• 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!
98
0
0

Teks penuh

(1)

DAFTAR PUSTAKA

Ginting, Jonas . 2014 . Prediksi Potensi Debit Berdasartkan Data Hujan Maksimum Bulanan dengan Metode Jaringan Syaraf Tiruan Backpropagation di DAS Alang . E – Jurnal Matriks Teknik Sipil

Kodoatie, Robert J , Roestam Syarief . 2005 . Pengelolaan Sumber Daya Air Terpadu . ANDI . Yogyakarta

Miguel Ponce, Victor . 1989 . Engineering Hydrology Principles and Practices . Prentice Hall . New Jersey

Linsley, Ray K . 1991 . Teknik Sumber Daya Air . Erlangga . Jakarta

Linsley , Ray K. Max A. Kohler . Joseph L . H . Paulhus , Yandi Hermawan . 1986 . Erlangga . Jakarta

Sosrodarsono, Ir. Suyono . 1978 . Hidrologi untuk Pengairan . Pradnya Paramita . Jakarta

(2)

BAB III

METODOLOGI PENELITIAN

III.1 DIAGRAM ALUR (FLOWCHART)

(3)

Gambar 3.1 Diagram Flowchart

Kesimpulan Dan Saran

Mulai

Studi Literatur

Pengumpulan Data

Reliabilitas

Selesai

Pengolahan DAS dengan Program Artificial Neural Network Praproses Data

Data Instansi

(4)

III.2 PENGEMBANGAN MODEL ARTIFICIAL NEURAL NETWORK

Sebelumnya, nomor neuron lapisan input adalah 8 dan neuron lapisan output adalah 1. Fungsi aktivasi yang digunakan adalah fungsi aktivasi tangent sigmoid untuk neuron hidden layer dan fungsi aktivasi linier untuk output layer. Data input dan output telah di normalisasi antara -1 dan 1 untuk meningkatkan keberhasilan dari jaringan.

Dalam rangka menginvestigasi nilai optimum dari neuron hidden layer, kemampuan penyamarataan jaringan telah diperkirakan. Berdasarkan pelatihan

error yang berbeda pada setiap jaringan, dengan sebuah nilai yang ditetapkan pada hidden layer. Pada penelitian ini ditetapkan neuron 3, 6, 8 dan 10 yang digunakan pada hidden layer..

Nilai optimum pada hidden layer didapatkan dengan cara men-train data input, data output, dan memasukkan nilai – nilai parameter yang telah ditentukan. Terdapat dua parameter yang digunakan, yaitu:

1. Parameter untuk membuat jaringan. Yang terdiri dari:

 Tipe Jaringan (network type)

 Fungsi Pelatihan (training function)

 Fungsi Penyesuaian (adaption learning function)

 Fungsi Hasil (performance function)

 Nomor Lapisan (number of layers)

 Bagian (properties for)

 Nomor neuron (number of neurons)

 Fungsi Aktivasi (transfer function) 2. Parameter untuk melatih jaringan. Yang terdiri dari:

 Show Window

 Show Command Line

 Show

 Epochs

 Time

(5)

 Min. Grad

 Max. Fail

 Mu

 Mu dec

 Mu inc

 Mu max

Nilai – nilai yang digunakan pada parameter tersebut dibagi 2, yaitu dengan nilai asumsi yang mengarah ke pengurangan tingkat error dan nilai default yang memang sudah ada pada program.

Pengolahan data dilakukan dengan menggunakan parameter-parameter yang akan mengarah pada pengurangan tingkat error. Karena semakin kecil tingkat error yang terjadi akan membuat hasil prediksi semakin mendekati nilai aktualnya dan kinerjanya semakin bagus.

(6)

BAB IV

HASIL DAN PEMBAHASAN

IV.1 PERHITUNGAN DEBIT HUJAN DENGAN PROGRAM ARTIFICIAL

NEURAL NETWORK

Dalam bab ini akan dilakukan perhitungan debit hujan dengan menggunakan program Artificial Neural Network. Perhitungan debit hujan ini akan menggunakan langkah-langkah perhitungan yang berdasarkan proses pengelolaan data pada program Artificial Neural Network. Data dikelola dengan menggunakan berbagai macam jenis nilai neuron yang terdapat pada Hidden Layerdan berbagai jenis parameter fungsi dan nilai.

IV.1.1 Variasi Parameter Untuk Desain Artificial Neural Network

Dalam perencanaan ini ada beberapa parameter desain yang divariasikan yaitu berupa parameter untuk membuat jaringan dan parameter nilai untuk melatih jaringan. Sebelum data di input dan target yang diimplementasikan ke dalam jaringan saraf tiruan harus terlebih dahulu memasukkan nilai parameter-parameternya.Definisi dari parameter-parameter tersebut telah dijelaskan pada Bab sebelumnya, pada Bab II. Adapun parameter-parameter beserta nilaiyang digunakan baik dalam keadaan default maupun dalam keadaan penyesuaian jaringan, yaitu:

1. Parameter untuk membuat jaringan.

 Tipe Jaringan (Network Type)

Pada penelitian ini digunakan tipe jaringan feed forward backpropagation.

(7)

Pada penelitian ini digunakan fungsi pelatihan trainlmatau train Levenberg Marquardt Backpropagation.

 Fungsi Penyesuaian Pembelajaran (Adaption Learning Function) Pada penelitian ini digunakan fungsi penyesuaian pembelajaran LEARNGDM.

 Fungsi Hasil (Performance Function)

Pada penelitian ini digunakan fungsi MSE (Mean Square Error)

 Nomor pada lapisan (Number of Layers) Pada penelitian ini digunakan nomor pada lapisan 1.

 Bagian (Properties for)

Pada penelitian ini digunakan bagian pada Layer 1.  Nomor pada neuron (Number of neuron)

Pada penelitian ini digunakan neuron yang bervariasi, yaitu neuron 3, 6, 8 dan 10.

 Fungsi Aktivasi (Transfer function) Pada penelitian ini digunakan tangent sigmoid

2. Parameter nilai untuk melatih jaringan.

 Show

Pada penelitian ini digunakan nilai 20.

 Epochs

Pada penelitian ini digunakan nilai epochs 1000.

 Goal

Pada penelitian ini digunakan nilai goal 0,001.

 Min_grad

Pada penelitian ini digunakan minimum gradient 1e-05.

 Max_fail

Pada penelitian ini digunakan maximum fail 100.

 Mu

Pada penelitian ini digunakan nilai mu yang bervariasi yang akan ditampilkan pada proses pengolahan data.

 Mu_dec

(8)

 Mu_inc

Pada penelitian ini digunakan nilai mu_inc yang bervariasi yang akan ditampilkan pada proses pengolahan data.

 Mu_max

Pada penelitian ini digunakan mu_max 10.000.000.000.

IV.2 PERHITUNGAN DATA CURAH HUJAN KAWASAN

Berikut ini luas areal pengaruh stasiun hujan Daerah Aliran Sungai Babura

No. Nama Stasiun Penakar Curah Hujan Luas Areal

1 Stasiun Polonia 10,9 Km2

2 Stasiun Tuntungan 84,06 Km2

3 Stasiun Patumbak 0, 043 Km2

Luas Total 95,00 Km2

Sumber: Hasil Analisis

Mempersiapkan data curah hujan untuk prediksi.Pada contoh ini digunakan data rata-rata curah hujan tiap bulan di daerah sungai Babura pada tahun 2008 s.d 2010.Pada algoritma jaringan syaraf tiruan propogasi balik ini digunakan fungsi aktivitas sigmoid biner dimana fungsi ini bernilai antara 0 s.d 1.Namun fungsi sigmoid biner tersebut tidak pernah mencapai 0 maupun 1. Oleh sebab itu, data curah hujan perlu dinormalisasikan terlebih dahulu salah satu conthnya ke dalam range 0,1 s.d 0,9 menggunakan persamaan berikut ini.

�′ = 0,8 (� − �)

(� − �) + 0,1 …��������� (4.2.1) Keterangan :

X’ = data hasil normalisasi X = data asli/data awal a = nilai maksimum data asli b = nilai minimum data asli

Tabel 4.2.1. Curah Hujan Harian Stasiun : Polonia

(9)

TAHUN Jan Feb Mar Apr Mei Jun Jul Agt Sep Okt Nov Des 2008 170 86 158 223 253 226 262 282 396 378 374 311 2009 189 131 163 277 301 251 277 382 475 472 413 343 2010 217 201 238 285 330 307 312 418 532 733 468 347

DATA LATIH ALGORITMA ANN

P O L A

X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 TA

RG ET

1 0,2

779 01 0,1 850 83 0,2 646 41 0,3 364 64 0,3 696 13 0,3 397 79 0,37 955 801 0,4 016 57 0,5 276 24 0,5 077 35 0,5 033 15 0,4 337 02 0,2 988 95

2 0,1

850 83 0,2 646 41 0,3 364 64 0,3 696 13 0,3 397 79 0,3 795 58 0,40 165 746 0,5 276 24 0,5 077 35 0,5 033 15 0,4 337 02 0,2 988 95 0,2 348 07

3 0,2

646 41 0,3 364 64 0,3 696 13 0,3 397 79 0,3 795 58 0,4 016 57 0,52 762 431 0,5 077 35 0,5 033 15 0,4 337 02 0,2 988 95 0,2 348 07 0,2 701 66

4 0,3

364 64 0,3 696 13 0,3 397 79 0,3 795 58 0,4 016 57 0,5 276 24 0,50 773 481 0,5 033 15 0,4 337 02 0,2 988 95 0,2 348 07 0,2 701 66 0,3 961 33

