• Tidak ada hasil yang ditemukan

Prediksi Potensi Debit Berdasarkan Data Curah Hujan Maksimum Bulanan Dengan Metode Jaringan Syaraf Tiruan Backpropogation di Daerah Aliran Sungai (DAS) Deli

N/A
N/A
Protected

Academic year: 2017

Membagikan "Prediksi Potensi Debit Berdasarkan Data Curah Hujan Maksimum Bulanan Dengan Metode Jaringan Syaraf Tiruan Backpropogation di Daerah Aliran Sungai (DAS) Deli"

Copied!
1
0
0

Teks penuh

(1)

xi ABSTRAK

Indonesia mempunyai banyak pulau dan daerah aliran sungai (DAS).

Daerah aliran sungai tidak sepenuhnya mempunyai stasiun debit sehingga perlu

dilakukan pendekatan teknis untuk mengatasi pengabsahan data yang dapat

dipertanggungjawabkan.

Skripsi ini membahas mengenai prediksi potensi debit berdasarkan data

curah hujan maksimum bulanan dengan menggunakan metode backpropogation

pada jaringan sistem syaraf tiruan (Artificial Neural Network). Daerah aliran

sungai (DAS) Deli merupakan daerah aliran sungai provinsi Sumatera Utara

dengan luas 45.298,01 Ha. Data – data yang diperoleh berdasarkan data dari

badan wilayah sungai di provinsi Sumatera Utara.

Dari hasil perhitungan, debit hasil prediksi tahun 2017 hingga tahun 2020

dalam metode jaringan syaraf tiruan menghasilkan periode yang dihitung selama

10 tahun kemudian hidden layer pada pembacaan di jaringan syaraf tiruan adalah

sebanyak 2 layer dengan di dalamnya memiliki 2 neuron, momentum sebesar 0,6

epoch sebesar 1000 dan goal sebesar 0,001. Kemudian cenderung meningkat dan

bisa mengakibatkan kenaikan debit aliran sungai itu sendiri.

Kata kunci : daerah aliran sungai, jaringan syaraf tiruan, backpropagation, hidden

layer, epoch, goal.

Referensi

Dokumen terkait

Pada peramalan menggunakan metode Jaringan Syaraf Tiruan (JST), diperoleh arsitektur jaringan yang optimum adalah jumlah neuron pada lapisan input sebanyak 1 neuron,

Model prediksi padi yang dibangun dengan teknik jaringan syaraf tiruan (JST) ternyata mampu memprediksi produksi padi dengan akurasi yang baik, yang ditandai dengan nilai R 2

Fi adalah jumlah neuron masukan neuron I dalam Jaringan Syaraf Tiruan. Hitung keluaran yang didapatkan dari neuron dalam layer tersembunyi :. n adalah jumlah masukan pada neuron j

Dari hasil pelatihan didapatkan srsitektur jaringan syaraf tiruan untuk sistem identifikasi adalah 5 input dan 4 output dengan jumlah neuron hidden layer untuk identifikasi kematangan

Hal ini membuktikan bahwa dengan arsitektur Jaringan Syaraf Tiruan yang telah dilatih di proses training, arsitektur tersebut juga dapat menghasilkan nilai

Dalam jaringan syaraf tiruan, model ini terbaca sebagai 5 unit (neuron) input dari tahun 2009 sampai 2013 dan 1 unit neuron output sebagai perbandingan dengan

Berdasarkan jurnal penelitian yang ditulis oleh Dwi Kartini (2017), Metode Jaringan Syaraf Tiruan mampu menghasilkan akurasi 99% menggunakan layer input 4, 1 hidden layer dengan

Jaringan dengan jumlah neuron pada lapisan tersembunyi sebanyak 15 serta menggunakan fungsi aktivasi eksponensial merupakan jaringan yang paling optimal dalam