Minimum and Maximum
Temperatures, Humidity, Air Pressure, Number of Rainy Days, and Rainfall
Forecasting In Mataram City)
Ida Nyoman Tegeh Adnyana*, I Gede Pasek Suta Wijaya, Mohammad Ali Albar
Dept Informatics Engineering, Mataram University
Jl. Majapahit 62, Mataram, Lombok NTB, INDONESIA
Email: tegeh_add@yahoo.co.id, [gpsutawijaya, mohalialbar]@unram.ac.id
*Penulis korespondensi
Abstract- Climate condition influents on various sectors of Di lain pihak, JST (jaringan syaraf tiruan) adalah
human life, such as agriculture. Climate forecasting can be sebuah metode yang banyak digunakan dalam
done to help to map the planting period so that agricultural melakukan suatu peramalan. Namun, kelemahan JST
productivity is optimal. An artificial neural network is a yang terdiri dari layer tunggal membuat perkembangan
method that can be used to forecast the climate in the future.
In this research, backpropagation algorithm was used to
JST menjadi terhenti pada sekitar tahun 1970-an.
forecast monthly data on the minimum and maximum Selanjutnya, penemuan backpropagation yang terdiri
temperatures, humidity, air pressure, number of rainy days, dari beberapa layer membuka kembali cakrawala
and rainfall in Mataram city by applying a hidden layer and penelitian mengenai JST. Terlebih setelah berhasil
two hidden layers, and also applying binary sigmoid and ditemukannya berbagai aplikasi (pengenalan pola,
bipolar sigmoid as the activation function. The accuracy of signal processing, dan peramalan) yang dapat
the forecasting result is measured based on MSE (mean diselesaikan dengan backpropagation yang membuat
square error). Based on the research conducted, the MSE of JST semakin diminati orang [1].
the testing phase is minimum temperature is 2.65 x 10-3, the
Peramalan dan simulasi data hidroklimatologi,
maximum temperature is 1.97 x 10-4, humidity is 2.11 x 10-3,
air pressure is 2.50 x 10-3, the number of rainy days is 7.97 x antara lain curah hujan, kelembaban udara, suhu,
10-4, and rainfall is 1.00 x 10-3. penyinaran matahari, dan kecepatan angin telah
dilakukan menggunakan JST backpropagation dengan
Key words: backpropagation, temperature, humidity, air studi kasus di daerah Lombok Tengah [2]. Baik
pressure, number of rainy days, rainfall. pelatihan maupun pengujian metode backpropagation
tersebut, dihasilkan tingkat akurasi yang baik yaitu
I. PENDAHULUAN lebih dari 95 %. Hal ini menunjukkan metode dan
Kondisi iklim sangat berpengaruh terhadap arsitektur JST yang digunakan sangat baik untuk
berbagai sektor kehidupan manusia, salah satunya peramalan. Peramalan menggunakan JST
adalah pertanian. Kondisi cuaca yang tidak menentu backpropagation menggunakan kombinasi hidden
dan iklim yang ekstrim, seperti banjir dan kekeringan neuron dengan alpha juga telah dilakukan untuk
berkepanjangan dapat berpengaruh terhadap masa memprediksi produksi air bersih di PDAM Purwa Tirta
tanam dan masa panen yang pada akhirnya dapat Dharma Kabupaten Grobogan [3]. Pada pengujiannya
menyebabkan kegagalan panen. Untuk menghindari hal dihasilkan tingkat akurasi sebesar 95,93 %.
tersebut dan menjaga kestabilan hasil produksi dari Berdasarkan kedua metode tersebut, metode
sektor pertanian, maka perlu dilakukan pemetaan masa backpropagation dapat digunakan untuk melakkukan
tanam. Hal tersebut dapat dilakukan dengan peramalan.
mengetahui keadaan cuaca dan iklim di masa Berdasarkan permasalahan yang telah diuraikan
mendatang. tersebut, pada penelitian ini akan dilakukan peramalan
Peramalan iklim merupakan suatu studi yang dapat terhadap data bulanan suhu minimum dan maksimum,
dilakukan untuk mendapatkan perkiraan keadaan iklim kelembaban, tekanan udara, jumlah hari hujan, dan
di masa mendatang berdasarkan pada data historis dari curah hujan di Kota Mataram. Metode yang digunakan
keadaan cuaca dan iklim yang telah terjadi sebelumnya. adalah jaringan syaraf tiruan backpropagation. Jumlah
http://jcosine.if.unram.ac.id/ 127
J-COSINE, Vol. 3, No. 2, Desember 2019 E-ISSN:2541-0806
hidden layer dan hidden neuron yang digunakan akan Penelitian mengenai peramalan produksi air bersih
divariasikan, serta membandingkan antara penerapan menggunakan metode jaringan syaraf tiruan
fungsi sigmoid biner dan bipolar untuk mendapatkan backpropagation dengan studi kasus PDAM
nilai akurasi hasil peramalan yang terbaik. Kesalahan (Perusahaan Daerah Air Minum) Purwa Tirta Dharma
hasil peramalan akan dievaluasi menggunakan MSE telah dilakukan. Pada penelitian ini dilakukan
(mean square error). kombinasi antara jumlah hidden neuron dengan alpha
untuk mencari kombinasi terbaik dalam menghasilkan
II. TINJAUAN PUSTAKA data peramalan. Peramalan produksi air bersih
Penelitian-penelitian mengenai peramalan curah dilakukan dengan mempertimbangkan korelasi antara
hujan untuk beberapa daerah telah dilakukan jumlah pelanggan, jumlah air terjual, jumlah
menggunakan metode jaringan syaraf tiruan kehilangan air, dan jumlah debit sumber air. Peramalan
backpropagation [4][5][6][7]. Penelitian mengenai dilakukan menggunakan sebuah hidden layer. Hasil
peramalan curah hujan menggunakan sebuah hidden peramalan terbaik didapatkan menggunakan kombinasi
layer telah dilakuan dengan studi kasus di Kota Medan. tujuh hidden neuron dengan alpha 0,7 [3].
Jumlah hidden neuron yang digunakan bervariasi mulai Penelitian mengenai perbandingan jaringan syaraf
dari lima hingga delapan. Hasil peramalan terbaiknya tiruan backpropagation dengan metode-metode
didapatkan menggunakan lima hidden neuron. peramalan yang lain telah dilakukan [9][10]. Penelitian
Berdasarkan penelitian tersebut diketahui bahwa nilai mengenai peramalan kebutuhan energi listrik jangka
target error berbanding terbalik dengan jumlah ecpoh panjang di Indonesia sampai tahun 2022 telah
[4]. Peramalan curah hujan telah dilakukan dengan dilakukan dengan membandingkan antara metode
studi kasus di Kota Pekanbaru. Pada penelitian ini logika fuzzy dengan jaringan syaraf tiruan
dilakukan pembobotan secara acak dan pembobotan backpropagation, dimana pada metode
dengan metode Nguyen-Widrow. Hasil penelitian backpropagation yang diterapkan menggunakan dua
tersebut menunjukkan metode Nguyen-Widrow hidden layer. Nilai error yang dihasilkan menggunakan
menghasilkan niali MSE yang lebih kecil dibandingkan metode logika fuzzy adalah 8,2413%, sedangkan pada
dengan pembobotan secara acak. Penerapan fungsi metode backpropagation adalah 2,8027% [9].
sigmoid biner menghasilkan akurasi hasil peramalan Peramalan suhu rata-rata di Kairo telah dilakukan
yang tidak jauh berbeda dengan penerapan fungsi dengan membandingkan antara metode jaringan syaraf
sigmoid bipolar, namun penerapan fungsi sigmoid tiruan backpropagation dan regresi linier berganda.
bipolar menghasilkan akurasi yang lebih baik Arsitektur jaringan syaraf tiruan yang digunakan
dibandingkan fungsi sigmoid bipolar [5]. Peramalan adalah satu hidden layer. Hasil penelitian tersebut
curah hujan dilakukan dengan studi kasus pada stasiun menunjukkan metode jaringan syaraf tiruan
BMKG Tenggarong, Kalimantan Timur menggunakan backpropagation memberikan hasil yang lebih baik
dua hidden layer. MSE yang diperoleh adalah 9,6341 x dibandingkan dengan metode regresi linier berganda,
10 -4. Hal ini menunjukkan jaringan syaraf tiruan dimana CC (Coefisien Correlation) yang dihasilkan
backpropagation dapat memberikan akurasi yang baik menggunakan metode jaringan syaraf tiruan adalah
untuk meramalkan curah hujan [6]. Peramalan curah 0,971677 sedangkan CC yang dihasilkan menggunakan
hujan sekaligus suhu telah dilakukan dengan studi metode regresi linier berganda adalah 0,942955 [10].
kasus di Kota Košice. Kinerja terbaik dari sistem Penelitian mengenai pembuatan sistem informasi
peramalan yang dibuat dihasilkan menggunakan berbasis web dengan framework CodeIgniter telah
delapan hidden neuron. Namun, hasil peramalan dan dilakukan. Penelitian mengenai pembuatan sistem
kinerja dari peramalan suhu lebih baik dibandingkan informasi berbasis web dengan studi kasus KPN
dengan peramalan curah hujan [7]. (Koperasi Pegawai Negeri) Universitas Mataram telah
Penelitian mengenai peramalan iklim dan cuaca dilakukan. Pembuatan sistem informasi tersebut dapat
telah dilakukan menggunakan metode jaringan syaraf mempermudah ketua, admin, dan anggota dalam
tiruan backpropagation [2][8]. Penelitian mengenai mengakses informasi dan melakukan berbagai
peramalan hidroklimatologi telah dilakukan terhadap keperluannya terhadap KPN Universitas Mataram
data curah hujan, suhu, kelembaban udara, kecepatan tanpa harus mendatangi KPN Universitas Mataram
angin, dan lama penyinaran matahari dengan studi [11].
kasus di daerah Lombok Tengah. Arsitektur jaringan Berdasarkan uraian mengenai penelitian-penelitian
syaraf tiruan yang dibangun menggunakan dua hidden sebelumnya, dapat diketahui bahwa jaringan syaraf
layer. Akurasi pengujian validasi yang diperoleh tiruan backpropagation baik digunakan untuk
adalah 99,76% [2]. Penelitian mengenai peramalan peramalan. Jika dibandingkan dengan metode regresi
cuaca telah dilakukan untuk daerah Mumbai, linier berganda, jaringan syaraf tiruan backpropagation
menggunakan dua hidden layer. Peramalan yang menunjukkan kinerja yang lebih baik [10]. Pada
dihasilkan memperoleh akurasi sebesar 90% dan error penelitian ini akan dilakukan peramalan terhadap data
0,0773 [8]. suhu minimum dan maksimum, kelembaban, tekanan
udara, jumlah hari hujan, dan curah hujan dengan studi
kasus di Kota Mataram. Metode yang digunakan adalah balik dilakukan yaitu proses perhitungan peramalan akan
jaringan syaraf tiruan backpropagation dengan satu diulangi dengan terlebih dahulu menghitung nilai
hidden layer dan dua hidden layer. Sistem peramalan kesalahan yang terjadi mulai dari unit output ke hidden
yang dibangun berbasis web dengan framework neuron hingga dari hidden neuron ke unit input dilanjutkan
CodeIgniter. Data yang digunakan dari tahun 2008 dengan fase perubahan bobot yaitu merubah bobot di
hingga 2018 yang didapatkan dari BPS (Badan Pusat setiap garis penghubung mulai dari unit output ke hidden
Statistik) Kota Mataram dan BMKG (Badan neuron hingga dari hidden neuron ke unit input
Meteorologi, Klimatologi, dan Geofisika) Stasiun berdasarkan nilai kesalahan yang didapat pada fase
Klimatologi Kediri, Lombok Barat. propagasi balik. Keseluruhan proses tersebut akan diulangi
hingga target error semakin kecil atau terpenuhi.
III. METODE PENELITIAN
Pada penelitian ini, dilakukan peramalan terhadap data Mulai
bulanan suhu minimum, suhu maksimum, kelembaban, Normalisasi nilai input