5 0,3

696 13 0,3 397 79 0,3 795 58 0,4 016 57 0,5 276 24 0,5 077 35 0,50 331 492 0,4 337 02 0,2 988 95 0,2 348 07 0,2 701 66 0,3 961 33 0,4 226 52

6 0,3

397 79 0,3 795 58 0,4 016 57 0,5 276 24 0,5 077 35 0,5 033 15 0,43 370 166 0,2 988 95 0,2 348 07 0,2 701 66 0,3 961 33 0,4 226 52 0,3 674 03

7 0,3

795 58 0,4 016 57 0,5 276 24 0,5 077 35 0,5 033 15 0,4 337 02 0,29 889 503 0,2 348 07 0,2 701 66 0,3 961 33 0,4 226 52 0,3 674 03 0,3 961 33

8 0,4

016 57 0,5 276 24 0,5 077 35 0,5 033 15 0,4 337 02 0,2 988 95 0,23 480 663 0,2 701 66 0,3 961 33 0,4 226 52 0,3 674 03 0,3 961 33 0,5 121 55

9 0,5

(10)

1 2 0,4 337 02 0,2 988 95 0,2 348 07 0,2 701 66 0,3 961 33 0,4 226 52 0,36 740 331 0,3 961 33 0,5 121 55 0,6 149 17 0,6 116 02 0,5 464 09 0,4 690 61

DATA UJI ALGORITMA ANN P

O L A

X1 X2 X3 X4 X5 X6 X7 X8 X9 X1 0 X1 1 X1 2 TA RG ET 1 0,2

988 95 0,2 348 07 0,2 701 66 0,3 961 33 0,4 226 52 0,3 674 03 0,39 613 26 0,5 121 55 0,6 149 17 0,6 116 02 0,5 464 09 0,4 690 61 0,3 298 34

2 0,2 348 07 0,2 701 66 0,3 961 33 0,4 226 52 0,3 674 03 0,3 961 33 0,51 215 47 0,6 149 17 0,6 116 02 0,5 464 09 0,4 690 61 0,3 298 34 0,3 121 55

3 0,2 701 66 0,3 961 33 0,4 226 52 0,3 674 03 0,3 961 33 0,5 121 55 0,61 491 713 0,6 116 02 0,5 464 09 0,4 690 61 0,3 298 34 0,3 121 55 0,3 530 39

4 0,3 961 33 0,4 226 52 0,3 674 03 0,3 961 33 0,5 121 55 0,6 149 17 0,61 160 221 0,5 464 09 0,4 690 61 0,3 298 34 0,3 121 55 0,3 530 39 0,4 049 72

5 0,4 226 52 0,3 674 03 0,3 961 33 0,5 121 55 0,6 149 17 0,6 116 02 0,54 640 884 0,4 690 61 0,3 298 34 0,3 121 55 0,3 530 39 0,4 049 72 0,4 546 96

6 0,3 674 03 0,3 961 33 0,5 121 55 0,6 149 17 0,6 116 02 0,5 464 09 0,46 906 077 0,3 298 34 0,3 121 55 0,3 530 39 0,4 049 72 0,4 546 96 0,4 292 82

7 0,3 961 33 0,5 121 55 0,6 149 17 0,6 116 02 0,5 464 09 0,4 690 61 0,32 983 425 0,3 121 55 0,3 530 39 0,4 049 72 0,4 546 96 0,4 292 82 0,4 348 07

8 0,5 121 55 0,6 149 17 0,6 116 02 0,5 464 09 0,4 690 61 0,3 298 34 0,31 215 47 0,3 530 39 0,4 049 72 0,4 546 96 0,4 292 82 0,4 348 07 0,5 519 34

9 0,6 149 17 0,6 116 02 0,5 464 09 0,4 690 61 0,3 298 34 0,3 121 55 0,35 303 867 0,4 049 72 0,4 546 96 0,4 292 82 0,4 348 07 0,5 519 34 0,6 779 01

10 0,6 116 02 0,5 464 09 0,4 690 61 0,3 298 34 0,3 121 55 0,3 530 39 0,40 497 238 0,4 546 96 0,4 292 82 0,4 348 07 0,5 519 34 0,6 779

01 0,9

11 0,5 464 09 0,4 690 61 0,3 298 34 0,3 121 55 0,3 530 39 0,4 049 72 0,45 469 613 0,4 292 82 0,4 348 07 0,5 519 34 0,6 779

01 0,9

0,6 071 82

12 0,4 690 61 0,3 298 34 0,3 121 55 0,3 530 39 0,4 049 72 0,4 546 96 0,42 928 177 0,4 348 07 0,5 519 34 0,6 779

01 0,9

(11)

IV.3. PROSES RUNNING PROGRAM ARTIFICIAL NEURAL

NETWORK

Dalam proses running program neural network, dilaksanakan sebanyak 4 variasi neuron. Untuk menentukan nilai optimum dari tiap neuron hidden layer, neuron 3 telah dipilih. Untuk menginvestigasi nilai optimum tersebut, dilakukan dengan cara pelatihan error yang berbeda pada setiap jaringan. Berikut langkah-langkah pengolahan data dengan menggunakan nilai optimum pada neuron 3.

IV.3.1 Tabel Hasil Simulasi Artificial Neural Network

Tingkat keakuratan hasil kinerja Neural Network dilihat dari nilai regression tertinggi pada tiap neuron yang telah diolah, kemudian dipilih nilai yang tertinggi antar semua neuron tersebut. Maka hasil dari proses pengolahan data pada neuron 3 ini, beserta nilai parameternya, dapat kita lihat secara ringkas

(12)
(13)

Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan Tahun 2017 Untuk Wilayah Polonia

Berdasarkan hasil Grafik diatas maka dapat dilihat hasil prediksi dalam bentuk table sebagai berikut :

TAHUN Jan Feb Mar Apr Mei Jun Jul Agt Sep Okt Nov Des 2017 700 500 750 750 1000 850 1100 1450 1600 1650 1450 1100

Stasiun : Tuntungan

Koordinat : (3,500244 LU ; 98,630518 BT)

TAHUN Jan Feb Mar Apr Mei Jun Jul Agt Sep Okt Nov Des 2008 317 135 243 215 303 230 274 249 538 472 336 364 2009 341 301 245 233 318 322 288 303 543 485 434 381 2010 422 471 287 406 373 382 315 354 605 818 651 470

Data Hasil Normalisasi

Jan Feb Mar Apr Mei Jun Jul Agt Sep Okt Nov

0,277901 0,185083 0,264641 0,336464 0,369613 0,339779 0,37955801 0,401657 0,527624 0,507735 0,503

0,298895 0,234807 0,270166 0,396133 0,422652 0,367403 0,3961326 0,512155 0,614917 0,611602 0,546

0,329834 0,312155 0,353039 0,404972 0,454696 0,429282 0,43480663 0,551934 0,677901 0,9 0,607

(14)

DATA LATIH ALGORITMA ANN P

O L A

X1 X2 X3 X4 X5 X6 X7 X8 X9 X1 0 X1 1 X1 2 TA RG ET 1 0,3

131

77 0,1

0,2 265 01 0,1 937 04 0,2 967 79 0,2 112 74 0,2 628 11 0,2 335 29 0,5 720 35 0,4 947 29 0,3 354 32 0,3 682 28 0,3 412 88 2 0,1 0,2 265 01 0,1 937 04 0,2 967 79 0,2 112 74 0,2 628 11 0,2 335 29 0,5 720 35 0,4 947 29 0,3 354 32 0,3 682 28 0,3 412 88 0,2 944 36

3 0,2 265 01 0,1 937 04 0,2 967 79 0,2 112 74 0,2 628 11 0,2 335 29 0,5 720 35 0,4 947 29 0,3 354 32 0,3 682 28 0,3 412 88 0,2 944 36 0,2 288 43

4 0,1 937 04 0,2 967 79 0,2 112 74 0,2 628 11 0,2 335 29 0,5 720 35 0,4 947 29 0,3 354 32 0,3 682 28 0,3 412 88 0,2 944 36 0,2 288 43 0,2 147 88

5 0,2 967 79 0,2 112 74 0,2 628 11 0,2 335 29 0,5 720 35 0,4 947 29 0,3 354 32 0,3 682 28 0,3 412 88 0,2 944 36 0,2 288 43 0,2 147 88 0,3 143 48

6 0,2 112 74 0,2 628 11 0,2 335 29 0,5 720 35 0,4 947 29 0,3 354 32 0,3 682 28 0,3 412 88 0,2 944 36 0,2 288 43 0,2 147 88 0,3 143 48 0,3 190 34

7 0,2 628 11 0,2 335 29 0,5 720 35 0,4 947 29 0,3 354 32 0,3 682 28 0,3 412 88 0,2 944 36 0,2 288 43 0,2 147 88 0,3 143 48 0,3 190 34 0,2 792 09

8 0,2 335 29 0,5 720 35 0,4 947 29 0,3 354 32 0,3 682 28 0,3 412 88 0,2 944 36 0,2 288 43 0,2 147 88 0,3 143 48 0,3 190 34 0,2 792 09 0,2 967 79

9 0,5 720 35 0,4 947 29 0,3 354 32 0,3 682 28 0,3 412 88 0,2 944 36 0,2 288 43 0,2 147 88 0,3 143 48 0,3 190 34 0,2 792 09 0,2 967 79 0,5 778 92

10 0,4 947 29 0,3 354 32 0,3 682 28 0,3 412 88 0,2 944 36 0,2 288 43 0,2 147 88 0,3 143 48 0,3 190 34 0,2 792 09 0,2 967 79 0,5 778 92 0,5 099 56

