PROPOSAL METODOLOGI PENELITIAN

IMPLEMENTASI BACKPROPAGATION PADA PRAKIRAAN

CUACA DIDKI JAKARTA PADA BULAN JANUARI 2018

(STUDI KASUS : PREDIKSI CUACA)

Disusun Oleh :

Moh. Abdan Syakura Putra

210411100011

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS TEKNIK

UNIVERSITAS TRUNOJOYO MADURA

2023
 ABSTRAK

Penelitian ini bertujuan untuk mengimplementasikan metode Backpropagation

dalam model JST (Jaringan Saraf Tiruan) untuk perkiraan cuaca di DKI Jakarta pada
bulan Januari 2018. Sebagai respons terhadap kondisi iklim tropis Indonesia yang
rentan terhadap cuaca ekstrim, penelitian ini mengintegrasikan 5 fitur utama, yaitu
wilayah, cuaca, waktu, kelembaban, dan suhu, untuk memprediksi potensi terjadinya
cuaca buruk di wilayah tersebut. Meskipun metode Backpropagation telah terbukti
efektif dalam prediksi cuaca ekstrim pada penelitian sebelumnya, implementasi
khususnya di DKI Jakarta belum diuji dan dievaluasi secara langsung. Penelitian ini
berfokus pada pengujian hasil dari implementasi Backpropagation pada data cuaca
DKI Jakarta selama bulan Januari 2018. Metode ini diharapkan dapat memberikan
prediksi cuaca yang lebih akurat, memungkinkan masyarakat dan pihak terkait untuk
merencanakan aktivitas sehari-hari dengan lebih baik dan meningkatkan
kewaspadaan terhadap potensi bencana alam akibat cuaca ekstrim. Dengan
menggabungkan data historis cuaca dan faktor-faktor utama yang memengaruhi
perubahan cuaca, penelitian ini bertujuan untuk memberikan pemahaman yang lebih
mendalam tentang potensi cuaca buruk di DKI Jakarta. Hasil dari penelitian ini
diharapkan dapat memberikan kontribusi signifikan terhadap pengembangan metode
perkiraan cuaca yang dapat diandalkan, terutama di wilayah yang rentan terhadap
variasi cuaca seperti DKI Jakarta. Dengan demikian, penelitian ini membuka potensi
untuk meningkatkan tingkat akurasi prediksi cuaca dan memajukan pemahaman kita
terhadap dinamika cuaca di wilayah tersebut.

Kata Kunci: Cuaca, MSE, Backpropagation, JST (Jaringan Saraf Tiruan).

i
 DAFTAR ISI

ABSTRAK.....................................................................................................................i
DAFTAR ISI.................................................................................................................ii
DAFTAR GAMBAR....................................................................................................iv
DAFTAR TABEL.........................................................................................................v
BAB I.............................................................................................................................1
PENDAHULUAN.........................................................................................................1
Latar Belakang...........................................................................................................1
Rumusan Masalah......................................................................................................2
Batasan Masalah........................................................................................................2
1.4 Tujuan dan Manfaat.............................................................................................3
1.4.1 Tujuan............................................................................................................3
1.4.2 Manfaat..........................................................................................................3
BAB II...........................................................................................................................4
KAJIAN PUSTAKA.....................................................................................................4
2.1 Pengertian JST (Jaringan Saraf Tiruan)...............................................................4
2.2 Sejarah JST..........................................................................................................4
2.3 Arsitektur JST......................................................................................................5
2.4 Prinsip JST...........................................................................................................6
2.5 Konsep dasar JST.................................................................................................8
2.6 Kelebihan dan Kekurangan JST...........................................................................8
2.7 Jenis JST..............................................................................................................9
2.7.1 Learning Vector Quantzation(LVQ).............................................................9
2.7.2 Perceptron....................................................................................................10
2.7.3 Multi Layer Perception................................................................................10
2.7.4 Backpropagation(Algoritma Perambatan Mundur).....................................11

ii
 2.7.5 Metode Bacpropagation..............................................................................11
2.7.6 Sejarah Backpropagation.............................................................................11
2.7.7 Lapisan Backpropagation............................................................................12
2.8 Penilitian Terkait................................................................................................13
BAB III........................................................................................................................16
METODOLOGI PENELITIAN..................................................................................16
3.1 Dataset................................................................................................................16
3.2 Pre- Processing...................................................................................................16
3.3 Algoritma dalam pelatihan Backpropagation neural network...........................18
3.4 Arsitektur JST....................................................................................................21
DAFTAR PUSTAKA..............................................................................................22

iii
 DAFTAR GAMBAR

Gambar 2.1 Lapisan Jaringan Saraf Tiruan...................................................................5

Gambar 2.2 Multilayer Feedforward.............................................................................7
Gambar 2.3 Perhitungan Respon Neuron......................................................................7
Gambar 3.1 Flowchart Prepocessing...........................................................................16
Gambar 3.2 Data Prakiraan Cuaca DKI Jakarta Bulan Januari 2018..........................16

iv
 DAFTAR TABEL

Tabel 2.1 Penilitian Terkait.........................................................................................14

Tabel 3.1 Konversi Data..............................................................................................17

v
vi
 BAB I

PENDAHULUAN

1.1 Latar Belakang

Cuaca merupakan suatu kondisi udara di suatu daerah dengan waktu yang
relatif singkat, dinyatakan dengan berbagai parameter seperti suhu, tekanan udara,
kecepatan angin, kelembaban udara, dan berbagai fenomena atmosfer lainnya.
Indonesia memiliki iklim tropis yang menyebabkan banyak terjadinya cuaca
ekstrim [1]. Cuaca ekstrim berpotensi menjadi bencana seperti banjir, tanah longsor,
kebakaran, penyebaran penyakit yang mempengaruhi daya tahan tubuh manusia [2].
Dengan teknik backpropagation pada prakiraan cuaca yang baik dapat diprediksi
kemungkinan perubahan cuaca yang terjadi dengan lebih akurat.

Perkiraan cuaca yang akurat menjadi suatu keharusan dalam membantu kita
merencanakan aktivitas sehari-hari dengan lebih baik. Khususnya, di DKI Jakarta,
wilayah yang seringkali mengalami perubahan cuaca yang sangat bervariasi, prediksi
cuaca yang akurat memiliki nilai yang semakin besar. Cuaca di DKI Jakarta dapat
berubah dengan sangat cepat, mencakup cuaca cerah, berawan, hujan, dan perubahan
suhu yang signifikan. Pentingnya prediksi cuaca yang akurat telah memicu penelitian
dalam pengembangan metode dan model yang dapat memberikan hasil yang lebih
baik [3].