tekanan udara, jumlah hari hujan, dan curah hujan dengan dan target pada rentang
0,1 hingga 0,9
studi kasus di Kota Mataram. Sistem peramalan yang
dibangun berbasis web menggunakan framework Masukkan nilai
input dan target
CodeIgniter. Alur proses pembuatan system peramalan
menggunakan metode jaringan syaraf tiruan Inisialisasi nilai semua
bobot jaringan neuron
backpropagation terdiri dari empat tahap, yaitu tahap awal secara random pada
rentang [-1,+1]
(penyiapan data), tahap pelatihan, tahap pengujian, dan Hitung nilai bobot baru vji
(pada hidden layer)
tahap peramalan. Pada tahap awal dilakukan penentuan
arsitektur jaringan syaraf tiruan backpropagation yang Hitung semua output di Hitung nilai bobot baru wkj
hidden layer (z_netj dan zj)
akan diterapkan. Pada penelitian ini digunakan dua model, (pada output layer)
yaitu dengan satu hidden layer dan dua hidden layer. Data
Hitung semua output di output Hitung suku perubahan
input yang akan digunakan dalam perhitungan peramalan layer (y_netk dan yk) bobot vji (pada hidden layer)
terlebih dahulu dilakukan normalisasi pada rentang 0,1

Hasil
hingga 0,9. Proses normalisasi data menggunakan peramalan
Hitung faktor error di hidden
layer
persamaan (1) [12].
Hitung suku perubahan
Hitung MSE bobot wkj (pada output
0,8 (𝑥 − 𝑎) layer)
𝑥 = + 0,1 (1)
𝑏−𝑎 Jika Jika
Tidak Ya Hitung faktor error di output
MSE < target epoch < batas
layer
MSE epoch
dimana :
Ya
𝑥 : data hasil dinormalisasi Selesai
Tidak
𝑥 : data awal
Gambar 1. Alur proses pelatihan dengan metode backpropagation
𝑎 : data minimum
𝑏 : data maksimum Y1 Yk Ym
Pada tahap pelatihan akan dilakukan perhitungan data

dengan algoritma backpropagation yang terdiri dari fase
propagasi maju, propagasi balik, dan perubahan bobot. Wk0 Wk1 Wkj Wkp
Wmp
Alur proses pelatihan menggunakan algoritma W10

Wm0 W11
Wm1
W1j
Wmj W1p
backpropagation ditunjukkan pada Gambar 1. 1 Z1 Zj Zp
Fase propagasi maju merupakan proses perhitungan bias
untuk menghasilkan data peramalan diawali dari

perhitungan data input yang diterima pada unit input
dengan setiap bobot yang dimiliki garis penghubung V10 Vj0 Vj1 Vp1 Vji
Vjn Vpn
Vpi
antara unit input dengan hidden neuron. Hasil perhitungan Vp0
V11
V1i V1n
akan diteruskan ke hidden neuron. Hidden neuron kembali 1 X1 Xi Xn
melakukan perhitungan data yang diterima dari unit input bias
dengan setiap bobot yang dimiliki garis penghubung Gambar 2. Arsitektur jaringan syaraf tiruan backpropagation [1]
antara hidden neuron dengan unit output. Hasil
perhitungan tersebut kemudian diteruskan ke unit output Backpropagation merupakan metode jaringan syaraf
dan dijadikan sebagai hasil peramalan. Kesalahan hasil tiruan dengan banyak lapisan yang dapat diterapkan untuk
peramalan terhadap data aktualnya akan dihitung melakukan peramalan berdasarkan kejadian yang bersifat
menggunakan MSE. Jika nilai kesalahan (MSE) yang time series. Gambar 1 menunjukkan proses perhitungan
dihasilkan sesuai target error, proses pelatihan diakhiri. pada tahap pelatihan dengan algoritma backpropagation.
Namun, jika belum memenuhi target error, fase propagasi
Berikut ini adalah algoritma backpropagation dengan

model arsitektur yang ditunjukkan pada Gambar 2 [1]. ∆𝑤 = 𝛼𝛿 𝑧 (9)
Langkah 0 : Bobot dengan bilangan acak kecil antara 0
hingga 1 diinisialisasi. dimana : k = 1, 2, …, m dan j = 0, 1, …, p
Langkah 1 : Jika kondisi penghentian belum terpenuhi, Langkah 7 : Faktor 𝛿 pada setiap hidden neuron dihitung
langkah 2 - 9 dilakukan. berdasarkan kesalahan di setiap hidden neuron zj (j = 1,
Langkah 2 : Langkah 3 - 8 berikut ini dilakukan untuk 2, …, p).
setiap data pelatihan.
Fase I : Propagasi Maju
Langkah 3 : Sinyal input diterima unit input dan 𝛿_𝑛𝑒𝑡 = 𝛿 𝑤 (10)
diteruskan ke hidden neuron.
Langkah 4 : Output di setiap hidden neuron zj (j = 1, 2, …,
p) dihitung. Faktor 𝛿 unit tersembunyi :
𝛿 = 𝛿_𝑛𝑒𝑡 𝑓 z_net = 𝛿_𝑛𝑒𝑡 𝑧 (1 − 𝑧 ) (11)

𝑧_𝑛𝑒𝑡 = 𝑏𝑖𝑎𝑠 + 𝑥𝑣 (2)
Suku perubahan bobot vji dihitung.
dimana : bias = 1.
∆𝑣 = 𝛼 𝛿 𝑥 (12)
Fungsi aktivasi sigmoid biner :
1 dimana : j = 1, 2, …, p dan i = 0, 1, …, n
𝑧 = 𝑓 𝑧_𝑛𝑒𝑡 = (3) Fase III : Perubahan Bobot
1+𝑒 _
Langkah 8 : Semua perubahan bobot dihitung.
Fungsi aktivasi sigmoid bipolar : Perubahan bobot garis yang menuju ke unit output :
2 𝑤 (𝑏𝑎𝑟𝑢) = 𝑤 (𝑙𝑎𝑚𝑎) + ∆𝑤 (13)

𝑧 = 𝑓 𝑧_𝑛𝑒𝑡 = −1 (4)
1+𝑒 _
dimana : k = 1, 2, …, m dan j = 0, 1, …, p
Langkah 5 : Output di setiap unit yk (k = 1, 2, …, m)

dihitung. Perubahan bobot garis yang menuju ke hidden neuron :
𝑣 (𝑏𝑎𝑟𝑢) = 𝑣 (𝑙𝑎𝑚𝑎) + ∆𝑣 (14)

