TELEKONTRAN.
VOL.
NO.
APRIL 2022
DOI : 10.
34010/telekontran.
TELEKONTRAN,
VOL.
NO.
APRIL 2022
p-ISSN : 2303 Ae 2901 e-ISSN : 2654 Ae 7384 Jaringan Saraf Tiruan Menggunakan Metode Backpropagation untuk Prediksi Curah Hujan Artificial Neural Network Using Backpropagation Method for Rainfall Prediction 1Tamaji, 2Yoga Alif Kurnia Utama, 3Josie Sidharta Universitas Widya Kartika.
Jl.
Sutorejo Prima Utara II/1.
Surabaya tamajikayadi@widyakartika.
id, 2yoga.
alif@gmail.
com, 3josiesidharta09@gmail.
Abstrak - Hujan yakni sangat sulit untuk diprediksi.
Banyak faktor yang dapat mempengaruhi terjadiya hujan, mulai dari suhu, kelembapan, curah hujan dan intensitas sinar matahari.
Apalagi ditambah dengan distorsi cuaca seperti El Nino & La Nina yang menyebabkan periode hujan lebih lama daripada biasanya.
Padahal curah hujan yang sangat tinggi dapat menyebabkan bencana seperti banjir dan lain-lain.
Di karenakan hal tersebut sangat penting sekali dalam memprediksi hujan yang akan terjadi di suatu tempat sehingga diharapkan dapat sebagai antisipasi terhadap bencana banjir yang akan terjadi.
Penelitian ini menggunakan Jaringan Saraf Tiruan (JST) dengan menggunakan metode pendekatan backpropagation dalam prediksi curah Data input yang digunakan untuk melatih JST ini adalah data dari Badan Metrologi.
Klimatogi, dan Geofisika (BMKG) tentang curah hujan bulanan tahun 2015-2019.
Berdasarkan hasil pengujian yang telah dilakukan.
Mean Square Error (MSE) pada keluaran JST adalah 0.
Dari output ini bisa diambil garis lurus bahwa JST menggunakan pendekatan metode backpropagation bisa digunakan untuk memprediksi curah hujan yang akan mendatang.
Kata kunci : Backpropagation.
Curah Hujan.
Prediksi.
Jaringan Saraf Tiruan.
Abstract - Rain is very difficult to predict.
This is because there ar eso many factors that can affect rain starting from temperature, humidity, rainfall dan intensity of sunlight.
Moreover, coupled with weather anomalies such as la nina dan el nino which cause a longer rainy period than usual.
Whereas high rainfall causes disasters such as floods dan so on.
Therefore, it is important in predicting the rain that will occur in a place As it is likely possible anticipate flood disaster that will occur.
This study uses a backpropagation type of artificial neural network in predicting rainfall.
Input data that used to train this artificial neural network is data from BKMG about monthly rainfall during 2015-2019.
Based About the result of the conducted test data, the MSE at output of the artificial neural network is 0.
From these effects it could be assume that the synthetic neural network with method backpropagation works well to predict the rainfall that will occur.
Keyword : Backpropagation.
Rainfall.
Prediction.
Artificial Neural Network.
PENDAHULUAN
Air adalah bagian terpenting yang tidak bisa luput dari kehidupan manusia .
Air dapat berguna dalam berbagai macam manfaat seperti untuk minum, membersihkan, dan lain-lainnya.
Air pada muka bumi ini sebesar 72% menyelimuti bumi, tetapi hanya 3% yang bisa dan baik untuk di Air hujan bisa digunakan untuk keperluan minum, mandi, memasak dan sebagainya .
Hujan sebagaimana air pada hujan yang di tampung bisa digunakan untuk keperluan sehari hari dapat membantu kita.
Hujan merupakan siklus air untuk menjaga keseimbangan air .
selain hujan dapat memberikan banyak manfaat untuk kehidupan hujan juga dapat memiliki potensi bencana apabila jumlah dan sebarannya tidak Definisi terjadinya hujan di antaranya adalah lama hujan, intensitas, frekuensi dan kedalaman .
akhir-akhir ini makin banyak bencana banjir yang melanda beberapa kota dikarenakan perubahan iklim dan tidak hanya terjadi di negara Indonesia tetapi di negara besar .