Terdapat peneliti terdahulu yang memprediksi suatu permasalahan dengan

algoritma Backpropagation dalam model JST (Jaringan Saraf Tiruan). Pada penelitian
Fera Damayanti et al., (2023) [4], melakukan prediksi Bencana Alam Akibat Cuaca
Ekstrim menggunakan algoritma backpropagation dalam model JST menghasilkan
prediksi yang cukup baik dengan arsitektur yang terdiri dari 15 hidden layer dan laju
pembelajaran sebesar 0,2 menghasilkan 232 epoch dan MSE 0,0000972 dan
keakuratan sampai 96,83%.

Dari hasil penelitian sebelumnya, dapat disarankan bahwa metode

backpropagation menjadi pilihan yang tepat untuk memprediksi bencana alam akibat
cuaca ekstrim [5]. Dengan tingkat akurasi yang terbukti sangat baik. Untuk itu, pada
penilitian ini akan menggunakan metode Backpropagation dalam model JST
“Implementasi Backpropagation Pada Perkiraan Cuaca Di DKI Jakarta Pada Bulan
Januari 2018”. Penelitian ini akan menggunakan 5 fitur, yaitu wilayah, cuaca, waktu,
kelembaban, dan suhu, untuk memprakirakan potensi terjadinya cuaca buruk
khusunya diwilayah DKI Jakarta.

1
1.2 Rumusan Masalah
Berdasarkan latar belakang di atas konteks pengembangan perkiraan cuaca di
DKI Jakarta dengan menggunakan metode Backpropagation dalam jaringan saraf
tiruan, permasalahan berikut perlu diidentifikasi dan diselesaikan :

1) Bagaimana penerapan algoritma backpropagation untuk memprediksi

perubahan cuaca di wilayah DKI Jakarta pada bulan Januari 2018, dan sejauh
mana model ini dapat memberikan hasil prediksi yang akurat ?
2) Apa saja faktor yang dapat memengaruhi akurasi prediksi cuaca menggunakan
metode backpropagation, dan bagaimana cara mengatasi untuk meningkatkan
performa model tersebut ?

1.3 Batasan Masalah

Dalam mengidentifikasi dan mengatasi permasalahan penelitian ini, ada
beberapa batasan yang perlu diperhatikan. Batasan ini membantu memfokuskan
penelitian pada area tertentu yang relevan dan memungkinkan penelitian untuk
dilaksanakan dengan sumber daya yang tersedia. Berikut adalah batasan-batasan
permasalahan yang perlu diperhatikan dalam penelitian ini:
1. Data Waktu dan Wilayah
Penelitian ini akan membatasi penggunaan data cuaca hanya pada bulan
Januari 2018. Penggunaan periode waktu tertentu ini bertujuan untuk
menciptakan hasil yang konsisten dan terfokus. Selain itu, penelitian berfokus
pada wilayah DKI Jakarta (Daerah Khusus Ibukota Jakarta), yang mencakup
Jakarta Timur, Jakarta Sealatan, Jakarta Pusat, Jakarta Barat, Jakarta Utara,
dan Kepulauan seribu. Pemilihan wilayah ini didasarkan pada ketersediaan
data yang relevan.
2. Variabel Cuaca
Meskipun cuaca dipengaruhi oleh berbagai faktor seperti suhu, kelembaban,
tekanan udara, dan lainnya secara spesifik, penelitian ini akan membatasi
variabel cuaca yang digunakan dalam analisis perkiraan cuaca seperti Cuaca,
Waktu, Kelembaban, Suhu. Variabel-variabel ini akan dipilih berdasarkan
ketersediaan data dan relevansi terhadap tujuan penelitian.
3. Metode
Penelitian ini akan memfokuskan implementasi algoritma Backpropagation
dalam bahasa pemrograman Python sebagai alat utama untuk melakukan
perkiraan cuaca. Penelitian ini tidak akan mencakup pembanding dengan
algoritma lain atau bahasa pemrograman lainnya.
Dengan adanya batasan-batasan ini, penelitian ini diharapkan dapat mencapai tujuan
utama, yaitu mengimplementasikan algoritma Backpropagation untuk memprediksi
cuaca di DKI pada bulan Januari 2018 dengan fokus pada data cuaca yang relevan
dan pemrograman menggunakan Python. Batasan-batasan ini membantu memandu

2
lingkup penelitian dan menyediakan kerangka kerja yang jelas untuk mencapai hasil
yang akurat dan relevan dalam konteks perkiraan cuaca.
1.4 Tujuan dan Manfaat
1.4.1 Tujuan
Adapun tujuan dari penelitian ini sebagai berikut :

1) Tujuan penelitian ini adalah untuk menggunakan algoritma backpropagation

dengan tingkat akurasi yang tinggi dalam memprediksi perubahan cuaca di
wilayah DKI Jakarta pada bulan Januari 2018, dengan harapan dapat
memberikan prediksi cuaca yang lebih akurat untuk memperoleh nilai akurasi
yang tinggi.
2) Penelitian ini bertujuan untuk mengidentifikasi dan memahami faktor-faktor
yang mempengaruhi akurasi prediksi cuaca menggunakan metode
backpropagation di DKI Jakarta selama bulan Januari 2018, dan untuk
mencari cara memperbaiki model prediksi dengan mempertimbangkan faktor-
faktor tersebut.

1.4.2 Manfaat
Adapun manfaat dari penilitin ini sebagai berikut :

1) Dengan menggunakan algoritma backpropagation untuk memprediksi cuaca

dengan tingkat akurasi yang tinggi, manfaatnya adalah memberikan perkiraan
cuaca yang lebih tepat untuk wilayah DKI Jakarta pada bulan Januari 2018.
Ini akan membantu orang-orang biasa, pemerintah, dan perusahaan untuk
membuat keputusan yang lebih baik terkait cuaca, sehingga mengurangi
ketidakpastian dalam menghadapi perubahan cuaca, sehingga dapat
meningkatkan efisiensi dalam aktivitas sehari-hari.
2) Mengembangkan pemahaman yang lebih mendalam tentang proses prediksi
cuaca. Dengan pemahaman ini, penelitian dapat menyelidiki cara-cara untuk
meningkatkan model prediksi dengan mempertimbangkan faktor-faktor
tersebut. Sehingga dapat membantu dalam mengoptimalkan model prediksi
cuaca kedepannya, memastikan bahwa prediksi cuaca menjadi semakin akurat
dan berguna bagi masyarakat dan berbagai sektor yang bergantung pada
prediksi cuaca.

3
 BAB II

KAJIAN PUSTAKA

2.1 Pengertian JST (Jaringan Saraf Tiruan)

Istilah “Jaringan saraf tiruan” menunjukkan sub-bidang kecerdasan buatan
yang terinspirasi secara biologis yang dimodelkan setelah otak. Jaringan saraf tiruan
adalah jaringan Komputasi berdasarkan jaringan saraf biologis yang membangun
struktur otak manusia. Serupa dengan otak manusia yang memiliki neuron-neuron
yang Saling berhubungan satu sama lain, jaringan syaraf tiruan juga memiliki neuron-
neuron neuron yang saling berhubungan dalam berbagai lapisan jaringan. Neuron ini
dikenal sebagai node [6].