11 0,3 354 32 0,3 682 28 0,3 412 88 0,2 944 36 0,2 288 43 0,2 147 88 0,3 143 48 0,3 190 34 0,2 792 09 0,2 967 79 0,5 778 92 0,5 099 56 0,4 502 2

(15)

DATA UJI ALGORITMA ANN P

O L A

X1 X2 X3 X4 X5 X6 X7 X8 X9 X1 0 X1 1 X1 2 TA RG ET 1 0,3

412 88 0,2 944 36 0,2 288 43 0,2 147 88 0,3 143 48 0,3 190 34 0,2 792 09 0,2 967 79 0,5 778 92 0,5 099 56 0,4 502 2 0,3 881 41 0,4 361 64

2 0,2 944 36 0,2 288 43 0,2 147 88 0,3 143 48 0,3 190 34 0,2 792 09 0,2 967 79 0,5 778 92 0,5 099 56 0,4 502 2 0,3 881 41 0,4 361 64 0,4 935 58

3 0,2 288 43 0,2 147 88 0,3 143 48 0,3 190 34 0,2 792 09 0,2 967 79 0,5 778 92 0,5 099 56 0,4 502 2 0,3 881 41 0,4 361 64 0,4 935 58 0,2 780 38

4 0,2 147 88 0,3 143 48 0,3 190 34 0,2 792 09 0,2 967 79 0,5 778 92 0,5 099 56 0,4 502 2 0,3 881 41 0,4 361 64 0,4 935 58 0,2 780 38 0,4 174 23

5 0,3 143 48 0,3 190 34 0,2 792 09 0,2 967 79 0,5 778 92 0,5 099 56 0,4 502 2 0,3 881 41 0,4 361 64 0,4 935 58 0,2 780 38 0,4 174 23 0,3 787 7

6 0,3 190 34 0,2 792 09 0,2 967 79 0,5 778 92 0,5 099 56 0,4 502 2 0,3 881 41 0,4 361 64 0,4 935 58 0,2 780 38 0,4 174 23 0,3 787 7 0,3 893 12

7 0,2 792 09 0,2 967 79 0,5 778 92 0,5 099 56 0,4 502 2 0,3 881 41 0,4 361 64 0,4 935 58 0,2 780 38 0,4 174 23 0,3 787 7 0,3 893 12 0,3 108 35

8 0,2 967 79 0,5 778 92 0,5 099 56 0,4 502 2 0,3 881 41 0,4 361 64 0,4 935 58 0,2 780 38 0,4 174 23 0,3 787 7 0,3 893 12 0,3 108 35 0,3 565 15

9 0,5 778 92 0,5 099 56 0,4 502 2 0,3 881 41 0,4 361 64 0,4 935 58 0,2 780 38 0,4 174 23 0,3 787 7 0,3 893 12 0,3 108 35 0,3 565 15 0,6 505 12

10 0,5 099 56 0,4 502 2 0,3 881 41 0,4 361 64 0,4 935 58 0,2 780 38 0,4 174 23 0,3 787 7 0,3 893 12 0,3 108 35 0,3 565 15 0,6 505

12 0,9

11 0,4 502 2 0,3 881 41 0,4 361 64 0,4 935 58 0,2 780 38 0,4 174 23 0,3 787 7 0,3 893 12 0,3 108 35 0,3 565 15 0,6 505

12 0,9

0,7 043 92

12 0,3 881 41 0,4 361 64 0,4 935 58 0,2 780 38 0,4 174 23 0,3 787 7 0,3 893 12 0,3 108 35 0,3 565 15 0,6 505

12 0,9

(16)

Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan Tahun 2017 Untuk Wilayah Tuntungan

Berdasarkan hasil Grafik diatas maka dapat dilihat hasil prediksi dalam bentuk table sebagai berikut :

TAHUN Jan Feb Mar Apr Mei Jun Jul Agt Sep Okt Nov Des 2017 700 480 450 420 600 620 480 690 1300 1400 1100 1000

Stasiun : Patumbak

Koordinat : (3,2727930 LU ; 98,433347 BT)

TAHUN Jan Feb Mar Apr Mei Jun Jul Agt Sep Okt Nov Des 2008 132 47 140 155 198 157 178 239 303 346 247 197 2009 158 71 149 181 214 159 203 248 322 409 255 287 2010 276 85 225 187 252 267 217 289 367 581 369 369

Data Hasil Normalisasi

Jan Feb Mar Apr Mei Jun Jul Agt Sep Okt Nov

0,227341 0,1 0,239326 0,261798 0,326217 0,264794 0,296255 0,38764 0,483521 0,54794 0,399625

0,266292 0,135955 0,252809 0,300749 0,350187 0,26779 0,333708 0,401124 0,511985 0,642322 0,411

0,443071 0,156929 0,366667 0,309738 0,407116 0,429588 0,354682 0,462547 0,579401 0,9 0,582397

(17)

DATA LATIH ALGORITMA ANN P

O L A

X1 X2 X3 X4 X5 X6 X7 X8 X9 X1 0 X1 1 X1 2 TA RG ET 1 0,2

774 7 0,1 596 19 0,2 885 62 0,3 093 59 0,3 689 77 0,3 121 32 0,3 412 48 0,4 258 23 0,5 145 58 0,5 741 77 0,4 369 15 0,3 675 91 0,3 135 18

2 0,1 596 19 0,2 885 62 0,3 093 59 0,3 689 77 0,3 121 32 0,3 412 48 0,4 258 23 0,5 145 58 0,5 741 77 0,4 369 15 0,3 675 91 0,3 135 18 0,1 928 94

3 0,2 885 62 0,3 093 59 0,3 689 77 0,3 121 32 0,3 412 48 0,4 258 23 0,5 145 58 0,5 741 77 0,4 369 15 0,3 675 91 0,3 135 18 0,1 928 94 0,3 010 4

4 0,3 093 59 0,3 689 77 0,3 121 32 0,3 412 48 0,4 258 23 0,5 145 58 0,5 741 77 0,4 369 15 0,3 675 91 0,3 135 18 0,1 928 94 0,3 010 4 0,3 454 07

5 0,3 689 77 0,3 121 32 0,3 412 48 0,4 258 23 0,5 145 58 0,5 741 77 0,4 369 15 0,3 675 91 0,3 135 18 0,1 928 94 0,3 010 4 0,3 454 07 0,3 911 61

6 0,3 121 32 0,3 412 48 0,4 258 23 0,5 145 58 0,5 741 77 0,4 369 15 0,3 675 91 0,3 135 18 0,1 928 94 0,3 010 4 0,3 454 07 0,3 911 61 0,3 149 05

7 0,3 412 48 0,4 258 23 0,5 145 58 0,5 741 77 0,4 369 15 0,3 675 91 0,3 135 18 0,1 928 94 0,3 010 4 0,3 454 07 0,3 911 61 0,3 149 05 0,3 759 1

8 0,4 258 23 0,5 145 58 0,5 741 77 0,4 369 15 0,3 675 91 0,3 135 18 0,1 928 94 0,3 010 4 0,3 454 07 0,3 911 61 0,3 149 05 0,3 759 1 0,4 383 02

9 0,5 145 58 0,5 741 77 0,4 369 15 0,3 675 91 0,3 135 18 0,1 928 94 0,3 010 4 0,3 454 07 0,3 911 61 0,3 149 05 0,3 759 1 0,4 383 02 0,5 409 01

10 0,5 741 77 0,4 369 15 0,3 675 91 0,3 135 18 0,1 928 94 0,3 010 4 0,3 454 07 0,3 911 61 0,3 149 05 0,3 759 1 0,4 383 02 0,5 409 01 0,6 615 25

11 0,4 369 15 0,3 675 91 0,3 135 18 0,1 928 94 0,3 010 4 0,3 454 07 0,3 911 61 0,3 149 05 0,3 759 1 0,4 383 02 0,5 409 01 0,6 615 25 0,4 480 07

(18)

DATA UJI ALGORITMA ANN P

O L A

X1 X2 X3 X4 X5 X6 X7 X8 X9 X1 0 X1 1 X1 2 TA RG ET 1 0,3

135 18 0,1 928 94 0,3 010 4 0,3 454 07 0,3 911 61 0,3 149 05 0,3 759 1 0,4 383 02 0,5 409 01 0,6 615 25 0,4 480 07 0,4 923 74 0,4 771 23

2 0,1 928 94 0,3 010 4 0,3 454 07 0,3 911 61 0,3 149 05 0,3 759 1 0,4 383 02 0,5 409 01 0,6 615 25 0,4 480 07 0,4 923 74 0,4 771 23 0,2 123 05

3 0,3 010 4 0,3 454 07 0,3 911 61 0,3 149 05 0,3 759 1 0,4 383 02 0,5 409 01 0,6 615 25 0,4 480 07 0,4 923 74 0,4 771 23 0,2 123 05 0,4 064 12

4 0,3 454 07 0,3 911 61 0,3 149 05 0,3 759 1 0,4 383 02 0,5 409 01 0,6 615 25 0,4 480 07 0,4 923 74 0,4 771 23 0,2 123 05 0,4 064 12 0,3 537 26

5 0,3 911 61 0,3 149 05 0,3 759 1 0,4 383 02 0,5 409 01 0,6 615 25 0,4 480 07 0,4 923 74 0,4 771 23 0,2 123 05 0,4 064 12 0,3 537 26 0,4 438 47

6 0,3 149 05 0,3 759 1 0,4 383 02 0,5 409 01 0,6 615 25 0,4 480 07 0,4 923 74 0,4 771 23 0,2 123 05 0,4 064 12 0,3 537 26 0,4 438 47 0,4 646 45