Bencana banjir adalah fenomena alam yang tidak bisa terhindar dan seringkali menimbulkan korban jiwa dan harta benda .
Beberapa peneliatan mengungkapkan bahwa perubahan iklim TELEKONTRAN.
VOL.
NO.
APRIL 2022
sehingga sulit untuk meramalkan hujan yang akan datang dikemudian hari.
Untuk dapat memprediksi curah hujan dan kapan akan hujan maka penulis menggunakan artificial neural network untuk meramal cuaca dengan menggunakan data pada tahun-tahun Artificial neural network .
aringan saraf tirua.
merupakan sebuah model non-liniear yang komplek.
jaringan ini dapat di visualisasikan sebagai grafik dan beberapa sub Neuron yang terbentuk akan berkembang selama proses pembelajaran sehingga membuat sebuah jaringan yang akan dipakai untuk memecahkan masalah dari Auprogram itu sendiri Au .
Ada banyak metode untuk jaringan saraf tiruan itu sendiri, salah satunya yang akan digunakan adalah backpropagation.
Backpropagation adalah algoritma yang diawasi .
dan menggunakan banyak Backpropagation akan memakai error hasil buat memperbaharui nilai bobot-bobotnya pada arah mundur .
Backpropagation biasanya memiliki pada umum nya ada tiga layer yaitu Lapisan Input.
Lapisan Tersembunyi.
Lapisan Keluaran.
Dikarenakan backpropagation adalah salah satu artificial neural network yang bersifat non-linear backpropagation dapat lebih diunggulkan lebih dari metode yang bersifat liniear seperti contoh nya metode regresi Regresi linear merupakan teknik yang dipakai buat memperoleh contoh interaksi menggunakan satu variabel atau bertambah.
Banyaknya metode-metode untuk memprediksi curah hujan pada penilitian lain, salah satu nya AuPrediksi Curah Hujan Bulanan di Deli Serdang Menggunakan Persamaan Regresi Dengan Prediktor Data Suhu Dan Kelembapan UdaraAy .
Menggunakan pendekatan metode regresi dengan mempertimbangkan suhu, kelembapan, intensitas hujan, ada juga yang menggunakan metode logika fuzzy dengan menggunakan variabel suhu, kelembapan, dan angin.
Ada juga yang menggunakan metode kalman filter metode yang melakukan estimasi pada suatu nilai.
Metode yang digunakan kebanyakan bersifat liniear sehingga pada metode backpropagation ini dapat diunggulkan karena metode backpropagation bersifat non liniear.
Tujuan pada penilitian ini untuk membantu dan memaksimalkan mungkin prakiraan pada hujan sehingga masyarakat dapat terhindar dari hujan maupun bencana yang tidak kita inginkan.
II.
METODOLOGI
Pada Jurnal ini dibutuhkan beberapa langkah untuk melakukan metode backpropagation.
Langkah pertama pada penelitian disini kita bisa melihat pada gambar pertama.
Gambar 1.
Langkah Penelitian Contoh yang diperlihatkan pada Gambar 1, merupakan langkah-langkah penelitian ini sebenarnya diringkas dalam 3 langkah.
Ketiga tahapan tersebut dapat digambarkan sebagai Tahap Pengumpulan Data Sebelum membuat jaringan saraf tiruan maka diperlukan sekelompok data yang digunakan untuk melatih jaringan saraf tiruan Di dalam jurnal ini memakai jaringan saraf tiruan yang berguna untuk memprediksi jumlah curah hujan yang akan terjadi.
Oleh karena itu diperlukan sekelompok statistik curah hujan.
Statistik curah hujan yang diambil dari data statistik curah hujan BMKG tiap bulan pada periode 2015 sampai dengan 2019 yang berasal dari Stasiun Metereologi Perak I Surabaya.
Datanya bisa dilihat pada Tabel I.
TELEKONTRAN.
VOL.
NO.
APRIL 2022
Tabel I .
Data Curah Hujan Bulan Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember Hari Hujan .
Tahap Desain Jaringan Saraf Turuan Jaringan saraf tiruan akan dibuat dalam jurnal ini menggunakan struktur jaringan diperlihatkan seperti pada Gambar 2.
Curah Hujan .