Jaringan saraf tiruan (JST) menggunakan algoritme pembelajaran yang dapat

secara mandiri melakukan penyesuaian - atau belajar, dalam arti tertentu - saat
mereka menerima masukan baru. Ini menjadikannya alat yang sangat efektif untuk
pemodelan data statik non-linier. JST pembelajaran mendalam memainkan peran
penting dalam pembelajaran mesin (ML) dan mendukung bidang teknologi
kecerdasan buatan ( AI ) yang lebih luas [7].

2.2 Sejarah JST

Sejarah JST dapat dibagi menjadi tiga era berikut

1. JST selama 1940-an hingga 1960-an

Beberapa perkembangan kunci era ini adalah sebagai berikut :

 1943 Telah diamsusikan bahwa konsep jaringan saraf dimulai dengan karya
ahli fisiologi, Warren McCulloch, dan ahli matematika, Waller Pitts, ketika
pada tahun 1943 mereka memodelkan jaringan saraf sederhana mengunakan
sirkuit listril untuk menggambarkan bagaimana neuron di otak mungkin kerja.
 1949 Buku Donald Hebb, The Organization of Behavior, mengemukakan
fakta bahwa aktivasi berulang dari satu neuron oleh neuron lain meningkatkan
kekuatannya setiap kali mereka digunakan.
 1956 Jaringan memori asosiatif diperkenalkan oleh Taylor.
 1958 Sebuah metode pembelajaran untuk model neuron McCulloch dan pitts
bernama Perceptron ditemukan oleh Rosenblatt.
 1960 Bernard widrow dan Marcian Hoff mengembangkan model yang disebut
“ADALINE” dan “MADALINE”.

4
 2. JST selama 1960-an hingga 1980-an
Beberapa perkembangan kunci era ini adalah sebagai berikut :

 1961 Rosenblatt melakukan upaya yang gagal tetapi mengusulkan skena

“Backpropagation” untuk jaringan multilayer.
 1964 Taylor membangun sirkuit pemenang-ambil- semua dengan hambatan di
antara unit output.
 1969 Perceptron berlapis-lapisML ditemukan oleh Minsky dan Papert.
 1971 Kohonen mengembangkan ingatan Asosiatif.
 1976 Stephen Grossberg dn Gail Carpenter mengembangkan teori resonansi
adaptif.

3. JST dari 1980-an hingga Sekarang

Beberapa perkembangan kunci era ini adalah sebagai berikut :

 1982 Perkemabangan utama adalah pendekatan Energi Hopfield.

 1985 Mesin Boltzmann dikembangkan pleh Ackley, Hinton, dan Sejnowski.
 1986 Rumelhart, Hinton, dan Williams Memperkenalkan Aturan Delta
Umum.
 1988 Kosko mengembangkan Memori Asosiatif BinerB A Mdan juga
memberikan konsep Fuzzy Logic pada JST.

2.3 Arsitektur JST

Untuk memahami konsep arsitektur jaringan saraf tiruan, maka harus
memahami apa yang terdiri dari jaringan saraf tiruan. Untuk mendefinisikan jaringan
saraf yang terdiri dari sejumlah besar neuron buatan, yang disebut unit yang disusun
dalam urutan lapisan. Maka dari itu lihat berbagai jenis lapisan yang tersedia di
jaringan saraf tiruan.

Jaringan Saraf Tiruan terutama terdiri dari tiga lapisan :

5
 Gambar 2.1 Lapisan Jaringan Saraf Tiruan

 Lapisan Input (Input Layer)

Seperti namanya, ia menerima input dalam beberapa format berbeda yang
disediakan oleh progammer
 Lapisan tersembunyi (Hidden Layer)
Lapisan tersembunyi menyajikan di antara input dan output. Ia melakukan
semua perhitungan untuk menemukan fitur dan pola tersembunyi.
 Lapisan Output (Output Layer)
Input melewati serangkaian informasi menggunakan lapisan tersembunyi,
yang akhirnya menghasilkan output yang disampaikan menggunakan lapisan
ini

Jaringan saraf tiruan mengambil input dan menghitung jumlah terimbang dari
input dan termasuk bias. Perhitungan ini dipresentasikan dalam bentuk bukti
transfer.

Ini menentukan total terimbang dilewatkan sebagai input ke fungsi aktivasi

untuk menghasilkan output. Fungsi aktivasi memilih apakah sbuah node harus
diaktifkan atau tidak. Hanya mereka yang dipecat yang berhasil mencapai
lapisan keluaran. Ada fungsi aktivasi khusus yang tersedia yang dapat
diterapkan pada jenis tugas yang kami lakukan.

2.4 Prinsip JST

Jaringan saraf tiruan (JST) adalah sistem pemrosesan informasi paralel yang
terdiri dari sejumlah neuron sederhana (juga disebut node atau unit), yang diatur

6
dalam lapisan dan dihubungkan oleh tautan [8]. Jaringan saraf tiruan meniru struktur
yang sangat saling berhubungan dari otak dan sistem saraf hewan dan manusia
dimana neuron sesuai dengan badan sel dan link yang setara dengan akson dalam
biologi. Ada sejumlah jenis JST yang berbeda, dimana hanya jaringan saraf tiruan
multilayer feedforward untuk tiga variabel input x1, x2, x3 dan satu variabel
responnya ditunjukan pada gambar dibawah ini.

Gambar 2.2 Multilayer Feedforward

Variabel input disajikan ke JST di unit input, yang mendistribusikan informasi

melalui tautan koneksi. Dengan demikian variabel input dikalikan dengan bobot
koneksi w’ ij antara input dan lapisan tersembunyi. Neuron tersembunyi
menjumlahkan sinya berbobot dari neuron input dan kemudian memproyeksikan
jumlah ini pada fungsi aktivasi f h . Aktivsi yang dihasilkan dari neuron tersembunyi
diberi bobot oleh koneksi w”j antara neuron tersembunyi dan neuron keluaran dan
dikirim ke neuron keluaran. Neuron keluaran juga melakukan penjumlahan dan
proyeksi pada fungsi aktivasinya f o . Ouput dari neuron ini adalah respon yang
diperkirakan. Dalam kasus neuron keluaran tunggal, perhitungan respon yang
diperkirakan dapat diringkas sebagai :

Gambar 2.3 Perhitungan Respon Neuron

Dengan demikian n y dan n h adalah jumlah neuron input dan neuron tersembunyi
dan merupakan bias dari neuron tersembunyi dan neuron output, yang menggeser
fungsi transfer secara horizontal. Bobot dan bias dan merupakan parameter yang
dapat disesuaikan, yang ditentukan oleh algoritma pembelajaran selama kalibrasi