7 0,3 759 1 0,4 383 02 0,5 409 01 0,6 615 25 0,4 480 07 0,4 923 74 0,4 771 23 0,2 123 05 0,4 064 12 0,3 537 26 0,4 438 47 0,4 646 45 0,3 953 21

8 0,4 383 02 0,5 409 01 0,6 615 25 0,4 480 07 0,4 923 74 0,4 771 23 0,2 123 05 0,4 064 12 0,3 537 26 0,4 438 47 0,4 646 45 0,3 953 21 0,4 951 47

9 0,5 409 01 0,6 615 25 0,4 480 07 0,4 923 74 0,4 771 23 0,2 123 05 0,4 064 12 0,3 537 26 0,4 438 47 0,4 646 45 0,3 953 21 0,4 951 47 0,6 032 93

10 0,6 615 25 0,4 480 07 0,4 923 74 0,4 771 23 0,2 123 05 0,4 064 12 0,3 537 26 0,4 438 47 0,4 646 45 0,3 953 21 0,4 951 47 0,6 032

93 0,9

11 0,4 480 07 0,4 923 74 0,4 771 23 0,2 123 05 0,4 064 12 0,3 537 26 0,4 438 47 0,4 646 45 0,3 953 21 0,4 951 47 0,6 032

93 0,9

0,6 060 66

12 0,4 923 74 0,4 771 23 0,2 123 05 0,4 064 12 0,3 537 26 0,4 438 47 0,4 646 45 0,3 953 21 0,4 951 47 0,6 032

93 0,9

(19)

Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan Tahun 2017 Untuk Wilayah Patumbak

Berdasarkan hasil Grafik diatas maka dapat dilihat hasil prediksi dalam bentuk table sebagai berikut :

TAHUN Jan Feb Mar Apr Mei Jun Jul Agt Sep Okt Nov Des 2017 800 300 800 780 790 800 900 1100 1300 1805 1205 1100

Berdasarkan Hasil prediksi debit curah hujan 2017 - 2020 dengan menggunakan metode Jaringan Syaraf Tiruan Backpropagation adalah sebagai berikut :

TAHUN Jan Feb Mar Apr Mei Jun Jul Agt Sep Okt Nov Des 2017 700 500 750 750 1000 850 1100 1450 1600 1650 1450 1100

TAHUN Jan Feb Mar Apr Mei Jun Jul Agt Sep Okt Nov Des 2018 700 480 450 420 600 620 480 690 1300 1400 1100 1000

(20)

Stasiun : Polonia

Koordinat : (3,567069 LU ; 98,683367 BT)

TAHUN Jan Feb Mar Apr Mei Jun Jul Agt Sep Okt Nov Des

2009 189 131 163 277 301 251 277 382 475 472 413 343

2010 217 201 238 285 330 307 312 418 532 733 468 347

2017 700 500 750 750 1000 850 1100 1450 1600 1650 1450 1100

Data Hasil Normalisasi

Jan Feb Mar Apr Mei Jun Jul Agt Sep Okt Nov

0,140138 0,1 0,135986 0,15075 0,165975 0,1406 0,1609 0,181661 0,215802 0,25594 0,18489

0,194579 0,106459 0,17105 0,153518 0,183506 0,190427 0,167359 0,200577 0,236563 0,335294 0,237486

0,436332 0,205652 0,436332 0,427105 0,431719 0,436332 0,482468 0,57474 0,667013 0,9 0,623183

Sumber: Data Sekunder, BMKG Sampali

DATA LATIH ALGORITMA ANN P

O L A

X1 X2 X3 X4 X5 X6 X7 X8 X9 X1 0 X1 1 X1 2 TA RG ET 1 0,3

131

77 0,1

0,2 265 01 0,1 937 04 0,2 967 79 0,2 112 74 0,2 628 11 0,2 335 29 0,5 720 35 0,4 947 29 0,3 354 32 0,3 682 28 0,3 412 88 2 0,1 0,2 265 01 0,1 937 04 0,2 967 79 0,2 112 74 0,2 628 11 0,2 335 29 0,5 720 35 0,4 947 29 0,3 354 32 0,3 682 28 0,3 412 88 0,2 944 36

3 0,2 265 01 0,1 937 04 0,2 967 79 0,2 112 74 0,2 628 11 0,2 335 29 0,5 720 35 0,4 947 29 0,3 354 32 0,3 682 28 0,3 412 88 0,2 944 36 0,2 288 43

4 0,1 937 04 0,2 967 79 0,2 112 74 0,2 628 11 0,2 335 29 0,5 720 35 0,4 947 29 0,3 354 32 0,3 682 28 0,3 412 88 0,2 944 36 0,2 288 43 0,2 147 88

5 0,2 967 79 0,2 112 74 0,2 628 11 0,2 335 29 0,5 720 35 0,4 947 29 0,3 354 32 0,3 682 28 0,3 412 88 0,2 944 36 0,2 288 43 0,2 147 88 0,3 143 48

6 0,2 112 74 0,2 628 11 0,2 335 29 0,5 720 35 0,4 947 29 0,3 354 32 0,3 682 28 0,3 412 88 0,2 944 36 0,2 288 43 0,2 147 88 0,3 143 48 0,3 190 34

(21)

8 0,2 335 29 0,5 720 35 0,4 947 29 0,3 354 32 0,3 682 28 0,3 412 88 0,2 944 36 0,2 288 43 0,2 147 88 0,3 143 48 0,3 190 34 0,2 792 09 0,2 967 79

9 0,5 720 35 0,4 947 29 0,3 354 32 0,3 682 28 0,3 412 88 0,2 944 36 0,2 288 43 0,2 147 88 0,3 143 48 0,3 190 34 0,2 792 09 0,2 967 79 0,5 778 92

10 0,4 947 29 0,3 354 32 0,3 682 28 0,3 412 88 0,2 944 36 0,2 288 43 0,2 147 88 0,3 143 48 0,3 190 34 0,2 792 09 0,2 967 79 0,5 778 92 0,5 099 56

11 0,3 354 32 0,3 682 28 0,3 412 88 0,2 944 36 0,2 288 43 0,2 147 88 0,3 143 48 0,3 190 34 0,2 792 09 0,2 967 79 0,5 778 92 0,5 099 56 0,4 502 2

12 0,3 682 28 0,3 412 88 0,2 944 36 0,2 288 43 0,2 147 88 0,3 143 48 0,3 190 34 0,2 792 09 0,2 967 79 0,5 778 92 0,5 099 56 0,4 502 2 0,3 881 41

DATA UJI ALGORITMA ANN P

O L A

X1 X2 X3 X4 X5 X6 X7 X8 X9 X1 0 X1 1 X1 2 TA RG ET 1 0,3

412 88 0,2 944 36 0,2 288 43 0,2 147 88 0,3 143 48 0,3 190 34 0,2 792 09 0,2 967 79 0,5 778 92 0,5 099 56 0,4 502 2 0,3 881 41 0,4 361 64

2 0,2 944 36 0,2 288 43 0,2 147 88 0,3 143 48 0,3 190 34 0,2 792 09 0,2 967 79 0,5 778 92 0,5 099 56 0,4 502 2 0,3 881 41 0,4 361 64 0,4 935 58

3 0,2 288 43 0,2 147 88 0,3 143 48 0,3 190 34 0,2 792 09 0,2 967 79 0,5 778 92 0,5 099 56 0,4 502 2 0,3 881 41 0,4 361 64 0,4 935 58 0,2 780 38

4 0,2 147 88 0,3 143 48 0,3 190 34 0,2 792 09 0,2 967 79 0,5 778 92 0,5 099 56 0,4 502 2 0,3 881 41 0,4 361 64 0,4 935 58 0,2 780 38 0,4 174 23

5 0,3 143 48 0,3 190 34 0,2 792 09 0,2 967 79 0,5 778 92 0,5 099 56 0,4 502 2 0,3 881 41 0,4 361 64 0,4 935 58 0,2 780 38 0,4 174 23 0,3 787 7

6 0,3 190 34 0,2 792 09 0,2 967 79 0,5 778 92 0,5 099 56 0,4 502 2 0,3 881 41 0,4 361 64 0,4 935 58 0,2 780 38 0,4 174 23 0,3 787 7 0,3 893 12

7 0,2 792 09 0,2 967 79 0,5 778 92 0,5 099 56 0,4 502 2 0,3 881 41 0,4 361 64 0,4 935 58 0,2 780 38 0,4 174 23 0,3 787 7 0,3 893 12 0,3 108 35

(22)

9 0,5 778 92 0,5 099 56 0,4 502 2 0,3 881 41 0,4 361 64 0,4 935 58 0,2 780 38 0,4 174 23 0,3 787 7 0,3 893 12 0,3 108 35 0,3 565 15 0,6 505 12

10 0,5 099 56 0,4 502 2 0,3 881 41 0,4 361 64 0,4 935 58 0,2 780 38 0,4 174 23 0,3 787 7 0,3 893 12 0,3 108 35 0,3 565 15 0,6 505

12 0,9

11 0,4 502 2 0,3 881 41 0,4 361 64 0,4 935 58 0,2 780 38 0,4 174 23 0,3 787 7 0,3 893 12 0,3 108 35 0,3 565 15 0,6 505

12 0,9

0,7 043 92

12 0,3 881 41 0,4 361 64 0,4 935 58 0,2 780 38 0,4 174 23 0,3 787 7 0,3 893 12 0,3 108 35 0,3 565 15 0,6 505

12 0,9

0,7 043 92 0,4 923 87

Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan Tahun 2020 Untuk Wilayah Polonia

Berdasarkan hasil Grafik diatas maka dapat dilihat hasil prediksi dalam bentuk table sebagai berikut :

(23)

Stasiun : Tuntungan

Koordinat : (3,500244 LU ; 98,630518 BT)