𝑦_𝑛𝑒𝑡 = 𝑏𝑖𝑎𝑠 + 𝑧𝑤 (5)
dimana : j = 1, 2, …, p dan i = 0, 1, …, n
Selanjutnya dilakukan perhitungan nilai MSE untuk
dimana : bias = 1. mengetahui nilai kesalahan pada sistem. Rumus
Fungsi sigmoid biner : perhitungan MSE adalah sebagai berikut [12].
1 1
𝑦 = 𝑓(𝑦_𝑛𝑒𝑡 ) = (6) 𝑀𝑆𝐸 = (𝑦 − 𝑡 ) (15)
1+𝑒 _ 𝑘
Fungsi sigmoid bipolar :
Untuk mengevaluasi hasil peramalan dari sistem yang
2 dibuat, digunakan CC (Correlation Coeficient) yang
𝑦 = 𝑓(𝑦_𝑛𝑒𝑡 ) = −1 (7) dilambangkan dengan r dan MAPE (Mean Absolute
1+𝑒 _
Percentage Error). Koefisien korelasi menunjukkan
Fase II : Propagasi Mundur seberapa kuat hubungan linier antara dua variabl, dalam hal
ini adalah menunjukkan kecocokan antara data aktual
Langkah 6 : Faktor 𝛿 unit output dihitung berdasarkan
dengan hasil peramalan yang dilakukan. Nilainya berkisar
kesalahan di setiap unit output yk (k = 1, 2, …, m).
antara [-1,+1]. Jika nilai koefisien korelasi semakin
mendekati 1, menunjukkan hasil peramalan yang semakin
𝛿 = (𝑡 − 𝑦 )𝑓 (y_net ) = (𝑡 − 𝑦 )𝑦 (1 − 𝑦 ) (8)
baik [10].
Suku perubahan bobot wkj dihitung dengan laju
pembelajaran 𝛼.
Normalisasi nilai input dan Masukkan

Mulai target pada rentang 0,1 nilai input
∑ ((𝑌 − 𝑌 )(𝑋 − 𝑋)) hingga 0,9 dan target
𝑟= 
(16)
∑ (𝑌 − 𝑌) ∑ (𝑋 − 𝑋) Hitung semua output di
Inisialisasi nilai semua bobot
jaringan neuron dari hasil
pelatihan
dimana :
r : koefisien korelasi Hitung semua output di Hasil
Hitung MSE
output layer (y_netk dan yk) peramalan
N : total jumlah output peramalan
𝑌 : data aktual ke-i
𝑌 : rata-rata data aktual Selesai
𝑋 : data peramalan ke-i
Gambar 3. Alur proses pengujian
𝑋 : rata-rata data peramalan
Untuk mengetahui keakurasian sistem peramalan yang Pada tahap peramalan perhitungan hanya melalui fase
dibuat, digunakan MAPE (mean absolute percentage error). propagasi maju untuk mendapatkan hasil peramalan. Pada
MAPE menunjukkan seberapa besar kesalahan peramalan tahap ini, perhitungan data peramalan dilakukan dengan
dengan membandingkan terhadap data aktualnya. Berikut menggunakan bobot-bobot yang didapatkan pada tahap
ini adalah rumus untuk menghitung MAPE [3]. pelatihan. Alur proses peramalan ditunjukkan pada
Gambar 4.
|𝑥 − 𝑦 | Normalisasi nilai input dan Masukkan
∑
𝑥 (17) Mulai target pada rentang 0,1 nilai input
𝑀𝐴𝑃𝐸 = × 100% hingga 0,9 dan target
𝑛
dimana : Inisialisasi nilai semua bobot

Hitung semua output di
𝑥 : data aktual ke-t jaringan neuron dari hasil
pelatihan
𝑦 : data peramalan ke-t
𝑛 : jumlah data
Sehingga nilai akurasinya adalah [3]: Hitung semua output di Hasil
Selesai
output layer (y_netk dan yk) peramalan
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 100% − 𝑀𝐴𝑃𝐸 (18)
Gambar 4. Alur proses peramalan
Setelah perhitungan algoritma backpropagation selesai,
Adapun pada penelitian ini dilakukan peramalan
nilai data output di denormalisasi menggunakan persamaan
dengan memvariasikan nilai dari parameter-parameter
(14) [12].
antara lain jumlah neuron pada hidden layer, laju
pembelajaran, target error, dan fungsi aktivasi. Skenario
(𝑥 − 0,1)(𝑏 − 𝑎)
𝑥 = + 𝑎 (19) pelatihan yang dilakukan pada penelitian ini ditunjukkan
0,8 pada Tabel I.
dimana : TABEL I. SKENARIO PELATIHAN

𝑥 : data hasil dinormalisasi
Parameter Nilai
𝑥 : data awal
Hidden layer 1 10, 30, 50
𝑎 : data minimum
𝑏 : data maksimum Hidden layer 2 10
Pada tahap pengujian perhitungan hanya melalui fase Laju pembelajaran 0,5
propagasi maju untuk mendapatkan hasil peramalan.
Tahap pengujian dilakukan untuk mengetahui tingkat Target error 1x10-4
kesalah hasil peramalan berdasarkan nilai MSE yang Fungsi aktivasi Sigmoid biner, sigmoid bipolar
didapatkan. Pada tahap ini, perhitungan data peramalan
Maksimal epoch 3000
dilakukan dengan menggunakan bobot-bobot yang
didapatkan pada tahap pelatihan. Alur proses pengujian Elemen iklim yang diteliti Suhu minimum, suhu maksimum,
ditunjukkan pada Gambar 3. kelembaban, tekanan udara, jumlah
hari hujan, curah hujan
Pada setiap skenario pelatihan, batas maksimal epoch