Jaringan Backpropagation ini memiliki 3 buah layer yaitu layer input, layer tersembunyi, dan layer Layer input memiliki 12 node, layer tersembunyi memiliki 10 node, dan layer keluaran memiliki 1 node.
Dipilihnya layer input memiliki 12 node dikarenakan dalam setahun ada 12 bulan maka perbulan memuat nilai curah hujan tersebut.
Sedangkan layer tersembunyi memilih 10 node karena lapisan tersembunyi sebagai artificial neuron yang memiliki sekumpulan masukan pembobot dan untuk menghasilan neuron keluaran melalui activation function.
Jaringan saraf tiruan backpropagation menggunakan fungsi aktivasi sigmoid biner dimana fungsinya bernilai 0 sampai dengan 1.
Asalkan pada fungsi sigmoid biner seharusnya tidak akan pernah menggapai angka 0 maupun 1.
Dikarenakannya hal itu, data pada curah hujan di wajibkan melakukan normalisasi dahulu sebelum data nya di olah salah satu misalnya direntang 0,1 hingga 0,9 memakai rumusan berikut.
ycUA = 8 .
cU Oe yc.
ca Oe yc.
Penjelasannya:
X = kuantitas data autentik b = bilangan minimal pada data autentik a = bilangan maksimal pada data autentik XAo = data yang dinormalisasi Gambar 2.
Struktur Jaringan Backpropagation TELEKONTRAN.
VOL.
NO.
APRIL 2022
Tabel II.
Data yang Dinormalisasi Data Curah Hujan Stasiun Perak I Surabaya .
m/bula.
Tahun JAN
FEB
MAR APRIL
MEI
JUN JUL AGU
SEP
OKT
NOV
DES
82,5 170,4 190,1
191,7 224,5 205,8
Data Curah Hujan Hasil Normalisasi
FEB MAR APR MEI JUN JUL AGU
0,624 0,562 0,368 0,252 0,100 0,1
SEP
OKT
No Tahun JAN
0,599 0,779 0,345 0,389 0,560 0,221 0,221 0,188 0,231 0,371 0,402 0,710
0,404 0,457 0,427 0,169 0,106 0,140
0,171
NOV DES
0,367 0,314
0,335 0,440
Tabel i.
Contoh Format pada Excel Pola Data Masukan Data pada bulan ke-1 s.
d bulan ke-12 Target Data pada bulan ke-13 Data pada bulan ke-2 s.
d bulan ke-13 Data pada bulan ke-14 Data pada bulan ke-3 s.
d bulan ke-14 Data pada bulan ke-12 s.
d bulan ke 23 Data pada bulan ke-15 Data pada bulan ke-24 Tabel IV.
Data yang dimasukan ke dalam format tabel
Data Latih
Po x1
1 0,9
0,624850 0,562823 0,368787 0,252842 0,10031
2 0,624850 0,562823 0,368787 0,252842 0,100318 0,1
3 0,562823 0,368787 0,252842 0,100318 0,1
4 0,368787 0,252842 0,100318 0,1
5 0,252842 0,100318 0,1
6 0,100318 0,1
0,36703
7 0,1
0,367037 0,31439
8 0,1
0,367037 0,314393 0,55932
9 0,1
0,367037 0,314393 0,559324 0,77912
10 0,1
0,367037 0,314393 0,559324 0,779125 0,34540
11 0,367037 0,314393 0,559324 0,779125 0,345407 0,38914
12 0,314393 0,559324 0,779125 0,345407 0,389145 0,56011
Target
0,36703
0,31439
0,55932
0,77912
0,34540
0,38914
0,56011
0,22103
0,22198
0,36703
0,31439
0,55932
0,77912
0,34540
0,38914
0,56011
0,22103
0,22198
0,18827
0,36703
0,31439
0,55932
0,77912
0,34540
0,38914
0,56011
0,22103
0,22198
0,18827
0,23121
0,36703
0,31439
0,55932
0,77912
0,34540
0,38914
0,56011
0,22103
0,22198
0,18827
0,23121
0,37101
0,31439
0,55932
0,77912
0,34540
0,38914
0,56011
0,22103
0,22198
0,18827
0,23121
0,37101
0,40234
0,55932
0,77912
0,34540
0,38914
0,56011
0,22103
0,22198
0,18827
0,23121
0,37101
0,40234
0,71089
0,36703
0,31439
0,55932
0,77912
0,34540
0,38914
0,56011
0,22103
TELEKONTRAN.