TAHUN Jan Feb Mar Apr Mei Jun Jul Agt Sep Okt Nov Des

2009 341 301 245 233 318 322 288 303 543 485 434 381

2010 422 471 287 406 373 382 315 354 605 818 651 470

2017 700 480 450 420 600 620 480 690 1300 1400 1100 1000

Data Hasil Normalisasi

Jan Feb Mar Apr Mei Jun Jul Agt Sep Okt Nov

0,174036 0,146615 0,108226 0,1 0,158269 0,161011 0,137704 0,147986 0,312511 0,272751 0,237789

0,229563 0,263153 0,137018 0,218595 0,195973 0,202142 0,156213 0,182948 0,355013 0,501028 0,386547

0,420137 0,269323 0,248757 0,228192 0,351585 0,365296 0,269323 0,413282 0,831448 0,9 0,694344

Sumber: Data Sekunder, BMKG Sampali

DATA LATIH ALGORITMA ANN P

O L A

X1 X2 X3 X4 X5 X6 X7 X8 X9 X1 0 X1 1 X1 2 TA RG ET 1 0,1

740 36 0,1 466 15 0,1 082

26 0,1

0,1 582 69 0,1 610 11 0,1 377 04 0,1 479 86 0,3 125 11 0,2 727 51 0,2 377 89 0,2 014 57 0,2 295 63

2 0,1 466 15

0,1 082

26 0,1

0,1 582 69 0,1 610 11 0,1 377 04 0,1 479 86 0,3 125 11 0,2 727 51 0,2 377 89 0,2 014 57 0,2 295 63 0,2 631 53

3 0,1 082

26 0,1

0,1 582 69 0,1 610 11 0,1 377 04 0,1 479 86 0,3 125 11 0,2 727 51 0,2 377 89 0,2 014 57 0,2 295 63 0,2 631 53 0,1 370 18 4 0,1 0,1 582 69 0,1 610 11 0,1 377 04 0,1 479 86 0,3 125 11 0,2 727 51 0,2 377 89 0,2 014 57 0,2 295 63 0,2 631 53 0,1 370 18 0,2 185 95 5 0,1

582 69 0,1 610 11 0,1 377 04 0,1 479 86 0,3 125 11 0,2 727 51 0,2 377 89 0,2 014 57 0,2 295 63 0,2 631 53 0,1 370 18 0,2 185 95 0,1 959 73

6 0,1 610 11 0,1 377 04 0,1 479 86 0,3 125 11 0,2 727 51 0,2 377 89 0,2 014 57 0,2 295 63 0,2 631 53 0,1 370 18 0,2 185 95 0,1 959 73 0,2 021 42 7 0,1

(24)

8 0,1 479 86 0,3 125 11 0,2 727 51 0,2 377 89 0,2 014 57 0,2 295 63 0,2 631 53 0,1 370 18 0,2 185 95 0,1 959 73 0,2 021 42 0,1 562 13 0,1 829 48

9 0,3 125 11 0,2 727 51 0,2 377 89 0,2 014 57 0,2 295 63 0,2 631 53 0,1 370 18 0,2 185 95 0,1 959 73 0,2 021 42 0,1 562 13 0,1 829 48 0,3 550 13

10 0,2 727 51 0,2 377 89 0,2 014 57 0,2 295 63 0,2 631 53 0,1 370 18 0,2 185 95 0,1 959 73 0,2 021 42 0,1 562 13 0,1 829 48 0,3 550 13 0,5 010 28

11 0,2 377 89 0,2 014 57 0,2 295 63 0,2 631 53 0,1 370 18 0,2 185 95 0,1 959 73 0,2 021 42 0,1 562 13 0,1 829 48 0,3 550 13 0,5 010 28 0,3 865 47

12 0,2 014 57 0,2 295 63 0,2 631 53 0,1 370 18 0,2 185 95 0,1 959 73 0,2 021 42 0,1 562 13 0,1 829 48 0,3 550 13 0,5 010 28 0,3 865 47 0,2 624 68

DATA UJI ALGORITMA ANN P

O L A

X1 X2 X3 X4 X5 X6 X7 X8 X9 X1 0 X1 1 X1 2 TA RG ET 1 0,2

295 63 0,2 631 53 0,1 370 18 0,2 185 95 0,1 959 73 0,2 021 42 0,1 562 13 0,1 829 48 0,3 550 13 0,5 010 28 0,3 865 47 0,2 624 68 0,4 201 37

2 0,2 631 53 0,1 370 18 0,2 185 95 0,1 959 73 0,2 021 42 0,1 562 13 0,1 829 48 0,3 550 13 0,5 010 28 0,3 865 47 0,2 624 68 0,4 201 37 0,2 693 23

3 0,1 370 18 0,2 185 95 0,1 959 73 0,2 021 42 0,1 562 13 0,1 829 48 0,3 550 13 0,5 010 28 0,3 865 47 0,2 624 68 0,4 201 37 0,2 693 23 0,2 487 57

4 0,2 185 95 0,1 959 73 0,2 021 42 0,1 562 13 0,1 829 48 0,3 550 13 0,5 010 28 0,3 865 47 0,2 624 68 0,4 201 37 0,2 693 23 0,2 487 57 0,2 281 92

5 0,1 959 73 0,2 021 42 0,1 562 13 0,1 829 48 0,3 550 13 0,5 010 28 0,3 865 47 0,2 624 68 0,4 201 37 0,2 693 23 0,2 487 57 0,2 281 92 0,3 515 85

6 0,2 021 42 0,1 562 13 0,1 829 48 0,3 550 13 0,5 010 28 0,3 865 47 0,2 624 68 0,4 201 37 0,2 693 23 0,2 487 57 0,2 281 92 0,3 515 85 0,3 652 96

7 0,1 562 13 0,1 829 48 0,3 550 13 0,5 010 28 0,3 865 47 0,2 624 68 0,4 201 37 0,2 693 23 0,2 487 57 0,2 281 92 0,3 515 85 0,3 652 96 0,2 693 23

(25)

829 48 550 13 010 28 865 47 624 68 201 37 693 23 487 57 281 92 515 85 652 96 693 23 132 82

9 0,3 550 13 0,5 010 28 0,3 865 47 0,2 624 68 0,4 201 37 0,2 693 23 0,2 487 57 0,2 281 92 0,3 515 85 0,3 652 96 0,2 693 23 0,4 132 82 0,8 314 48

10 0,5 010 28 0,3 865 47 0,2 624 68 0,4 201 37 0,2 693 23 0,2 487 57 0,2 281 92 0,3 515 85 0,3 652 96 0,2 693 23 0,4 132 82 0,8 314

48 0,9

11 0,3 865 47 0,2 624 68 0,4 201 37 0,2 693 23 0,2 487 57 0,2 281 92 0,3 515 85 0,3 652 96 0,2 693 23 0,4 132 82 0,8 314

48 0,9

0,6 943 44

12 0,2 624 68 0,4 201 37 0,2 693 23 0,2 487 57 0,2 281 92 0,3 515 85 0,3 652 96 0,2 693 23 0,4 132 82 0,8 314

48 0,9

0,6 943 44 0,6 257 93

Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan Tahun 2020 Untuk Wilayah Tuntungan

Berdasarkan hasil Grafik diatas maka dapat dilihat hasil prediksi dalam bentuk table sebagai berikut :

(26)

Stasiun : Patumbak

Koordinat : (3,2727930 LU ; 98,433347BT)

TAHUN Jan Feb Mar Apr Mei Jun Jul Agt Sep Okt Nov Des

2009 158 71 149 181 214 159 203 248 322 409 255 287

2010 276 85 225 187 252 267 217 289 367 581 369 369

2017 800 300 800 780 790 800 900 1100 1300 1805 1205 1100

Data Hasil Normalisasi

Jan Feb Mar Apr Mei Jun Jul Agt Sep Okt Nov

0,140138 0,1 0,135986 0,15075 0,165975 0,1406 0,1609 0,181661 0,215802 0,25594 0,18489

0,194579 0,106459 0,17105 0,153518 0,183506 0,190427 0,167359 0,200577 0,236563 0,335294 0,237486

0,436332 0,205652 0,436332 0,427105 0,431719 0,436332 0,482468 0,57474 0,667013 0,9 0,623183

Sumber: Data Sekunder, BMKG Sampali

DATA LATIH ALGORITMA ANN P

O L A

X1 X2 X3 X4 X5 X6 X7 X8 X9 X1 0 X1 1 X1 2 TA RG ET 1 0,1

401

38 0,1

0,1 359 86 0,1 507 5 0,1 659 75 0,1 406 0,1 609 0,1 816 61 0,2 158 02 0,2 559 4 0,1 848 9 0,1 996 54 0,1 945 79 2 0,1 0,1 359 86 0,1 507 5 0,1 659 75 0,1 406 0,1 609 0,1 816 61 0,2 158 02 0,2 559 4 0,1 848 9 0,1 996 54 0,1 945 79 0,1 064 59

3 0,1 359 86 0,1 507 5 0,1 659 75 0,1 406 0,1 609 0,1 816 61 0,2 158 02 0,2 559 4 0,1 848 9 0,1 996 54 0,1 945 79 0,1 064 59 0,1 710 5

4 0,1 507 5 0,1 659 75 0,1 406 0,1 609 0,1 816 61 0,2 158 02 0,2 559 4 0,1 848 9 0,1 996 54 0,1 945 79 0,1 064 59 0,1 710 5 0,1 535 18 5 0,1

