BAB 2 TINJAUAN PUSTAKA
2.2 Penelitian Terkait
Penelitian yang dilakukan sebelumnya yang berkaitan dengan peramalan menggunakan JST Backpropagation :
a.
Perambatan-Jurusan Teknik Elektro, Fakultas Teknik, Universitas Diponegoro Tahun 2011.
Penelitian ini membahas tentang prediksi mengenai ketinggian muka air dengan menggunakan jaringan syaraf tiruan prambatan balik untuk satu dan dua jam ke depan. Prediksi dipengaruhi oleh data curah hujan dan data tinggi muka air. Langkah- langkah penelitian meliputi analisis kebutuhan
commit to user
sistem, pengumpulan data, perancangan perangkat lunak, dan pengujian sistem. penelitian ini, sebagai masukan JST adalah tinggi Muka Air dan curah hujan selama dua hari, sedangkan sebagai keluaran JST adalah tinggi Muka Air untuk satu dan dua jam kemudian.
Jumlah simpul pada lapis masukan tergantung pada jumlah data yang akan diumpankan pada jaringan. Perancangan ini terdapat 192 buah data masukan untuk setiap prosesnya sehingga jumlah simpul pada lapis masukan berjumlah 192 simpul. Simpul pada lapis keluaran ada dua buah yaitu prediksi untuk satu dan dua jam ke depan.
Pengujian dilakukan untuk mencari arsitektur dan nilai parameter JST yang paling optimal pada proses pelatihan. Selain itu, pengujian dilakukan untuk mengetahui seberapa besar sistem mengenali data yang dimasukkan setelah melewati tahap pelatihan. Pengaruh jumlah simpul pada
bahwa dengan bertambahnya jumlah simpul pada lapis tersembunyi 1 maka jumlah epoch kadang bertambah terkadang berkurang (fluktuatif), berbeda halnya dengan rata-rata lamanya waktu tiap epoch yang semakin bertambah seiring dengan bertambahnya jumlah simpul. Berdasarkan pada banyak sedikitnya jumlah epoch dan waktu yang diperlukan, jumlah simpul yang terbaik dari 7 percobaan adalah dengan 30 simpul. Sedangkan pengaruh
dan µ=0,25 dapat diketahui bahwa berdasarkan pada banyak sedikitnya jumlah epoch dan waktu yang diperlukan, jumlah simpul yang terbaik dari 7 percobaan adalah dengan 25 simpul.
Berdasarkan penelitian yang telah dilakukan, Jaringan Syaraf Tiruan Perambatan-balik yang sudah dilatih dengan data tinggi Muka Air dan curah hujan, dapat digunakan untuk memprediksikan tinggi Muka Air dengan rata-rata persentase kesalahan 1,97 % untuk prediksi satu jam ke depan dan 1,98 % untuk prediksi 2 jam ke depan. Pada pengujian arsitektur dan parameter pelatihan, didapatkan bahwa sistem akan optimal dengan 2 lapis tersembunyi dengan jumlah neuron 30 dan 25, laju pembelajaran 0,1 dan momentum 0,6.
commit to user
b.
Network with Modified
Ditulis oleh I. Kadar Shreef dan Dr. S. Santosh Baboo dari Department of Computer Applications, Dravidian University Head Tahun 2011.
Penelitian mengenai peramalan cuaca menggunakan Backpropagation
Neural Network (BPN) dengan Linear Learning, algoritma LM dan ModifiedLM. Penelitian ini membahas mengenai peramalan cuaca pada waktu
yang akan datang dengan menggunakan JST ModifiedLM untuk meningkatkan keakuratan peramalan. Penelitian tersebut menggunakan data set yang terdiri dari temperatur, kelembapan udara relatif (Relative Humidity (RH)), arah angin (Wind Direction (DIR)), kecepatan angin (Wind Speed (SPD)) and Visibility (VIS) dan menggunakan variasi 4 musim dalam setahun.