7
(sering disebut pelatihan atau pembelajaran) dan yang diberi nilai acak sebelum
kalibrasi. Selama pelatihan, sampel kalibrasi dengan variabel respons yang diketahui
y(konsentrasi) dilewatkan melalui jaringan. Kemudian, kesalahan antara respons yang
diprediksi dan respons eksperimental yang diketahui dihitung dan digunakan untuk
menyesuaikan parameter jaring dalam langkah propagasi balik untuk meminimalkan
kesalahan. Kedua langkah ini membentuk sebuah epoch Guga disebut siklus belajar
atau langkah belajar) dan diulang sampai kesalahan rendah yang dapat diterima
tercapai. Algoritma pembelajaran mencoba untuk menemukan minimum yang dapat
diterima pada permukaan kesalahan, dimana dalam banyak kasus minimum absolut
dari permukaan kesalahan tidak ditemukan.

2.5 Konsep dasar JST

JST terbentuk dari ratusan unit tunggal, neuron buatan atau elemen
pemrosesan (PE), dihubungkan dengan Koefisien (bobot), yang membentuk struktur
saraf dan diatur dalam lapisan. Kekuatan komputasi saraf berasal dari
menghubungkan neuron dalam jaringan. Setiap PE memiliki input berbobot, fungsi
transfer, dan satu Output. Perilaku jaringan saraf ditentukan oleh fungsi transfer
neuronnya, oleh aturan pembelajaran, dan oleh arsitektur itu sendiri. Bobot adalah
parameter yang dapat disesuaikan dan, dalam pengertian itu, jaringan saraf adalah
sistem parameter [9]. JST didasarkan pada upaya untuk memodelkan jaringan saraf
otak. Algoritme pembelajaran untuk mengasosiasikan JST menggunakan prosedur
matematis yang biasanya diturunkan dari metode penurunan gradien sedangkan ANN
yang mengekstraksi fitur memetakan kumpulan data input multidimensi ke dalam
ruang dua dimensi. Kumpulan data peta JST nonadaptif dan mampu merekonstruksi
polanya saat disajikan dengan sampel yang rusak atau berisik. Jaringan pengaitan
biasanya dapat diterapkan di bidang farmasi sebagai alematif metodologi permukaan
respons tradisional, jaringan ekstraksi fitur sebagai alternatif analisis komponen
utama, dan jaringan nonadaptif untuk pengenalan gambar. Berdasarkan kemampuan
tersebut, bidang aplikasi potensial dari metdologi JST dalam ilmu farmasi sangat luas,
mulai dari farmasi klinis melalui biofarmasi, desain obat dan bentuk sediaan, hingga
interpretasi data analitis.

2.6 Kelebihan dan Kekurangan JST

1. Kelebihan JST
 Kemampuan pemrosesan paralel:
Jaringan syaraf tiruan memiliki nilai numerik yang dapat melakukan lebih satu
tugas secara bersamaan.

 Menyuimpan data di seluruh jaringan:

8
Data yang digunakan dalam pemrogaman tradisional disimpan diseluruh jaringan,
bukan di database. Hilangnya beberapa bagian data disatu tempat tidak mencegah
jaringan beakerja.

 Kemampuan untuk bekerja dengan pengetahuan yang tidak lengkap:

Setelah pelatihan JST, informasi dapat menghasilkan output bahkan dengan data
yang tidak memadai. Hilangnya kinerja disini bergantung pada pentingnya data
yang hilang.

 Memiliki distribusi memori:

Agar JST dapat beradaptasi, penting untuk menentukan contoh dan mendorong
jaringan sesuai dengan output yang diinginkan dengan mendemonstrasikan
contoh-contoh tersebut ke jaringan. Sukses jaringan berbanding lurus dengan
contoh yang dipilih, dan jika acara tidak dapat muncul kejaringan dalam semua
asoeknya, itu dapat menghasilkan palsu.

 Memkiliki toleranso kesalahan:

Pemerasan satu atau lebih sel JST tidak melarangnya menghasilkan output, dan
fitur ini membuat toleransi kesalahan jaringan.

2. Kekurangan dari JST

 Jaminan struktur yang tepat:
Tiadak ada pedoman khusus untuk menentukan struktur jaringan syaraf tiruan.
Struktur jaringan yang sesuai dicapai melalui pengalaman, percobaan, dan
kesalahan.

 Perilaku jaringan yang tidak dikenali:

Ini adalah masalah yang signifikan dari JST. Ketika ANN menghasilkan solusi
pengujian, itu tidak memberikan, itu tidak memberikan wawasan tentang
mengapa dan bagaimana. Ini mengurangi kepercayaan paada jaringan.

 Ketergantungan perangkat keras:

Jaringan saraf tiruan membutuhkan prosesor dengan kekuatan pemrosesan paralel,
sesuai dengan strukturnya. Oleh karena itu, realisasi perlatan tergantung.

 Kesulitan menunjukan masalah kejaringan :

JST dapat berkerja dengan data numerik. Masaah harus diubah menjadi nilai
numerik sebelum diperkenalkan ke JST. Mekanisme presentasi yang akan
diselesaikan di sini akan berdampak langsung pada kinerja jaringan. Itu
bergantung pada kemampuan pengguna.

 Durasi jaringan tidak diketahui:

9
 Jaringan reduksi kenilai keslahan tertentu, dan nilai tidak memberi kita hasil yang
optimal.

2.7 Jenis JST

2.7.1 Learning Vector Quantzation(LVQ)
Learning vector guantization (LVO) adalah sebuah algoritma yang merupakan
jenis jaringan syaraf tiruan dan menggunakan komputasi syaraf. Algoritme LVO
memungkinkan seseorang untuk memilih jumlah instance pelatihan yang akan
dijalani dan kemudian mempelajari tentang tampilan instance tersebut. LV ditemukan
oleh Teuvo Kohonen dan terkait dengan algoritma k- nearest neighbor. Learning
Vector Ouanti. ion (LVO) adalah algoritma penyortiran terawasi berbasis prototipe,
yang termasuk dalam algoritma kecerdasan buatan. Ini dapat dipahami sebagai kasus
khusus jaringan saraf tiruan di mana satu set prototipe diinisialisasi dan dipasang
melalui set data pelatihan. Penyesuaian ini didasarkan pada ukuran jarak, seperti
pengklasifikasi k-NN, danLVO mencoba mengoptimalkan hasil pengklasifikasi k-
NN, khususnya versi I-NN-nya. Jadi, melalui pembelajaran kompetitif, prototipe yang
paling dekat dengan sampel pelatihan adalah yang akan diperbarui, bergerak lebih
dekat atau lebih jauh karena mendukung hasil klasifikasi.