659 75 0,1 406 0,1 609 0,1 816 61 0,2 158 02 0,2 559 4 0,1 848 9 0,1 996 54 0,1 945 79 0,1 064 59 0,1 710 5 0,1 535 18 0,1 835 06 6 0,1 406 0,1 609 0,1 816 61 0,2 158 02 0,2 559 4 0,1 848 9 0,1 996 54 0,1 945 79 0,1 064 59 0,1 710 5 0,1 535 18 0,1 835 06 0,1 904 27 7 0,1 609 0,1 816 61 0,2 158 02 0,2 559 4 0,1 848 9 0,1 996 54 0,1 945 79 0,1 064 59 0,1 710 5 0,1 535 18 0,1 835 06 0,1 904 27 0,1 673 59

(27)

61 02 4 9 54 79 59 5 18 06 27 59 77

9 0,2 158 02 0,2 559 4 0,1 848 9 0,1 996 54 0,1 945 79 0,1 064 59 0,1 710 5 0,1 535 18 0,1 835 06 0,1 904 27 0,1 673 59 0,2 005 77 0,2 365 63

10 0,2 559 4 0,1 848 9 0,1 996 54 0,1 945 79 0,1 064 59 0,1 710 5 0,1 535 18 0,1 835 06 0,1 904 27 0,1 673 59 0,2 005 77 0,2 365 63 0,3 352 94

11 0,1 848 9 0,1 996 54 0,1 945 79 0,1 064 59 0,1 710 5 0,1 535 18 0,1 835 06 0,1 904 27 0,1 673 59 0,2 005 77 0,2 365 63 0,3 352 94 0,2 374 86

12 0,1 996 54 0,1 945 79 0,1 064 59 0,1 710 5 0,1 535 18 0,1 835 06 0,1 904 27 0,1 673 59 0,2 005 77 0,2 365 63 0,3 352 94 0,2 374 86 0,2 374 86

DATA UJI ALGORITMA ANN P

O L A

X1 X2 X3 X4 X5 X6 X7 X8 X9 X1 0 X1 1 X1 2 TA RG ET 1 0,1

945 79 0,1 064 59 0,1 710 5 0,1 535 18 0,1 835 06 0,1 904 27 0,1 673 59 0,2 005 77 0,2 365 63 0,3 352 94 0,2 374 86 0,2 374 86 0,4 363 32

2 0,1 064 59 0,1 710 5 0,1 535 18 0,1 835 06 0,1 904 27 0,1 673 59 0,2 005 77 0,2 365 63 0,3 352 94 0,2 374 86 0,2 374 86 0,4 363 32 0,2 056 52

3 0,1 710 5 0,1 535 18 0,1 835 06 0,1 904 27 0,1 673 59 0,2 005 77 0,2 365 63 0,3 352 94 0,2 374 86 0,2 374 86 0,4 363 32 0,2 056 52 0,4 363 32

4 0,1 535 18 0,1 835 06 0,1 904 27 0,1 673 59 0,2 005 77 0,2 365 63 0,3 352 94 0,2 374 86 0,2 374 86 0,4 363 32 0,2 056 52 0,4 363 32 0,4 271 05 5 0,1

835 06 0,1 904 27 0,1 673 59 0,2 005 77 0,2 365 63 0,3 352 94 0,2 374 86 0,2 374 86 0,4 363 32 0,2 056 52 0,4 363 32 0,4 271 05 0,4 317 19

6 0,1 904 27 0,1 673 59 0,2 005 77 0,2 365 63 0,3 352 94 0,2 374 86 0,2 374 86 0,4 363 32 0,2 056 52 0,4 363 32 0,4 271 05 0,4 317 19 0,4 363 32 7 0,1

673 59 0,2 005 77 0,2 365 63 0,3 352 94 0,2 374 86 0,2 374 86 0,4 363 32 0,2 056 52 0,4 363 32 0,4 271 05 0,4 317 19 0,4 363 32 0,4 824 68

(28)

9 0,2 365 63 0,3 352 94 0,2 374 86 0,2 374 86 0,4 363 32 0,2 056 52 0,4 363 32 0,4 271 05 0,4 317 19 0,4 363 32 0,4 824 68 0,5 747 4 0,6 670 13

10 0,3 352 94 0,2 374 86 0,2 374 86 0,4 363 32 0,2 056 52 0,4 363 32 0,4 271 05 0,4 317 19 0,4 363 32 0,4 824 68 0,5 747 4 0,6 670

13 0,9

11 0,2 374 86 0,2 374 86 0,4 363 32 0,2 056 52 0,4 363 32 0,4 271 05 0,4 317 19 0,4 363 32 0,4 824 68 0,5 747 4 0,6 670

13 0,9

0,6 231 83

12 0,2 374 86 0,4 363 32 0,2 056 52 0,4 363 32 0,4 271 05 0,4 317 19 0,4 363 32 0,4 824 68 0,5 747 4 0,6 670

13 0,9

0,6 231 83 0,5 747 4

Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan Tahun 2020 Untuk Wilayah Patumbak

Berdasarkan hasil Grafik diatas maka dapat dilihat hasil prediksi dalam bentuk table sebagai berikut :

(29)

RANGKING JAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES 1998 0.303226 0.1 0.248387 0.280645 0.290323 0.164516 0.26129 0.251613 0.358065 0.248387 0.154839 0.13871 1999 0.364516 0.119355 0.270968 0.306452 0.441935 0.270968 0.422581 0.541935 0.435484 0.590323 0.474194

2000 0.406452 0.122581 0.274194 0.329032 0.487097 0.390323 0.46129 0.548387 0.9 0.63871 0.525806 0.583871

POLA X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 TA

1 0.303226 0.1 0.248387 0.280645 0.290323 0.164516 0.26129 0.251613 0.358065 0.248387 0.154839 0.13871 0. 2 0.1 0.248387 0.280645 0.290323 0.164516 0.26129 0.251613 0.358065 0.248387 0.154839 0.13871 0.406452 0. 3 0.248387 0.280645 0.290323 0.164516 0.26129 0.251613 0.358065 0.248387 0.154839 0.13871 0.406452 0.122581 0. 4 0.280645 0.290323 0.164516 0.26129 0.251613 0.358065 0.248387 0.154839 0.13871 0.406452 0.122581 0.274194 0.

5 0.290323 0.164516 0.26129 0.251613 0.358065 0.248387 0.154839 0.13871 0.406452 0.122581 0.274194 0.329032 0. 6 0.164516 0.26129 0.251613 0.358065 0.248387 0.154839 0.13871 0.406452 0.122581 0.274194 0.329032 0.487097 0.

7 0.26129 0.251613 0.358065 0.248387 0.154839 0.13871 0.406452 0.122581 0.274194 0.329032 0.487097 0.390323

8 0.251613 0.358065 0.248387 0.154839 0.13871 0.406452 0.122581 0.274194 0.329032 0.487097 0.390323 0.46129 0. 9 0.358065 0.248387 0.154839 0.13871 0.406452 0.122581 0.274194 0.329032 0.487097 0.390323 0.46129 0.548387 10 0.248387 0.154839 0.13871 0.406452 0.122581 0.274194 0.329032 0.487097 0.390323 0.46129 0.548387 0.9 11 0.154839 0.13871 0.406452 0.122581 0.274194 0.329032 0.487097 0.390323 0.46129 0.548387 0.9 0.63871 0. 12 0.13871 0.406452 0.122581 0.274194 0.329032 0.487097 0.390323 0.46129 0.548387 0.9 0.63871 0.525806 0.

Stasiun : Polonia

Data Hasil Normalisasi

Sumber: Data Sekunder, BMKG Sampali

DATA LATIH ALGORITMA ANN

Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan Tahun 2001 Untuk Wilayah Polonia

RANGKING JAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES

1998 72 9 55 65 68 29 59 56 89 55 26 21

1999 91 15 62 73 115 62 109 146 113 161 125 102

(30)

Stasiun : Tuntungan

Data Hasil Normalisasi

Sumber: Data Sekunder, BMKG Sampali

DATA LATIH ALGORITMA ANN

Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan Tahun 2001 Untuk Wilayah Tuntungan

RANGKING JAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES

1998 39 41 26 38 69 27 25 25 72 86 155 153

1999 77 45 52 51 81 66 136 62 221 265 191 189 2000 102 55 100 85 178 119 154 123 256 265 191 210

RANGKING JAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES 1998 0.146667 0.153333 0.103333 0.143333 0.246667 0.106667 0.1 0.1 0.256667 0.303333 0.533333 0.52 1999 0.273333 0.166667 0.19 0.186667 0.286667 0.236667 0.47 0.223333 0.753333 0.9 0.653333 0.64 2000 0.356667 0.2 0.35 0.3 0.61 0.413333 0.53 0.426667 0.87 0.9 0.653333 0.7

POLA X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 TA

1 0.146667 0.153333 0.103333 0.143333 0.246667 0.106667 0.1 0.1 0.256667 0.303333 0.533333 0.526667 0. 2 0.153333 0.103333 0.143333 0.246667 0.106667 0.1 0.1 0.256667 0.303333 0.533333 0.526667 0.356667 3 0.103333 0.143333 0.246667 0.106667 0.1 0.1 0.256667 0.303333 0.533333 0.526667 0.356667 0.2 4 0.143333 0.246667 0.106667 0.1 0.1 0.256667 0.303333 0.533333 0.526667 0.356667 0.2 0.35 5 0.246667 0.106667 0.1 0.1 0.256667 0.303333 0.533333 0.526667 0.356667 0.2 0.35 0.3

6 0.106667 0.1 0.1 0.256667 0.303333 0.533333 0.526667 0.356667 0.2 0.35 0.3 0.61 0.