Hasil dari penelitian yaitu peramalan cuaca menggunakan BPN dengan Modified LM mempunyai akurasi rata-rata sebesar 94.1075%, peramalan cuaca menggunakan BPN dengan ModifiedLM mempunyai akurasi rata-rata sebesar 92.0375%, sedangkan BPN dengan Linear Learning mempunyai akurasi rata-rata sebesar 88.14%. Peramalan cuaca dengan
Modified LM mempunyai nilai MSE lebih kecil, nilai maksimum dan
minimum error yang lebih baik, serta tingkat keakuratan prediksi yang lebih besar. Oleh karena itu dari penelitian ini dapat disimpulkan bahwa
ModifiedLM mempunyai keakuratan yang lebih baik dari Learning Rate dan
commit to user
c.
Berkala Bob-Jenskins (ARIMA) Sebagai Metode Peramalan Curah
Fakultas Matematika Dan Ilmu Pengetahuan Alam, Universitas Negeri Semarang Tahun 2007.
Penelitian ini bertujuan untuk mengetahui bagaimanakah cara membuat peramalan curah hujan menggunakan jaringan syaraf tiruan
Backpropagation dan metode manakah yang mempunyai tingkat keakuratan
yang lebih besar antara Jaringan Syaraf Backpropagtion dan Metode ARIMA untuk studi kasus peramalan Curah Hujan. Pada penelitian ini, prosedur yang digunakan, yaitu perumusan masalah, pengumpulan data dan analisis data yang terdiri dari perancangan model peramalan curah hujan menggunakan jaringan syaraf tiruan Backpropagation dan membentuk model peramalan curah hujan dengan metode ARIMA.
Hasil yang diperoleh dari penelitian ini yaitu peramalan dengan menggunakan jaringan syaraf tiruan Backpropagation terdiri dari transformasi data curah hujan, pembagian data curah hujan untuk data pelatihan, data pengujian dan data validasi, perancangan struktur jaringan yang optimum dan penggunaan jaringan yang optimum yaitu jaringan dengan struktur 12 simpul masukan, 11 simpul tersembunyi dan 1 simpul keluaran (nilai keluaran ditentukan dengan menggunakan fase 1 atau propagasi maju) dan berdasarkan nilai MAPE yang dihasilkan oleh jaringan syaraf tiruan Backpropagation yang lebih besar dari nilai MAPE ARIMA menunjukkan bahwa tingkat keakuratan forecast atau ramalan dengan menggunakan metode ARIMA masih lebih baik dibandingkan dengan jaringan syaraf tiruan Backpropagation. (Anugerah, 2007)
commit to user
d.
Muka Harian Sungai Bengawan
Pusporani, Palgunadi, dan Sri Huning A. dari jurusan Universitas Sahid Solo Tahun 2005.
Penelitian ini membahas mengenai prediksi tinggi muka air harian di Sungai Bengawan solo menggunajan JST BP. Data Tinggi air harian dan curah hujan harian digunakan sebagai data pelatihan dan pengujian. Data tinggi air diambil dari Stasiun Jurug dan data curah hujan diambil dari Pos Pabelan. Untuk menguji peforma jaringan dibuat tiga model JST. Ketiga model tersebut adalah model JST1-BP1, BP2, dan BP3, merupakan multilayer perceptron dengan 1 hidden layer. BP1 memiliki input berupa tinggi muka air (m) dan curah hujan (mm) empat hari sebelum prakiraan dan
output berupa prakiraan tinggi muka air. BP2 dengan input dan output yang
sama hanya berbeda dalam satuan tinggi muka air (dm) dan curah hujan (cm). BP3 dengan input berupa selisih tinggi muka air (dm) dan curah hujan (cm) serta output berupa prakiraan selisih tinggi muka air. Dari hasil penelitian didapat kesimpulan bahwa model jaringan yang paling optimal dalam kasus ini adalah model BP3 dengan satu hidden layer dan empat
hidden neuron karena menghasilkan nilai error terkecil dibandingkan
dengan model yang lain. (Pusporini, Palgunadi, & A., 2005)