2.7.2 Perceptron
Perceptron adalah model sederhana dari neuron biologis dalam jaringan saraf
tiruan. Perceptron juga merupakan nama algoritme awal untuk pembelajaran terawasi
pengklasifikasi biner. Algoritma perceptron mengklasifikasikan pola dan kelompok
dengan menemukan pemisahan linier antara objek dan pola yang berbeda yang
diterima melalui input numerik atau visual. Algoritma perceptron dikembangkan di
Cornell Aeronautical Laboratory pada tahun 1957, didanai oleh United States Office
of Naval Research. Algoritme adalah langkah pertama yang direncanakan untuk
implementasi mesin untuk pengenalan gambar. Mesin, yang disebut Mark 1
Perceptron, secara fisik terdiri dari susunan 400 fotosel yang terhubung ke perceptron
yang bobotnya dicatat dalam potensiometer, yang disesuaikan dengan motor listrik.
Mesin itu adalah salah satu jaringan saraf tiruan pertama yang pernah dibuat. Saat itu,
perceptron diharapkan sangat signifikan bagi perkembangan kecerdasan buatan (AI).
Sementara harapan tinggi mengelilingiperceptron awal, keterbatasan teknis segera
ditunjukkan. Perceptron lapisan tunggal hanya dapat memisahkan kelas jika mereka
dapat dipisahkan secara linier. Kemudian, ditemukan bahwadengan menggunakan
beberapa lapisan, percepiron dapat mengklasifikasikan kelompok yang tidak dapat
dipisahkan secara linier, memungkinkan mereka untuk memecahkan masalah yang
tidak dapat diselesaikan oleh algoritma lapisan tunggal.

2.7.3 Multi Layer Perception

Multi layer perceptron (MLP) adalah suplemen feed forward neural network.
Ini terdiri dari tiga jenis lapisan — lapisan input, lapisan output dan lapisan

10
tersembunyi, seperti yang ditunjukkan pada Gambar. Lapisan input menerima sinyal
input untuk diproses. Tugas yang diperlukan seperti prediksi dan Klasifikasi
dilakukan oleh lapisan keluaran. Sejumlah lapisan tersembunyi yang ditempatkan di
antara lapisan input dan Output adalah mesin komputasi sebenarnya dari MLP. Mirip
dengan jaringan umpan maju dalam MLP, data mengalir dalam arah maju dari lapisan
input ke output. Neuron dalam MLP dilatih dengan algoritma pembelajaran propagasi
balik. MLP dirancang untuk mendekati setiap fungsi kontinu dan dapat memecahkan
masalah yang tidak dapat dipisahkan secara linier. Kasus penggunaan utama MLP
adalah klasifikasi pola, pengenalan, prediksi, dan perkiraan.

2.7.4 Backpropagation(Algoritma Perambatan Mundur)

Dalam pembelajaran mesin . backpropagation ( backprop. BP ) adalah
algoritma yang banyak digunakan untuk melatih jaringan Saraf umpan maju [10].
Dalam menyesuaikan jaringan Saraf, backpropagation menghitung gradien fungsi
Kerugian sehubungan dengan bobot jaringan untuk contoh input-output tanggal. dan
melakukannyaefisien . tidak seperti perhitungan langsung naif dari gradien
sehubungan dengan masing-masing bobot secara individual. Efisiensi ini
memungkinkan penggunaan metode gradien unuk melatih jaringan multilayer,
memperbarui bobot untuk meminimalkan Kerugian: penurunan gradien. atau varian
seperti penurunan gradien. Stokastik . biasanya digunakan. Istilah Bockpropagation
secara Ketat hanya mengacu pada. algoritma Untuk menghitung gradien, bukan
bagaimana gradien digunakan. Namun, istilah ini sering digunakan secara longgar
untuk merujukuk pada keseluruhan algoritma pembelajaran, termusuk bagaimana
gradien digunakan, seperti dengan penurunan gradien stokastik. Backpropagation
menggeneralisasi perhitungan gradien dalam atur delta yang merupakan versi single-
layer, dan pada gilirannya digenrealisasikan oleh diferensiasi otomatis, di mana
backpropagation adalah Kasus Khusus duri akumulasi terbalik (atau “mode
terbalik”). Istilah backpropagation dan penggunaan umum dalam jaringan Saraf
diumumkan diRumelhant, Hinton & Williams (1986a). Kemudian diclaborasi dan
dipopulerkan di Rumelhart, Hinton & Williams (4986b).tetapi teknik ini secara
independen ditemukan kembali berkali-kali. dan memiliki banyak pendahulu yang
berasal dari tahun 1960-an: Lihat Sejarah. Tinjauan modem diberikan dalam buku
teks pembelajaran mendalam oleh Goodfellow, Bengio & Courville 2016).

2.7.5 Metode Bacpropagation

Backpropagation, kependekan dari "backward propagation of error," adalah
algoritma untuk pembelajaran jaringan saraf tiruan yang diawasi menggunakan
penurunan gradien [11]. Mengingat jaringan saraf tiruan dan fungsi kesalahan,
metode menghitung gradien fungsi kesalahan sehubungan dengan bobot jaringan

11
Saraf. Ini adalah generalisasi dari aturan delta untuk perceptron ke jaringan saraf
multilayer feedforward.

Dalam backprogation menggunakan sebuah memori yang lebih sedikit

daripada algoritma yang lain sehingga menghasilkan tingkat kesalahan yang rendah
sehingga dapat diterima dengankecepatan proses yang tepat [12]. Dalam hal ini
menggunakan metode ini dapat memiliki kemampuan mengenali suatu pola input
yang kurang lengkap dan kestabilan pemanggilan pada setiap recall untuk mengenali
pola citra.

2.7.6 Sejarah Backpropagation

Backpropagation ditemukan pada 1970-an sebagai metode optimasi umum
untuk melakukan diferensiasi otomatis fungsi bersarang kompleks. Namun, baru pada
tahun 1986, dengan penerbitan makalah oleh Rumelhart, Hinton, dan Williams,
berjudul "Representasi Pembelajaran dengan Kesalahan Menyebarkan Kembali,"
bahwa pentingnya algoritme dihargai oleh komunitas pembelajaran mesin pada
umumnya.

Para peneliti telah lama tertarik untuk menemukan cara untuk melatih jaringan
saraf tiruan multilayer yang secara otomatis dapat menemukan "representasi internal”
yang baik, yaitu fitur yang membuat pembelajaran lebih mudah dan lebih akurat.
Fitur dapat dianggap sebagai input stercotip ke node tertentu yang mengaktifkan node
tersebut (yaitu menyebabkannya menghasilkan nilai positif mendekati 1). Karena
aktivasi node bergantung pada bobot dan bias yang masuk, peneliti mengatakan
sebuah node telah mempelajari fitur jika bobot dan biasnya menyebabkan node
tersebut aktif saat fitur tersebut ada dalam inputnya.