yang diberikan adalah 3000. Target error yang digunakan
adalah 1 x 10-4 [2]. Laju pembelajaran yang digunakan
yaitu 0,5 [8]. Hidden layer yang diterapkan ada dua, yaitu
penggunaan satu hidden layer yang terdiri dari 10, 30, dan
50 neuron [10], dan penggunaan dua hidden layer yang
terdiri dari 10, 30, dan 50 neuron pada hidden layer TABEL III. HASIL PELATIHAN SUHU MAKSIMUM
pertama serta 10 neuron pada hidden layer kedua Jumlah hidden neuron
[2][8][10]. MSE
pada hidden layer ke-
Sigmoid Sigmoid
1 2
IV. HASIL DAN PEMBAHASAN biner bipolar
Satu 10 - 9,04 x 10-5 8,58 x 10-5
A. Tahap Awal hidden 30 - 6,29 x 10 -5
7,68 x 10-5
Data yang digunakan dalam penelitian ini adalah data layer
50 - 3,90 x 10 -5
4,71 x 10-5
suhu minimum, suhu maksimum, kelembaban, tekanan 10 10 7,37 x 10 -5
8,89 x 10-5
Dua
udara, jumlah hari hujan, dan curah hujan di Kota Mataram hidden 30 10 7,56 x 10 -5
8,92 x 10-5
yang didapatkan dari BPS (Badan Pusat Statistik) Kota lyaer 7,99 x 10-5 8,39 x 10-5
50 10
Mataram dan Stasiun Klimatologi BMKG (Badan
Meteorologi, Klimatologi, dan Geofisika) Kediri, Lombok Tabel III menunjukkan bahwa penerapan fungsi
Barat. Data yang didapatkan tersebut adalah data aktual sigmoid biner maupun bipolar baik digunakan untuk
suhu minimum, suhu maksimum, kelembaban, tekanan melakukan peramalan suhu maksimum. Hasil pelatihan
udara, jumlah hari hujan, dan curah hujan per bulan dari data suhu maksimum terbaik didapatkan dengan
tahun 2008 hingga 2018. Data dari tahun 2008 hingga 2016 menggunakan sebuah hidden layer yang terdiri dari 50
digunakan untuk tahap pelatihan, data tahun 2017 untuk neuron dengan menerapkan fungsi sigmoid biner. MSE
tahap pengujian, dan data tahun 2018 digunakan untuk yang dihasilkan yaitu 3,90 x 10-5.
membandingkan hasil peramalan di tahun tersebut.
B.3. Kelembaban
B. Tahap Pelatihan Tahap pelatihan dilakukan untuk mengenali pola
Pelatihan dilakukan sesuai skenario yang telah historis dari data kelembaban. Setiap bobot yang
ditentukan yang ditunjukkan pada Tabel I. Pelatihan didapatkan dari hasil pelatihan terbaik akan digunakan
dilakukan untuk mendapatkan bobot-bobot yang akan untuk tahap pengujian dan peramalan. Hasil pelatihan
digunakan untuk melakukan perhitungan peramalan. terbaik dipilih berdasarkan nilai rata-rata MSE terkecil.
B.1. Suhu minimum
TABEL IV. HASIL PELATIHAN KELEMBABAN
Tahap pelatihan dilakukan untuk mengenali pola
Jumlah hidden neuron
historis dari data suhu minimum. Setiap bobot yang MSE
didapatkan dari hasil pelatihan terbaik akan digunakan Sigmoid Sigmoid
1 2
untuk tahap pengujian dan peramalan. Hasil pelatihan biner bipolar
terbaik dipilih berdasarkan nilai rata-rata MSE terkecil. Satu 10 - 7,93 x 10-5 7,06 x 10-5
hidden 30 - 4,33 x 10-5 6,15 x 10-5
TABEL II. HASIL PELATIHAN SUHU MINIMUM layer
50 - 3,38 x 10 -5
5,12 x 10-5
Jumlah hidden neuron Dua 10 10 8,04 x 10 -5
9,08 x 10-5
MSE
pada hidden layer ke- hidden 30 10 7,89 x 10 -5
8,44 x 10-5
Sigmoid Sigmoid lyaer 7,71 x 10-5 8,54 x 10-5
1 2
biner bipolar
50 10
Satu 10 - 7,55 x 10-5 7,46 x 10-5 Tabel IV menunjukkan bahwa bahwa penerapan fungsi
hidden 30 - 4,32 x 10 -5
6,63 x 10-5 sigmoid biner maupun bipolar baik digunakan untuk
layer
50 - 3,11 x 10-5 5,10 x 10-5 melakukan peramalan kelembaban. Hasil pelatihan data
Dua 10 10 6,78 x 10 -5
8,79 x 10-5 kelembaban terbaik didapatkan dengan menggunakan
hidden 30 10 7,29 x 10 -5
8,22 x 10-5 sebuah hidden layer yang terdiri dari 50 neuron dengan
lyaer menerapkan fungsi sigmoid biner. MSE yang dihasilkan
50 10 5,71 x 10 -5
8,49 x 10-5
yaitu 3,38 x 10-5.
Tabel II menunjukkan bahwa penerapan fungsi
sigmoid biner maupun bipolar baik digunakan untuk B.4. Tekanan udara
melakukan peramalan suhu minimum. Hasil pelatihan data Tahap pelatihan dilakukan untuk mengenali pola
suhu minimum terbaik didapatkan dengan menggunakan historis dari data tekanan udara. Setiap bobot yang
sebuah hidden layer yang terdiri dari 50 neuron dengan didapatkan dari hasil pelatihan terbaik akan digunakan
menerapkan fungsi sigmoid biner. MSE yang dihasilkan untuk tahap pengujian dan peramalan. Hasil pelatihan
yaitu 3,11 x 10-5. terbaik dipilih berdasarkan nilai rata-rata MSE terkecil.
B.2. Suhu maksimum Tabel V menunjukkan bahwa bahwa penerapan fungsi
Tahap pelatihan dilakukan untuk mengenali pola sigmoid biner maupun bipolar baik digunakan untuk
historis dari data suhu maksimum. Setiap bobot yang melakukan peramalan tekanan udara. Hasil pelatihan data
didapatkan dari hasil pelatihan terbaik akan digunakan tekanan udara terbaik didapatkan dengan menggunakan
untuk tahap pengujian dan peramalan. Hasil pelatihan sebuah hidden layer yang terdiri dari 50 neuron dengan
terbaik dipilih berdasarkan nilai rata-rata MSE terkecil.
menerapkan fungsi sigmoid biner. MSE yang dihasilkan TABEL VII. HASIL PELATIHAN CURAH HUJAN
yaitu 3,35 x 10-5. Jumlah hidden neuron
MSE
TABEL V. HASIL PELATIHAN TEKANAN UDARA 1 2
Sigmoid Sigmoid
biner bipolar
Jumlah hidden neuron 10 - 7,90 x 10-5 8,03 x 10-5
MSE Satu
Sigmoid Sigmoid hidden 30 - 5,31 x 10 -5
6,19 x 10-5
1 2 layer
biner bipolar 50 - 3,08 x 10 -5
4,09 x 10-5
Satu 10 - 8,33 x 10-5 7,30 x 10-5
Dua 10 10 8,21 x 10 -5
8,89 x 10-5
hidden 30 - 4,83 x 10-5 4,57 x 10-5 hidden 30 10 8,23 x 10 -5
7,84 x 10-5
layer lyaer
50 - 3,35 x 10-5 5,87 x 10-5 50 10 8,27 x 10 -5
7,99 x 10-5
Dua 10 10 8,21 x 10-5 9,02 x 10-5
hidden 30 10 7,97 x 10-5 8,32 x 10-5
C. Tahap Pengujian
lyaer 7,83 x 10-5 8,15 x 10-5 Pengujian dilakukan untuk mengetahui akurasi atau
50 10
tingkat kesalahan dari data peramalan yang dihasilkan.
B.5. Jumlah hari hujan Perhitungan peramalan pada tahap pengujian dilakukan
Tahap pelatihan dilakukan untuk mengenali pola menggunakan bobot-bobot yang telah didapatkan dari
historis dari data jumlah hari hujan. Setiap bobot yang tahap pelatihan. Tahap pengujian dilakukan untuk
didapatkan dari hasil pelatihan terbaik akan digunakan mengetahui tingkat kesalahan data peramalan yang
untuk tahap pengujian dan peramalan. Hasil pelatihan dihasilkan menggunakan bobot-bobot yang didapatkan