7 0.1 0.1 0.256667 0.303333 0.533333 0.526667 0.356667 0.2 0.35 0.3 0.61 0.413333

(31)

Stasiun : Patumbak

Data Hasil Normalisasi

Sumber: Data Sekunder, BMKG Sampali

DATA LATIH ALGORITMA ANN

Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan Tahun 2001 Untuk Wilayah Patumbak

Stasiun : Polonia

RANGKING JAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES

1998 28 4 9 32 63 35 36 45 179 129 67 15

1999 34 13 40 35 72 64 53 53 189 129 80 40

2000 39 21 49 68 103 75 102 100 249 137 92 64

RANGKING JAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES 1998 0.178367 0.1 0.116327 0.191429 0.292653 0.201224 0.20449 0.233878 0.671429 0.508163 0.305714 0.13 1999 0.197959 0.129388 0.217551 0.201224 0.322041 0.295918 0.26 0.26 0.704082 0.508163 0.348163 0.21 2000 0.214286 0.15551 0.246939 0.30898 0.423265 0.331837 0.42 0.413469 0.9 0.534286 0.387347 0.29

RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES 1999 91 15 62 73 115 62 109 146 113 161 125 102 2000 104 16 63 80 129 99 121 148 257 176 141 159 2001 1100 250 500 800 1200 900 1000 1400 2600 1600 1500 1500

POLA X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 TA

1 0.178367 0.1 0.116327 0.191429 0.292653 0.201224 0.20449 0.233878 0.671429 0.508163 0.305714 0.135918 0. 2 0.1 0.116327 0.191429 0.292653 0.201224 0.20449 0.233878 0.671429 0.508163 0.305714 0.135918 0.214286 3 0.116327 0.191429 0.292653 0.201224 0.20449 0.233878 0.671429 0.508163 0.305714 0.135918 0.214286 0.15551 0. 4 0.191429 0.292653 0.201224 0.20449 0.233878 0.671429 0.508163 0.305714 0.135918 0.214286 0.15551 0.246939 5 0.292653 0.201224 0.20449 0.233878 0.671429 0.508163 0.305714 0.135918 0.214286 0.15551 0.246939 0.30898 0. 6 0.201224 0.20449 0.233878 0.671429 0.508163 0.305714 0.135918 0.214286 0.15551 0.246939 0.30898 0.423265 0.

7 0.20449 0.233878 0.671429 0.508163 0.305714 0.135918 0.214286 0.15551 0.246939 0.30898 0.423265 0.331837

(32)

Data Hasil Normalisasi

Sumber: Data Sekunder, BMKG Sampali

DATA LATIH ALGORITMA ANN

Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan Tahun 2002 Untuk Wilayah Polonia

RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES 1999 0.12352 0.1 0.114545 0.11795 0.130948 0.114545 0.129091 0.140542 0.130329 0.145184 0.134043 0.12 2000 0.127544 0.100309 0.114855 0.120116 0.13528 0.125996 0.132805 0.141161 0.174894 0.149826 0.138994 0.14 2001 0.435783 0.172727 0.250097 0.34294 0.466731 0.373888 0.404836 0.528627 0.9 0.590522 0.559574 0.55

POLA X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 TAR

1 0.12352 0.1 0.114545 0.11795 0.130948 0.114545 0.129091 0.140542 0.130329 0.145184 0.134043 0.126925 0. 2 0.1 0.114545 0.11795 0.130948 0.114545 0.129091 0.140542 0.130329 0.145184 0.134043 0.126925 0.435783 0. 3 0.114545 0.11795 0.130948 0.114545 0.129091 0.140542 0.130329 0.145184 0.134043 0.126925 0.435783 0.172727 0. 4 0.11795 0.130948 0.114545 0.129091 0.140542 0.130329 0.145184 0.134043 0.126925 0.435783 0.172727 0.250097 0.

5 0.130948 0.114545 0.129091 0.140542 0.130329 0.145184 0.134043 0.126925 0.435783 0.172727 0.250097 0.34294 0. 6 0.114545 0.129091 0.140542 0.130329 0.145184 0.134043 0.126925 0.435783 0.172727 0.250097 0.34294 0.466731 0.

(33)

Stasiun : Tuntungan

Data Hasil Normalisasi

Sumber: Data Sekunder, BMKG Sampali

DATA LATIH ALGORITMA ANN

Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan Tahun 2002 Untuk Wilayah Tuntungan

RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES 1999 77 45 52 51 81 66 136 62 221 265 191 189 2000 102 55 100 85 178 119 154 123 256 265 191 210 2001 600 400 700 550 1600 1200 1400 1100 2400 2500 1900 1800

RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES 1999 0.110428 0.1 0.102281 0.101955 0.111731 0.106843 0.129654 0.10554 0.157352 0.17169 0.147576 0.14 2000 0.118574 0.103259 0.117923 0.113035 0.14334 0.124114 0.135519 0.125418 0.168758 0.17169 0.147576 0.15 2001 0.280855 0.215682 0.313442 0.264562 0.606721 0.476375 0.541548 0.443788 0.867413 0.9 0.704481 0.67

POLA X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 TAR

1 0.110428 0.1 0.102281 0.101955 0.111731 0.106843 0.129654 0.10554 0.157352 0.17169 0.147576 0.146925 0.280855 2 0.1 0.102281 0.101955 0.111731 0.106843 0.129654 0.10554 0.157352 0.17169 0.147576 0.146925 0.280855 0. 3 0.102281 0.101955 0.111731 0.106843 0.129654 0.10554 0.157352 0.17169 0.147576 0.146925 0.280855 0.215682 0. 4 0.101955 0.111731 0.106843 0.129654 0.10554 0.157352 0.17169 0.147576 0.146925 0.280855 0.215682 0.313442 0.264562

5 0.111731 0.106843 0.129654 0.10554 0.157352 0.17169 0.147576 0.146925 0.280855 0.215682 0.313442 0.264562 0. 6 0.106843 0.129654 0.10554 0.157352 0.17169 0.147576 0.146925 0.280855 0.215682 0.313442 0.264562 0.606721 0.476375

(34)

Stasiun : Patumbak

Data Hasil Normalisasi

Sumber: Data Sekunder, BMKG Sampali DATA LATIH ALGORITMA ANN

Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan Tahun 2002 Untuk Wilayah Patumbak

RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES

1999 34 13 40 35 72 64 53 53 189 129 80 40

2000 39 21 49 68 103 75 102 100 249 137 92 64

2001 500 10 400 700 800 700 900 1000 2400 1400 1000 490

RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES 1999 0.108033 0.101004 0.110042 0.108368 0.120753 0.118075 0.114393 0.114393 0.159916 0.139833 0.123431 0.1 2000 0.109707 0.103682 0.113054 0.119414 0.13113 0.121757 0.130795 0.130126 0.18 0.14251 0.127448 0.1 2001 0.264017 0.1 0.230544 0.330962 0.364435 0.330962 0.397908 0.431381 0.9 0.565272 0.431381 0.2

POLA X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 TAR

1 0.108033 0.101004 0.110042 0.108368 0.120753 0.118075 0.114393 0.114393 0.159916 0.139833 0.123431 0.110042 0.264017 2 0.101004 0.110042 0.108368 0.120753 0.118075 0.114393 0.114393 0.159916 0.139833 0.123431 0.110042 0.264017

3 0.110042 0.108368 0.120753 0.118075 0.114393 0.114393 0.159916 0.139833 0.123431 0.110042 0.264017 0.1 0.230544 4 0.108368 0.120753 0.118075 0.114393 0.114393 0.159916 0.139833 0.123431 0.110042 0.264017 0.1 0.230544 0.330962

5 0.120753 0.118075 0.114393 0.114393 0.159916 0.139833 0.123431 0.110042 0.264017 0.1 0.230544 0.330962 0.364435 6 0.118075 0.114393 0.114393 0.159916 0.139833 0.123431 0.110042 0.264017 0.1 0.230544 0.330962 0.364435 0.330962

7 0.114393 0.114393 0.159916 0.139833 0.123431 0.110042 0.264017 0.1 0.230544 0.330962 0.364435 0.330962 0.397908 8 0.114393 0.159916 0.139833 0.123431 0.110042 0.264017 0.1 0.230544 0.330962 0.364435 0.330962 0.397908 0.431381 9 0.159916 0.139833 0.123431 0.110042 0.264017 0.1 0.230544 0.330962 0.364435 0.330962 0.397908 0.431381

(35)

Stasiun : Patumbak

Data Hasil Normalisasi

Sumber: Data Sekunder, BMKG Sampali

DATA LATIH ALGORITMA ANN

Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan Tahun 2003 Untuk Wilayah Tuntungan

RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES 2000 104 16 63 80 129 99 121 148 257 176 141 159 2001 1100 250 500 800 1200 900 1000 1400 2600 1600 1500 1500 2002 900 350 450 1100 1000 900 1000 1400 2600 1600 1500 1500

RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DE 2000 0.127245 0.1 0.114551 0.119814 0.134985 0.125697 0.132508 0.140867 0.174613 0.149536 0.1387 0 2001 0.435604 0.172446 0.249845 0.342724 0.466563 0.373684 0.404644 0.528483 0.9 0.590402 0.559443 0 2002 0.373684 0.203406 0.234365 0.435604 0.404644 0.373684 0.404644 0.528483 0.9 0.590402 0.559443 0

POLA X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 TAR

1 0.127245 0.1 0.114551 0.119814 0.134985 0.125697 0.132508 0.140867 0.174613 0.149536 0.1387 0.144272 0.373684 2 0.1 0.114551 0.119814 0.134985 0.125697 0.132508 0.140867 0.174613 0.149536 0.1387 0.144272 0.373684 0.203406 3 0.114551 0.119814 0.134985 0.125697 0.132508 0.140867 0.174613 0.149536 0.1387 0.144272 0.373684 0.203406 0.234365 4 0.119814 0.134985 0.125697 0.132508 0.140867 0.174613 0.149536 0.1387 0.144272 0.373684 0.203406 0.234365 0.435604