Pada 1980-an, fitur rekayasa tangan telah menjadi standar de facto di banyak
bidang, terutama dalam visi komputer, karena para ahli mengetahui dari eksperimen
fitur mana (misalnya garis. lingkaran, tepi, gumpalan dalam visi komputer) yang
membuat pembelajaran menjadi lebih sederhana. Namun, fitur rekayasa tangan yang
berhasil membutuhkan banyak pengetahuan dan latihan. Lebih penting lagi, karena
tidak otomatis, biasanya sangat lambat.

Backpropagation adalah salah satu metode pertama yang dapat menunjukkan

bahwa jaringan saraf tiruan dapat mempelajari representasi internal yang baik, yaitu
lapisan tersembunyi mereka mempelajari fitur-fitur nontrivial. Para ahli yang
memeriksa jaringan feedforward multilayer yang dilatih menggunakan

12
backpropagation benar-benar menemukan bahwa banyak node mempelajari fitur yang
serupa dengan yang dirancang oleh pakar manusia dan yang ditemukan oleh ahli saraf
yang menyelidiki jaringan saraf biologis di otak mamalia (misalnya node tertentu
belajar mendeteksi tepi, sementara yang lain menghitung filter Gabor). Lebih penting
lagi, karena efisiensi algoritme dan fakta bahwa pakar domain tidak lagi diperlukan
untuk menemukan fitur yang sesuai, backpropagation memungkinkan jaringan saraf
tiruan diterapkan ke bidang m:yang jauh lebih luas yang sebelumnya terlarang karena
waktu dan kendala biaya.

2.7.7 Lapisan Backpropagation

a. Lapisan input
Lapisan input juga bisa disebut sebagai unit-unit didalam lapisan. Unit-unit ini
memiliki fungsi menerima pola inputan data dari luar yang menggambarkan suatu
permasalahan.

b. Lapisan tersembunyi
Lapisan tersembunyi juga disebut sebagai unit-unit yang ada didalam lapisan.
Lapisan tersembunyi memilki output yang tidak dapat diamati secara langsung.

c. Lapisan output
Lapisan output disebut juga sebagai unit-unit yang ada di dalam lapisan. Lapisan
output merupakan solusi dari permasalahan jaringan saraf tiruan.

2.8 Penilitian Terkait

Pada tahun 2021, Nenni Mona Aruan et al.(2021) melakukan penelitian
Prediksi Tinggi Curah Hujan dan Kecepatan Angin Berdasarkan Data Cuaca Dengan
Penerapan Algoritma Artificial Neural Network (ANN). Pada penelitian ini dilakukan
perbandingan pemodelan dari algoritma neural network yaitu Backpropagation
(BPNN) dan Reccurent neural network (RNN). Implementasi dilakukan dengan
membangun pemodelan prediksi, dimana dataset yang digunakan akan dinormalisasi
terlebih dahulu untuk mendapatkan nilai RMSE terkecil. Berdasarkan percobaan yang
telah dilakukan didapatkan bahwa dalam pemodelan prediksi curah hujan dengan
nilai RMSE terkecil sebesar 0,079535 menggunakan algoritma BPNN. Sedangkan
untuk pemodelan prediksi kecepatan angin diperoleh nilai RMSE terkecil sebesar
0,06281251 menggunakan algoritma RNN. Melalui penelitian tersebut didapatkan
bahwa algoritma BPNN lebih baik dalam memprediksi curah hujan dan algoritma
RNN lebih baik dalam memprediksi kecepatan angin

13
 Pada tahun 2022, Riri Diah Septiarani et al.(2022) melakukan penelitin terkait
Aplikasi Model ANN Metode Backpropagation Untuk Prediksi Cuaca Di Kabupaten
Cilacap. Penelitian ini akan memprediksi cuaca di Kabupaten Cilacap karena
memiliki cuaca yang kurang menentu di bulan-bulan tertentu yang berdampak
langsung pada aktifitas manusia. Pada penelitian tersebut dilakukan 15 kali pengujian
dengan variasi parameter yaitu nilai epoch sebesar 3000, jumlah neuron hidden
sebanyak 5, 10, dan 15, dan learning rate sebesar 0,01; 0,02; 0,03; 0,04 dan 0,05.
Berdasarkan pengujian yang diperoleh tingkat akurasi terbaik berada pada arsitektur
4- 10-2 dengan learning rate 0,01. Arsitektur 4-10-2 menghasilkan nilai MAPE
sebesar 2,568%.

Pada tahun 2023, Fera Damayanti et al.(2023) melakukan penelitian Analisis

Laju Pembelajaran pada Backpropagation dalam Memprediksi Bencana Alam Akibat
Cuaca Ekstrim. Perkiraan cuaca ekstrim sudah menjadi kebutuhan nasional dalam
mengantisipasi bencana alam. Pembacaan pola cuaca ekstrim dapat dilakukan dengan
menggunakan data historis mengenai parameter Meteorologi. Dalam penelitian ini
akan memprediksi bencana alam akibat cuaca ekstrim dengan Laju pembelaran
menunjukkan berapa cepat suatu jaringan dapat mengenali target. Hasil pelatihan
didapat bahwa arsitektur yang terdiri dari 15 hidden layer dan laju pembelajaran
sebesar 0,2 menghasilkan 232 epoch dan MSE 0,0000972. Pada proses pengujian
data Backpropagation dapat memprediksi bencana alam akibat cuaca ekstrim dengan
keakuratan sampai 96,83%.

Tabel 2.1 Penilitian Terkait

No Penulis, Permaslahan Metode/Solusi Hasil Penelitian

Tahun
1. Nenni Mona Prediksi Tinggi Perbandingan RMSE terkecil
Aruan et al. Curah Hujan dan metode curah hujan
(2021) Kecepatan Angin Backpropagation 0,079535 (BPNN),
Berdasarkan Data (BPNN) dan RMSE terkecil
Cuaca Dengan Reccurent neural kecepatan angin
Penerapan network (RNN) 0,06281251 (RNN),
Algoritma disimpulkan bahwa
Artificial Neural algoritma BPNN
Network (ANN) lebih baik dalam
memprediksi curah
hujan dan algoritma
RNN lebih baik
dalam memprediksi

14
 kecepatan angin
2. Riri Diah Aplikasi Model Algoritma Dilakukan 15 kali
Septiarani et ANN Metode Backpropagation pengujian dengan
al.(2022) Backpropagation variasi parameter,
Untuk Prediksi Berdasarkan
Cuaca Di pengujian yang
Kabupaten diperoleh tingkat
Cilacap akurasi terbaik
berada pada
arsitektur 4- 10-2
dengan learning
rate 0,01. Arsitektur
4-10-2
menghasilkan nilai
MAPE sebesar
2,568%.

