Implementasi Backpropagation Pada Perkiraan Cuaca
Implementasi Backpropagation Pada Perkiraan Cuaca
Disusun Oleh :
210411100011
FAKULTAS TEKNIK
2023
ABSTRAK
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
iv
DAFTAR TABEL
v
vi
BAB I
PENDAHULUAN
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].
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 :
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 :
1.4.2 Manfaat
Adapun manfaat dari penilitin ini sebagai berikut :
3
BAB II
KAJIAN PUSTAKA
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 :
5
Gambar 2.1 Lapisan Jaringan Saraf Tiruan
Jaringan saraf tiruan mengambil input dan menghitung jumlah terimbang dari
input dan termasuk bias. Perhitungan ini dipresentasikan dalam bentuk bukti
transfer.
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.
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.
8
Data yang digunakan dalam pemrogaman tradisional disimpan diseluruh jaringan,
bukan di database. Hilangnya beberapa bagian data disatu tempat tidak mencegah
jaringan beakerja.
9
Jaringan reduksi kenilai keslahan tertentu, dan nilai tidak memberi kita hasil yang
optimal.
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.
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.
11
Saraf. Ini adalah generalisasi dari aturan delta untuk perceptron ke jaringan saraf
multilayer feedforward.
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.
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.
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.
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%.
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%.
15
BAB III
METODOLOGI PENELITIAN
Pada penelitian ini menggunakan alur sistem pada Gambar di bawah ini.
16
Gambar 3.2 Data Prakiraan Cuaca DKI Jakarta Bulan Januari 2018
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 )
' '
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
Z f =f ( Z ¿ ) j
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
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
ΔV ij =aφ 1ij
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) :
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.
[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
[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.
23