VOL.
NO.
APRIL 2022
Data Uji
0,559
0,779
0,345
0,389
0,560
0,221
0,221
0,188
0,231
0,371
0,402
0,710
0,779
0,345
0,389
0,560
0,221
0,221
0,188
0,231
0,371
0,402
0,710
0,404
0,345
0,389
0,560
0,221
0,221
0,188
0,231
0,371
0,402
0,710
0,404
0,457
0,389
0,560
0,221
0,221
0,188
0,231
0,371
0,402
0,710
0,404
0,457
0,427
0,560
0,221
0,221
0,188
0,231
0,371
0,402
0,710
0,404
0,457
0,427
0,169
0,221
0,221
0,188
0,231
0,371
0,402
0,710
0,404
0,457
0,427
0,169
0,106
Setelah mendapat data curah hujan normalisasi maka, bisa menggunakan data latih yaitu data curah hujan tahun 2015 hingga tahun 2016 pada Tabel II .
asil normalisas.
Data tersebut akan digunakan sebagai masukan untuk model jaringan saraf tiruan untuk prediksi, seperti pada Gambar Setelah data sudah disiapkan kedalam format tabel menggunakan Microsoft Excel, kita dapat melakukan pemograman untuk melatih jarigan.
Desain jaringan saraf tiruan yang akan dipakai adalah 12-10-1, artinya jaringan tersebut mulai dari 12 nilai untuk lapisan input .
tatistik curah hujan selama 12 bula.
dan 10 neuron di lapisan tersembunyi dan hanya satu nilai untuk lapisan keluaran yaitu statistik curah hujan pada bulan Langkah-langkah pengujian jaringan saraf Setelah pelatihan tentang jaringan saraf tiruan selesai, langkah selanjutnya adalah menguji jaringan saraf tiruan.
Pengujian ini dilakukan dengan memasukkan data uji, dimana data uji ini berupa data curah hujan yang berasal dari data BMKG dengan tahun Hasil keluaran dari output jaringan akan dibdaningkan output data yang sesungguhnya.
Hasil kesalahan akan dihitung menggunakan kriteria mean square error (MSE).
MSE
0,221
0,188
0,231
0,371
0,402
0,710
0,404
0,457
0,427
0,169
0,106
0,140
0,188
0,231
0,371
0,402
0,710
0,404
0,457
0,427
0,169
0,106
0,140
0,231
0,371
0,402
0,710
0,404
0,457
0,427
0,169
0,106
0,140
0,371
0,402
0,710
0,404
0,457
0,427
0,169
0,106
0,140
0,171
0,171
0,402
0,710
0,404
0,457
0,427
0,169
0,106
0,140
0,171
0,710
0,404
0,457
0,427
0,169
0,106
0,140
0,171
0,335
Target
0,404
0,457
0,427
0,169
0,106
0,140
0,171
0,335
0,440
dihitung menggunakan persamaan seperti di bawah ini.
ycAycIya = Oc.
cUycn Oe ycUIycn )2 ycu ycn=1 MSE = mean square error = banyaknya data ycUycn = data asli ycUIycn = data output jaringan i.
HASIL DAN PEMBAHASAN
Hasil pada pelatihan jaringan neural dengan menggunakan pelatihan Gradient Descent dengan Momentum & Adaptive LR dan perfomansi menggunakan Mean Squared Error .
dengan progress pelatihan Epoch sebesar 50000 iterasi dengan waktu pelatihan selama 1menit 34detik.
Perfomansi berhenti ketika epoch telah mencapai titik yang di batasi sebesar 8.
63e-29 dan gradient Epoch adalah ketika semua dataset sudah melalui proses pelatihan di jaringan sampai dikembalikan lagi ke awal untuk sekali putaran.
Perfomansi adalah target angka yang kita tentukan untuk Mean Squared Error tersebut.
Gradient adalah optimasi algoritma yang biasa digunakan untuk melatih sebuah jaringan.
Dapat dilihat pada Gambar 3 Neural Network yang menunjukan jaringan yang dipakai.
TELEKONTRAN.
VOL.
NO.