3. Fera Analisis Laju Algoritma Didapatkan hasil

Damayanti et Pembelajaran Backpropagation bahwa arsitektur
al.(2023) pada yang terdiri dari 15
Backpropagation hidden layer dan
dalam laju pembelajaran
Memprediksi sebesar 0,2
Bencana Alam menghasilkan 232
Akibat Cuaca epoch dan MSE
Ekstrim 0,0000972. Pada
proses pengujian
data
Backpropagation
dapat memprediksi
bencana alam
akibat cuaca
ekstrim dengan
keakuratan sampai
96,83%.

15
 BAB III

METODOLOGI PENELITIAN

Pada penelitian ini menggunakan alur sistem pada Gambar di bawah ini.

Gambar 3.1 Flowchart Prepocessing

3.1 Dataset
Penelitian ini menggunakan dataset yang berisikan atribut tanggal, wilayah,
waktu, cuaca, kelembaban_persen, suhu_derajat_celcius. Dataset didapatkan melalui
website resmi dari Open Data Jakarta website https://data.jakarta.go.id/dataset/data-
prakiraan-cuaca-wilayah-provinsi-dki-jakarta-tahun-2018. Pada gambar dibawah
merupakan contoh bentuk dataset yang digunakan. Keseluruhan dataset ini berisi 720
baris data mengenai perkiraan cuaca di wilayah Provinsi DKI Jakarta pada bulan
januari tahun 2018.

16
 Gambar 3.2 Data Prakiraan Cuaca DKI Jakarta Bulan Januari 2018

3.2 Pre- Processing

Pada tahap prepocessing ini, akan dilakukan sebuah persiapan data sebelum
dimasukan ke dalam sebuah system beckpropagation. Seperti data wilayah terdapat
terdapat lima data. Jakarta timur, Jakarta barat, Jakarta pusat, Jakarta selatan, dan
Jakarta utara. Dari kelima data ini akan diubah atau dikonversi menjadi sebuah angka.
Sama halnya dengan data cuaca, data waktu, data kelembaban, serta data konversi.

Tabel 3.1 Konversi Data

No Fitur Data Konversi

1. Wilayah Jakarta Timur 1
Jakarta Barat 2
Jakarta Pusat 3
Jakarta Selatan 4
Jakarta Utara 5
Kepulauan Seribu 6
2. Cuaca Berawan 1
Berawan Tebal 2
Cerah 3
Cerah Berawan 4
Hujan Local 5
Hujan Petir 6
Hujan Ringan 7
Hujan Sedang 8
3. Waktu Pagi 1
Siang 2
Malam 3
Dini hari 4
4. Kelembaban 60-80 1

17
 60-90 2
65-95 3
70-90 4
70-95 5
75-95 6
80-95 7
5. Suhu 23-30 1
23-32 2
23-33 3
24-28 4
24-29 5
24-30 6
24-31 7
24-32 8
24-33 9
25-30 10

a. Normalisasi Data
Pada tahap ini dilakukan proses normalisasi data yaitu mengubah nilai sehingga
memiliki rentang nilai yang sama. Pada ANN setiap layer dalam proses pengujian dan
pelatihan output arsitektur ANN menggunakan fungsi aktivasi sigmoid biner. Nilai
dari fungsi ini adalah antara 0 dan 1, sehingga harus dinormalisasi dengan persamaan
berikut.
' '
X −min (X )
Xnorm=
max ( X ) −min( X )
' '

Normalisasi data dengan bahasa pemograman python akan dilakukan setelah

melakukan prepocessing yaitu dengan mengubah skala dari dataset menjadi 0 hingga
1. Terlebih akan dinormalisasi dahulu setelah itu akan dibagi data traning dan testing.

b. Data Training dan Data Testing

Data training indeks dari 0 sampai 500 data atau 70% dari dataset. Untuk data
testing indeks dari 501 sampai 720 dataset atau 30% dari dataset. Setelah itu ada
Fungsi MSE untuk menghitung nilai MSE pada sistem backpropagation dengan nilai
inputnya jumlah data dan data error. Output dari fungsi ini adalah nilai MSE dari
sistem backpropagation yang telah dibuat. Dan yang terakhir yaitu STOP untuk
menginisialisasikan mekanisme stopping atau pemberhentian sistem backpropagation
dengan parameter learning rate, MSE, dan epoch.

3.3 Algoritma dalam pelatihan Backpropagation neural network

18
Berikut dibawah ini merupakan langkah-langkah algoritma dalam pelatihan
Bacpropagation :

Langkah 1
o Menginisialisasikan nilai kecil acak sebagai bobot awal. Kemudian
menentukan nilai maksimum Epoh.
o Menginisialisasi target Error yang diinginkan, dan learning rate.
o Mnginisialisasi Epoh = 0. MSE = 1

Langkah 2
o Melakukan langkah-langkah pada fase feed Forward dan fase Back
Propagation selama Epoh
< Maksimum Epoh serta MSE > target Error.
o Epoh = Epoh+1, untuk melakukan 1 epoh.

Lamgkah 3
o Untuk setiap pasangan elemen-elemen yang akan dilakukan pembelajaran,
kerjakan langkah-langkah berikutnya.
Fase Feed Forward :
Langkah 4
o Setiap nilai input (X i , i=1 , 2, … , n) menerima sinyal X i dan melanjutkan
proses tersebut ke semua nilai pada lapisan tersembunyi.

Langkah 5
o Setiap nilai pada lapisan tersembunyi (Z j , j=1 , 2, … , p) menjumlahkan nilai
dari input dan bobot.
n
Z ¿ j =b 1
j ∑ X i V ij
i=1

o Menghitung nilai lapisan tersembunyi dengan menggunkan fungsi aktivasi

Z f =f ( Z ¿ ) j

o Melakukan proses menuju lapisan output.

Langkah 6
o Setiap nilai pada lapisan output (Y ¿k k=1 , 2 ,… , m) akan melakukan
penjumlahan dari perkalian nilai input dan nilai bobot.
p
Y ¿ k =b 2
k ∑ Z j W jk
j=1

o Menghitung nilai output dengan menggunakan fungsi aktivsi

19
 Y k =f (Y ¿ ¿¿ k )¿

Fase Bacpropagation :
Langkah 7
o Setiap nilai ouput (Y ¿¿ k ,k =1 ,2 , … , m)¿ akan melanjutkan proses dengan
target pola yang memiliki hubungan dengan pola nilai input training,
kemudian menghitung niali error sebagai berikut :
'
δ=( t k −Y k ) . f ( Y ¿ ) k

φ 2 jk =δ k Z j
β 2 j=δ k

o Melakukan pengoreksian terhadap nilai bobot pada lapisan output untuk

memperbaiki nilai output.
ΔW jk=aφ 2 jk

o Kemudian melakukan pengoreksian terhadap nilai bias pada lapisan output.