terbaik dipilih berdasarkan nilai rata-rata MSE terkecil. dari hasil tahap pelatihan terbaik. Pada tahap pelatihan,
penerapan fungsi aktivasi sigmoid biner menunjukkan
TABEL VI. HASIL PELATIHAN JUMLAH HARI HUJAN hasil yang lebih baik daripada sigmoid bipolar.
Jumlah hidden neuron
MSE TABEL VIII. HASL PENGUJIAN
Sigmoid Sigmoid
1 2
biner bipolar Elemen Iklim MSE CC MAPE
Satu 10 - 8,11 x 10-5 7,56 x 10-5
hidden 30 - 4,84 x 10-5 4,43 x 10-5 Suhu minimum 2,65 x 10-3 0,89 1,58 %
layer
50 - 3,37 x 10 -5
5,68 x 10 -5
Suhu maksimum 1,97 x 10-4 0,98 0,41 %
Dua 10 10 8,11 x 10-5 8,45 x 10-5
-3
Kelembaban 2,11 x 10 0,92 0,75 %
hidden 30 10 7,67 x 10-5 8,61 x 10-5
lyaer
50 10 7,71 x 10 -5
7,96 x 10 -5 Tekanan udara 2,50 x 10 -3
0,92 0,05 %
-4
Tabel VI menunjukkan bahwa bahwa penerapan fungsi Jumlah hari hujan 7,97 x 10 0,99 -
sigmoid biner maupun bipolar baik digunakan untuk Curah hujan 1,00 x 10 -3
0,99 -
melakukan peramalan jumlah hari hujan. Hasil pelatihan
data jumlah hari hujan terbaik didapatkan dengan Hasil pengujian ditunjukkan pada Tabel III. Hasil
menggunakan sebuah hidden layer yang terdiri dari 50 pengujian tersebut didapatkan dengan menggunakan
neuron dengan menerapkan fungsi sigmoid biner. MSE arsitektur backpropagation terbaik berdasarkan hasil
yang dihasilkan yaitu 3,37 x 10-5. pelatihan. Berdasarkan hasil yang didapatkan, penerapan
fungsi sigmoid biner baik digunakan untuk peramalan data
B.6. Curah hujan
suhu minimum, suhu maksimum, kelembaban, tekanan
Tahap pelatihan dilakukan untuk mengenali pola udara, jumlah hari hujan, dan curah hujan. CC (Correlation
historis dari data curah hujan. Setiap bobot yang Coeficient) yang dihasilkan pada tahap pengujian nilainya
didapatkan dari hasil pelatihan terbaik akan digunakan mendekati 1, hal ini menunjukkan adanya kecocokan yang
untuk tahap pengujian dan peramalan. Hasil pelatihan baik antara data aktual dengan hasil peramalan. MAPE
terbaik dipilih berdasarkan nilai rata-rata MSE terkecil. (Mean Absolute Percentage Error) yang dihasilkan
Tabel VII menunjukkan bahwa bahwa penerapan mendekati 0, hal ini menunjukkan hasil peramalan tersebut
fungsi sigmoid biner maupun bipolar baik digunakan memiliki persentase tingkat kesalahan yang kecil. Namun,
untuk melakukan peramalan curah hujan. Hasil pelatihan pada pengujian data jumlah hari hujan dan curah hujan,
data curah hujan terbaik didapatkan dengan menggunakan nilai MAPE tidak dapat dihitung karena adanya data actual
sebuah hidden layer yang terdiri dari 50 neuron dengan yang bernilai 0 (dengan kata lain tidak terjadi hujan pada
menerapkan fungsi sigmoid biner. MSE yang dihasilkan bulan tertentu). Dalam hal ini, pengujian dilakukan
yaitu 3,08 x 10-5. terhadap data tahun 2017, dimana pada bulan Agusuts tidak
turun hujan.
D. Tahap Peramalan dihasilkan pada peramalan data suhu maksimum ini adalah
Peramalan dilakukan untuk memperkirakan data suhu 0,71%, sehingga persentase akurasi peramalannya adalah
minimum, suhu maksimum, kelembaban, tekanan udara, 99,29%. Hal tersebut menunjukkan hasil peramalan pada
jumlah hari hujan, dan curah hujan di tahun 2018. tahap pelatihan memiliki akurasi yang tinggi.
Perhitungan peramalan dilakukan menggunakan bobot- 87
bobot yang telah didapatkan pada tahap pelatihan dan telah
Kelembaban (%)
diuji keakurasiannya pada tahap pengujian. Arsitektur 85
jaringan syaraf tiruan yang dibangun untuk melakukan 83
peramalan dipilih berdasarkan hasil pengujian terbaik.
81
26
Aktual Peramalan 79
Suhu (C)
24 77
1 2 3 4 5 6 7 8 9 10 11 12
22 Bulan
20 Aktual Peramalan
1 2 3 4 5 6 7 8 9 10 11 12
Gambar 7. Peramalan kelembaban dengan input dari tahun 2010 hingga
Bulan 2017 untuk peramalan tahun 2018
Gambar 5. Peramalan suhu minimum dengan input dari tahun 2010
hingga 2017 untuk peramalan tahun 2018 Peramalan kelembaban dilakukan untuk tahun 2018.
Kemudian hasil peramalan tersebut akan dicocokan dengan
Peramalan suhu minimum dilakukan untuk tahun 2018. data aktual pada tahun 2018. Hasil peramalan kelembaban
Kemudian hasil peramalan tersebut akan dicocokan dengan ditunjukkan pada Gambar 7. Nilai koefisien korelasi yang
data aktual pada tahun 2018. Hasil peramalan suhu dihasilkan adalah 0,96. MAPE yang dihasilkan pada
minimum ditunjukkan pada Gambar 5. Nilai koefisien peramalan kelembaban ini adalah 0,60%, sehingga
korelasi yang dihasilkan adalah 0,72. MAPE yang persentase akurasi peramalannya adalah 99,40%. Hal
dihasilkan pada peramalan data suhu minimum ini adalah tersebut menunjukkan hasil peramalan pada tahap pelatihan
2,95%, sehingga persentase akurasi peramalannya adalah memiliki akurasi yang tinggi.
97,05%. Hal tersebut menunjukkan hasil peramalan pada 1009
tahap pelatihan memiliki akurasi yang tinggi. Kesenjangan
Tekanan Udara (Milibar)
1008
antara data aktual dengan hasil peramalan pada bulan
Oktober terjadi karena adanya perubahan suhu minimum 1007
antara data pelatihannya (tahun 2016) dengan data 1006
pengujiannya (tahun 2017). 1005
34 1004
33,5 1003
1002
33
1 2 3 4 5 6 7 8 9 10 11 12
Suhu (C)
32,5
Bulan
32
31,5 Aktual Peramalan
31
Gambar 8. Peramalan tekanan udara dengan input dari tahun 2010
30,5 hingga 2017 untuk peramalan tahun 2018
1 2 3 4 5 6 7 8 9 10 11 12
Bulan Peramalan tekanan udara dilakukan untuk tahun 2018.
Kemudian hasil peramalan tersebut akan dicocokan dengan
Aktual Peramalan data aktual pada tahun 2018. Hasil peramalan tekanan
Gambar 6. Peramalan suhu maksimum dengan input dari tahun 2010 udara ditunjukkan pada Gambar 8. Nilai koefisien korelasi
hingga 2017 untuk peramalan tahun 2018 yang dihasilkan adalah 0,98. MAPE yang dihasilkan pada
peramalan tekanan udara ini adalah 0,02%, sehingga
Peramalan suhu maksimum dilakukan untuk tahun persentase akurasi peramalannya adalah 99,98%. Hal
2018. Kemudian hasil peramalan tersebut akan dicocokan tersebut menunjukkan hasil peramalan pada tahap pelatihan
dengan data aktual pada tahun 2018. Hasil peramalan suhu memiliki akurasi yang tinggi.
maksimum ditunjukkan pada Gambar 6. Nilai koefisien
korelasi yang dihasilkan adalah 0,96. MAPE yang
Jumlah Hari Hujan (Hari)