APRIL 2022
menghasilkan angka 8.
6304e-29 pada Epoch ke Gambar 5.
Hasil Perfomansi pada Data Latih Gambar 3.
Hasil Data Latih Program Pada Gambar 6, menunjukan hasil pada data Latih dan Target menunjukkan hasil yang hampir sama dengan total Mean Squared Error sebesar 6304e-29 bisa dilihat pada grafik garis biru tidak terlihat sama sekali karena sama dengan target karena error yang sangat kecil.
Pada Gambar 4 dibawah ini menghasilkan data Regression yang sebesar 1 sangat cocok dan sama dengan jaringan dan data latih.
Gambar 6.
Hasil Grafik & MSE pada data latih Gambar 4.
Hasil Regression pada Data Latih Pada Gambar 5 dibawah ini menunjukan hasil perfomansi latihan terbaik pada data latih yang Berikut merupakan hasil dari data latih yang digunakan untuk melatih program dengan hasil yang cukup baik.
Tetapi setiap pelatihan pada jaringan dapat merubah hasil dari keluaran jaringan saraf tiruan itu sendiri.
Hasil pada Gambar 7 dibawah ini menunjukan hasil regresi antara data uji dan keluaran jaringan saraf tiruan sebesar 0.
TELEKONTRAN.
VOL.
NO.
APRIL 2022
Gambar 8.
Hasil Grafik dan MSE pada Data uji Gambar 7.
Hasil Regresi pada Data Uji Pada hasil dibawah ini Gambar 8 menunjukan grafik pada keluaran Jaringan Saraf Tiruan .
erwarna bir.
dengan Target .
erwarna mera.
yang menghasilkan MSE (Mean Squared Erro.
dengan hasil sebesar 0.
Setelah diperhatikan dan dibandingkan grafik keluaran jaringan saraf tiruan dan target pada bulan pertama sampai ke lima agak cukup jauh dapat dikarenakan oleh data latih yang digunakan terlalu Tetapi mulai pada bulan ke enam hingga ke dua belas keluaran jaringan saraf tiruan hampir mendekati dengan target.
Untuk menghitung Mean Squared Error pada hasil Gambar 8, kita perlu normalisasi hasil curah hujan seperti pada persamaan pertama dan dihitung untuk Mean Squared Error nya seperti pada persamaan kedua yang menghasilkan nilai Mean Squared Error pada Tabel V.
Tabel V.
Tabel Perhitungan MSE
No Y
Hasil Normalisasi Hasil Normalisasi
0,404891
0,457058
0,427316
0,16998
0,106521
0,140557
0,171889
0,33507
0,440517
Hasil MSE
0,50754
0,589716
1,13273
0,285482
0,618781
0,393567
0,034849
0,231203
0,20383
0,511054
0,324835
0,603377
cU Oe ycUyc.
2 0,000878 0,001467 0,041467 0,001112 0,021868 0,005335 0,000354 0,000293 0,000898 0,01408
8,73E-06
0,00221
0,08997
TELEKONTRAN.
VOL.
NO.
APRIL 2022
Perbandingan menggunakan pendekatan secara stokastik yang menghasilkan Root Mean Square Prediction (RMSEP) sebesar 123,63 dengan menggunakan beberapa poin seperti curah hujan, kelembapan dan .
Sedangkan menghasilkan nilai Mean Squared Error (MSE) pada poin curah hujan saja sebesar 0,08997.
IV.
KESIMPULAN
Penelitian ini menggunakan JST (Jaringan Saraf Tirua.
atau Artificial Neural Network memprediksi besarnya nilai curah hujan yang akan Data yang dipakai untuk melatih jaringan tersebut adalah statistik curah hujan pada instansi BMKG pada tahun 2015-2019.
Hasil menunjukkan bahwa nilai MSE pada keluaran jaringan saraf tiruan tersebut adalah sebesar 0.
Dari sini dapat kita simpulkan bahwa metode pada Jaringan backpropagation secara teori bisa digunakan untuk meramal cuaca yang akan mendatang.
UCAPAN TERIMA KASIH
Penulis menyampaikan terima kasih sebesarbesarnya ke Universitas Widya Kartika yang sudah membantu dengan menyediakan prasarana untuk melakukan penelitian ini.
DAFTAR PUSTAKA