Δβ 2k =aβ 2 k

Langkah 8
o Setiap nilai pada lapisan tersembunyi (Z j , j=1 , 2, … , p) menjumlahkan delta
inputnya dari nilai yang berada pada lapisan diatasnya.
m
δin j=∑ δ 2k W jk
k=1

o Kemudian hitung nilai bobot tersembunyi dengan mengalikannya dengan

turunan dari fungsi aktivasi untuk data error.
'
δ 1 j=δin j . f ( Z ¿ j )
φ 1ij =δ 1i X j
β 1 j=δ 1 j

o Lalu melakukan pengoreksian terhadap nilai bobot pada lapisan tersembunyi.

ΔV ij =aφ 1ij

o Dan juga melakukan pengoreksian terhadap nilai bias

Δβ j=aβ 1 j

20
Langkah 9
o Setiap nilai output (Y k , k =1, 2 , … , m) akan melakukan perbaikan nilai bias
dan nilai bobotnya (J=0 ,1 , 2 , … , p) :

W jk ( baru )=W jk ( lama ) + ΔW jk

B 2k ( baru )=B 2k (lama )+ ΔB 2k

o Setiap nilai pada lapisan tersembunyi akan melakukan b= perbaikan milai

biasa dan nilai bobotnya (i=0 , 1 , 2, … , n)

V ij ( baru )=V ij ( lama ) + ΔV ij

b 1 j ( baru )=b 1 j ( lama )+ Δb 1 j
o Hitung nilai MSE nya.

3.4 Arsitektur JST

Pada penelitian ini arsitektur model JST yang digunakan adalah arsitektur
jaringan multilayer network dengan 3 layer. Dengan melakukan konversi csv hingga
mencari nilai MSE pada data training dan data testing. Setelah melakukan konversi
csv menjadi matrix kemudian normalisasi data, menginisialisasikan arsitektur
backpropogation, stop criteria backpropogation, data bobot dan data bias.
Menginisialisasikan data training dari data kesatu hingga data ke 500 atau 70% dari
data set, menginisialisasikan data testing dari data ke501 hingga akhir data pada data
set atau 3096 dari data set. Mencari epoch, epoch akan dihitung implementasi
backpropogation tiap data input pada data set. Epoch akan berhenti ketika nilai MSE
nya kurang dari MSE target dan epoch akan berakhir saat jumlah epoch pada stop
kriteria memiliki nilai yg sama. Melakukan testing data dengan jumlah data sebanyak
305. Lalu akan dibentuk sebuah grafik antara MSE dengan epoch. Selanjutnya
dihitung akurasi dari backpropogation di semua epoch.

21
 DAFTAR PUSTAKA

[1] R. Diah Septiarini Jurusan Matematika, U. Jenderal Soedirman Jajang, N. Istikaanah Jurusan
Matematika, and U. Jenderal Soedirman Noor Sofiati, “APLIKASI MODEL ANN METODE
BACKPROPAGATION UNTUK PREDIKSI CUACA DI KABUPATEN CILACAP,” vol. 3, pp. 285–296,
2022.

[2] Y. S. Sari, “Penerapan Metode Naïve Bayes Untuk Mengetahui Kualitas Air Di
Jakarta,” Jurnal Ilmiah FIFO, vol. 13, no. 2, p. 222, Nov. 2021, doi:
10.22441/fifo.2021.v13i2.010.

[3] A. Zulfiani and C. Fauzi, “Penerapan Algorimta Backpropagation Untuk Prakiraan

Cuaca Harian Dibandingkan Dengan Support Vector Machine dan Logistic
Regression,” vol. 7, no. 3, pp. 1229–1237, 2023, doi: 10.30865/mib.v7i3.6173.

[4] F. Damayanti, S. Sundari, and R. Liza, “Analisis Laju Pembelajaran pada

Backpropagation dalam Memprediksi Bencana Alam Akibat Cuaca Ekstrim,” vol. 16,
no. 1, p. 2023.

[5] K. Nonik Afsari Dewi, S. Bhari, K. Kunci, and C. Sitasi, “Model Prediksi Curah
Hujan Harian Menggunakan Jaringan Syaraf Tiruan Backpropagation,” Indonesian
Physical Review, vol. 2, no. 1, pp. 9–17, 2019, doi: 10.29303/i.

22
[6] D. A. H. Panggabean, F. M. Sihombing, and N. M. Aruan, “PREDIKSI TINGGI
CURAH HUJAN DAN KECEPATAN ANGIN BERDASARKAN DATA CUACA
DENGAN PENERAPAN ALGORITMA ARTIFICIAL NEURAL NETWORK
(ANN),” SEMINASTIKA, vol. 3, no. 1, pp. 1–7, Nov. 2021, doi:
10.47002/seminastika.v3i1.237.

[7] S. Sunardi, A. Yudhana, and G. Z. Muflih, “Sistem Prediksi Curah Hujan Bulanan
Menggunakan Jaringan Saraf Tiruan Backpropagation,” JURNAL SISTEM
INFORMASI BISNIS, vol. 10, no. 2, pp. 155–162, Dec. 2020, doi:
10.21456/vol10iss2pp155-162.

[8] A. A. Arifnur et al., “Sistem Prakiraan Cuaca Berbasis Android dengan Metode
Jaringan Syaraf Tiruan Backpropagation.”

[9] B. Putra, D. Prayama, and H. Amnur, “Implementasi Jaringan Syaraf Tiruan untuk
Prediksi Cuaca pada PLTA Sumatera Barat,” 2022. [Online]. Available: http://jurnal-
itsi.org

[10] D. Hutabarat, Solikhun, M. Fauzan, A. P. Windarto, and F. Rizki, “Penerapan

Algoritma Backpropagation dalam Memprediksi Hasil Panen Tanaman Sayuran,”
BIOS : Jurnal Teknologi Informasi dan Rekayasa Komputer, vol. 2, no. 1, pp. 21–29,
Mar. 2021, doi: 10.37148/bios.v2i1.18.

[11] A. Prima Aulia and F. Arye Gemilang, “Memprediksi Harga Komoditas Cabe
Menggunakan Metode Backpropagation Di Wilayah Kota Payakumbuh,” Jurnal
KomtekInfo, vol. 8, no. 1, 2021, doi: 10.35134/komtekinfo.v7i4.

[12] A. A. Syam, S. Rifka, and S. Aulia, “Implementasi Pengolahan Citra Untuk

Identifikasi Daun Tanaman Obat Menggunakan Levenberg-Marquardt
Backpropagation,” Elektron : Jurnal Ilmiah, pp. 1–8, Jun. 2021, doi:
10.30630/eji.0.0.176.

23