30 a) Penggunaan sebuah hidden layer yang terdiri dari
50 neuron dengan menerapkan fungsi sigmoid
25 biner menghasilkan peramalan yang terbaik
dengan nilai MSE pada pelatihan data pada suhu
20
minimum 3,11 x 10-5, suhu maksimum 3,90 x
15 10-5, kelembaban 3,38 x 10-5, tekanan udara 3,35
x 10-5, jumlah hari hujan 3,37 x 10-5, dan curah
10
hujan 3,08 x 10-5.
5 b) Ketersediaan data pelatihan yang sedikit dan
perubahan lingkungan yang ekstrem dapat
0 menghasilkan akurasi peramalan yang relatif
1 2 3 4 5 6 7 8 9 10 11 12 rendah, seperti yang ditunjukkan hasil peramalan
Bulan pada suhu minimum bulan Oktober tahun 2018.
Aktual Peramalan Beberapa hal yang dapat disarankan untuk
pengembangan penelitian ini kedepannya adalah sebagai
Gambar 9. Peramalan jumlah hari hujan dengan input dari tahun 2010 berikut :
hingga 2017 untuk peramalan tahun 2018 a) Pada penelitian ini data yang didapatkan terbatas,
yaitu dari tahun 2008 hingga 2018. Sehingga,
Peramalan jumlah hari hujan dilakukan untuk tahun untuk meningkatkan hasil peramalan iklim,
2018. Kemudian hasil peramalan tersebut akan dicocokan diperlukan data yang lebih banyak untuk dapat
dengan data aktual pada tahun 2018. Hasil peramalan mengenali pola data iklim yang lebih baik.
jumlah hari hujan ditunjukkan pada Gambar 9. Nilai b) Peramalan iklim pada penelitian ini juga terbatas
koefisien korelasi yang dihasilkan adalah 0,99. Hal tersebut pada suhu minimum, suhu maksimum,
menunjukkan hasil peramalan pada tahap pelatihan kelembaban, tekanan udara, jumlah hari hujan,
memiliki akurasi yang tinggi. Nilai MAPE pada peramalan dan curah. Sedangkan masih terdapat beberapa
jumlah hari hujan tidak dapat dihitung karena terdapat data elemen iklim yang lainnya, seperti kecepatan
aktual yang nilainya 0 (tidak turun hujan pada bulan Juli). angin, arah angin, dan lamanya penyinaran
600 matahari.
c) Peramalan iklim dapat dilakukan dengan
Curah Hujan (Milimeter)
500 mempertimbangkan korelasi antara elemen-

400 elemen iklim.
300 DAFTAR PUSTAKA
200 [1] J. J. Siang, Jaringan Syaraf Tiruan Dan
100
Pemrogramannya Menggunakan Matlab, I.
Yogyakarta: Andi, 2005.
0 [2] S. Suhaidi, E. Febriana, H. RPN, and I.
1 2 3 4 5 6 7 8 9 10 11 12 Ardiansyah, “ANN Back Propagation for
Bulan Forecasting and Simulation Hydroclimatology
Data,” in Prosiding Seminar Nasional Pendidik
Aktual Peramalan dan Pengembang Pendidikan Indonesia dengan
Tema “Membangun Generasi Berkarakter
Gambar 10. Peramalan curah hujan dengan input dari tahun 2010 Melalui Pembelajaran Inovatif,” 2017, pp. 553–
hingga 2017 untuk peramalan tahun 2018
559.
Peramalan curah hujan dilakukan untuk tahun 2018. [3] A. P. Widodo, Suhartono, E. A. Sarwoko, and Z.
Kemudian hasil peramalan tersebut akan dicocokan dengan Firdaus, “Akurasi Model Prediksi Metode
data aktual pada tahun 2018. Hasil peramalan curah hujan Backpropagation Menggunakan Kombinasi
ditunjukkan pada Gambar 10. Nilai koefisien korelasi yang Hidden Neuron Dengan Alpha,” J. Mat., vol. 20,
dihasilkan adalah 0,99. Hal tersebut menunjukkan hasil pp. 79–84, 2017.
peramalan pada tahap pelatihan memiliki akurasi yang [4] Y. Andrian and E. Ningsih, “Prediksi Curah Hujan
tinggi. Nilai MAPE pada peramalan curah hujan tidak Di Kota Medan Menggunakan Metode
dapat dihitung karena terdapat data aktual yang nilainya 0 Backpropagation Neural Network,” in Seminar
(tidak turun hujan pada bulan Juli). Nasional Informatika, 2014, pp. 184–189.
[5] L. Handayani and M. Adri, “Penerapan JST
V. KESIMPULAN DAN SARAN (Backpropagation) untuk Prediksi Curah Hujan
Beberapa hal yang dapat disimpulkan berdasarkan (Studi Kasus : Kota Pekanbaru),” in Seminar
hasil penelitian ini adalah sebagai berikut : Nasional Teknologi Informasi, Komunikasi dan
Industri (SNTIKI) 7, 2015, pp. 238–247.
[6] Mislan, Haviluddin, S. Hardwinarto, Sumaryono, “Analisis Perbandingan Metode Logika Fuzzy
and M. Aipassa, “Rainfall Monthly Prediction Dengan Jaringan Syaraf Tiruan Backpropagation
Based on Artificial Neural Network : A Case Pada Peramalan Kebutuhan Energi Listrik Jangka
Study in Tenggarong Station, East Kalimantan - Panjang Di Indonesia Sampai Tahun 2022,”
Indonesia,” in International Conference on TRANSIENT, vol. 3, no. 2, 2014.
Computer Science and Computational Intelligence [10] M. A. Ashour, S. A. ElZahaby, and M. I. Abdalla,
(ICCSCI 2015), 2015, pp. 142–151. “Backpropagation Neural Network Approach For
[7] R. Jakša, M. Zelenáková, J. Košcák, and H. Mean Temperature Prediction,” Int. J. Recent Res.
Hlavatá, “Local Prediction of Precipitation Based Appl. Stud., vol. 29, no. 1, pp. 12–18, 2016.
on Neural Network,” in “Environmental [11] D. M. Harja, S. E. Anjarwani, and A. Zubaidi,
Engineering” 10th International Conference, “Sistem Informasi Koperasi Pegawai Negeri
2017, pp. 1–5. ( KPN ) Universitas Mataram Berbasis Web,” J.
[8] M. Narvekar, P. Fargose, and D. Mukhopadhyay, Comput. Sci. Informatics Eng., vol. 2, no. 2, pp.
“Weather Forecasting Using ANN with Error 143–149, 2018.
Backpropagation Algorithm,” in Proceedings of [12] R. N. Fadhilah and R. V. H. Ginardi, “Penentuan
the International Conference on Data Engineering Harga dengan Metode Back Propagation pada
and Communication Technology, 2017, pp. 629– Aplikasi E-Commerce CariKos Berbasis Web,” J.
639. Tek. ITS, vol. 6, no. 2, pp. A495–A500, 2017.
[9] N. Nurkholiq, T. Sukmadi, and A. Nugroho,

Jaringan Syaraf Tiruan Backpropagation Untuk

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Jaringan Syaraf Tiruan Backpropagation Untuk

Diunggah oleh

Hak Cipta:

Format Tersedia

J-COSINE, Vol. 3, No.

2, Desember 2019 E-ISSN:2541-0806

Jaringan Syaraf Tiruan Backpropagation Untuk

bulanan suhu minimum, suhu maksimum, kelembaban, Normalisasi nilai input

terlebih dahulu dilakukan normalisasi pada rentang 0,1

Pada tahap pelatihan akan dilakukan perhitungan data

Alur proses pelatihan menggunakan algoritma W10

backpropagation ditunjukkan pada Gambar 1. 1 Z1 Zj Zp

Fase propagasi maju merupakan proses perhitungan bias

untuk menghasilkan data peramalan diawali dari

akan diteruskan ke hidden neuron. Hidden neuron kembali 1 X1 Xi Xn

melakukan perhitungan data yang diterima dari unit input bias

Berikut ini adalah algoritma backpropagation dengan

𝛿 = 𝛿_𝑛𝑒𝑡 𝑓 z_net = 𝛿_𝑛𝑒𝑡 𝑧 (1 − 𝑧 ) (11)

2 𝑤 (𝑏𝑎𝑟𝑢) = 𝑤 (𝑙𝑎𝑚𝑎) + ∆𝑤 (13)

Langkah 5 : Output di setiap unit yk (k = 1, 2, …, m)

𝑣 (𝑏𝑎𝑟𝑢) = 𝑣 (𝑙𝑎𝑚𝑎) + ∆𝑣 (14)

Normalisasi nilai input dan Masukkan

dimana : Inisialisasi nilai semua bobot

dimana : TABEL I. SKENARIO PELATIHAN

Pada setiap skenario pelatihan, batas maksimal epoch

Jumlah Hari Hujan (Hari)

500 mempertimbangkan korelasi antara elemen-

Anda mungkin juga menyukai