5 0.134985 0.125697 0.132508 0.140867 0.174613 0.149536 0.1387 0.144272 0.373684 0.203406 0.234365 0.435604 0.404644 6 0.125697 0.132508 0.140867 0.174613 0.149536 0.1387 0.144272 0.373684 0.203406 0.234365 0.435604 0.404644 0.373684

7 0.132508 0.140867 0.174613 0.149536 0.1387 0.144272 0.373684 0.203406 0.234365 0.435604 0.404644 0.373684 0.404644 8 0.140867 0.174613 0.149536 0.1387 0.144272 0.373684 0.203406 0.234365 0.435604 0.404644 0.373684 0.404644 0.528483 9 0.174613 0.149536 0.1387 0.144272 0.373684 0.203406 0.234365 0.435604 0.404644 0.373684 0.404644 0.528483

(36)

Stasiun : Tuntungan

Data Hasil Normalisasi

Sumber: Data Sekunder, BMKG Sampali DATA LATIH ALGORITMA ANN

Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan Tahun 2003 Untuk Wilayah Tuntungan

RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES

2000 102 55 100 85 178 119 154 123 256 265 191 210

2001 600 400 700 550 1600 1200 1400 1100 2400 2500 1900 1800

2002 600 450 600 620 1600 1200 1550 1200 2500 2100 1800 1600

RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES 2000 0.115378 0.1 0.114724 0.109816 0.140245 0.120941 0.132393 0.122249 0.165767 0.168712 0.144499 0.15 2001 0.278323 0.212883 0.311043 0.261963 0.605521 0.474642 0.540082 0.441922 0.86728 0.9 0.703681 0.67 2002 0.278323 0.229243 0.278323 0.284867 0.605521 0.474642 0.589162 0.474642 0.9 0.769121 0.670961 0.60

POLA X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 TAR

1 0.115378 0.1 0.114724 0.109816 0.140245 0.120941 0.132393 0.122249 0.165767 0.168712 0.144499 0.150716 0.278323 2 0.1 0.114724 0.109816 0.140245 0.120941 0.132393 0.122249 0.165767 0.168712 0.144499 0.150716 0.278323 0.229243 3 0.114724 0.109816 0.140245 0.120941 0.132393 0.122249 0.165767 0.168712 0.144499 0.150716 0.278323 0.229243 0.278323 4 0.109816 0.140245 0.120941 0.132393 0.122249 0.165767 0.168712 0.144499 0.150716 0.278323 0.229243 0.278323 0.284867

5 0.140245 0.120941 0.132393 0.122249 0.165767 0.168712 0.144499 0.150716 0.278323 0.229243 0.278323 0.284867 0.605521 6 0.120941 0.132393 0.122249 0.165767 0.168712 0.144499 0.150716 0.278323 0.229243 0.278323 0.284867 0.605521 0.474642

7 0.132393 0.122249 0.165767 0.168712 0.144499 0.150716 0.278323 0.229243 0.278323 0.284867 0.605521 0.474642 0.589162 8 0.122249 0.165767 0.168712 0.144499 0.150716 0.278323 0.229243 0.278323 0.284867 0.605521 0.474642 0.589162 0.474642 9 0.165767 0.168712 0.144499 0.150716 0.278323 0.229243 0.278323 0.284867 0.605521 0.474642 0.589162 0.474642

(37)

Stasiun : Patumbak

Data Hasil Normalisasi

Sumber: Data Sekunder, BMKG Sampali DATA LATIH ALGORITMA ANN

Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan Tahun 2003 Untuk Wilayah Patumbak

RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES 2000 39 21 49 68 103 75 102 100 249 137 92 64

2001 500 10 400 700 800 700 900 1000 2400 1400 1000 490

2002 450 200 600 500 650 600 900 1000 2250 1400 1000 500

RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES 2000 0.109707 0.103682 0.113054 0.119414 0.13113 0.121757 0.130795 0.130126 0.18 0.14251 0.127448 0.1 2001 0.264017 0.1 0.230544 0.330962 0.364435 0.330962 0.397908 0.431381 0.9 0.565272 0.431381 0.2 2002 0.24728 0.163598 0.29749 0.264017 0.314226 0.29749 0.397908 0.431381 0.849791 0.565272 0.431381 0.2

POLA X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 TARGE

1 0.109707 0.103682 0.113054 0.119414 0.13113 0.121757 0.130795 0.130126 0.18 0.14251 0.127448 0.118075 0.24728 2 0.103682 0.113054 0.119414 0.13113 0.121757 0.130795 0.130126 0.18 0.14251 0.127448 0.118075 0.24728 0.163598 3 0.113054 0.119414 0.13113 0.121757 0.130795 0.130126 0.18 0.14251 0.127448 0.118075 0.24728 0.163598 0.29749 4 0.119414 0.13113 0.121757 0.130795 0.130126 0.18 0.14251 0.127448 0.118075 0.24728 0.163598 0.29749 0.264017

5 0.13113 0.121757 0.130795 0.130126 0.18 0.14251 0.127448 0.118075 0.24728 0.163598 0.29749 0.264017 0.314226 6 0.121757 0.130795 0.130126 0.18 0.14251 0.127448 0.118075 0.24728 0.163598 0.29749 0.264017 0.314226 0.29749

(38)

Stasiun : Polonia

Data Hasil Normalisasi

Sumber: Data Sekunder, BMKG Sampali DATA LATIH ALGORITMA ANN

Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan Tahun 2004 Untuk Wilayah Polonia

RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES

2001 1100 250 500 800 1200 900 1000 1400 2600 1600 1500 1500

2002 900 350 450 1100 1000 900 1000 1400 2600 1600 1500 1500

2003 650 300 500 1000 1200 700 950 1400 2600 1550 1500 1500

RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES 2001 0.389362 0.1 0.185106 0.287234 0.423404 0.321277 0.355319 0.491489 0.9 0.559574 0.525532 0.525 2002 0.321277 0.134043 0.168085 0.389362 0.355319 0.321277 0.355319 0.491489 0.9 0.559574 0.525532 0.525 2003 0.23617 0.117021 0.185106 0.355319 0.423404 0.253191 0.338298 0.491489 0.9 0.542553 0.525532 0.525

POLA X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 TARGE

1 0.389362 0.1 0.185106 0.287234 0.423404 0.321277 0.355319 0.491489 0.9 0.559574 0.525532 0.525532 0.23617 2 0.1 0.185106 0.287234 0.423404 0.321277 0.355319 0.491489 0.9 0.559574 0.525532 0.525532 0.23617 0.117021 3 0.185106 0.287234 0.423404 0.321277 0.355319 0.491489 0.9 0.559574 0.525532 0.525532 0.23617 0.117021 0.185106 4 0.287234 0.423404 0.321277 0.355319 0.491489 0.9 0.559574 0.525532 0.525532 0.23617 0.117021 0.185106 0.355319

5 0.423404 0.321277 0.355319 0.491489 0.9 0.559574 0.525532 0.525532 0.23617 0.117021 0.185106 0.355319 0.423404 6 0.321277 0.355319 0.491489 0.9 0.559574 0.525532 0.525532 0.23617 0.117021 0.185106 0.355319 0.423404 0.253191

7 0.355319 0.491489 0.9 0.559574 0.525532 0.525532 0.23617 0.117021 0.185106 0.355319 0.423404 0.253191 0.338298 8 0.491489 0.9 0.559574 0.525532 0.525532 0.23617 0.117021 0.185106 0.355319 0.423404 0.253191 0.338298 0.491489 9 0.9 0.559574 0.525532 0.525532 0.23617 0.117021 0.185106 0.355319 0.423404 0.253191 0.338298 0.491489

(39)

Stasiun : Tuntungan

Data Hasil Normalisasi

Sumber: Data Sekunder, BMKG Sampali DATA LATIH ALGORITMA ANN

Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan Tahun 2004 Untuk Wilayah Tuntungan

RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES

2001 600 400 700 550 1600 1200 1400 1100 2400 2500 1900 1800

2002 600 450 600 620 1600 1200 1550 1200 2500 2100 1800 1600

2003 800 400 800 500 1200 1600 1500 1000 2500 2550 1990 1995

RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES 2001 0.174419 0.1 0.211628 0.155814 0.546512 0.397674 0.472093 0.360465 0.844186 0.881395 0.65814 0.620 2002 0.174419 0.118605 0.174419 0.18186 0.546512 0.397674 0.527907 0.397674 0.881395 0.732558 0.62093 0.5465 2003 0.248837 0.1 0.248837 0.137209 0.397674 0.546512 0.509302 0.323256 0.881395 0.9 0.691628 0.6934

POLA X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 TARGE

1 0.174419 0.1 0.211628 0.155814 0.546512 0.397674 0.472093 0.360465 0.844186 0.881395 0.65814 0.62093 0.248837 2 0.1 0.211628 0.155814 0.546512 0.397674 0.472093 0.360465 0.844186 0.881395 0.65814 0.62093 0.248837

3 0.211628 0.155814 0.546512 0.397674 0.472093 0.360465 0.844186 0.881395 0.65814 0.62093 0.248837 0.1 0.248837 4 0.155814 0.546512 0.397674 0.472093 0.360465 0.844186 0.881395 0.65814 0.62093 0.248837 0.1 0.248837 0.137209

5 0.546512 0.397674 0.472093 0.360465 0.844186 0.881395 0.65814 0.62093 0.248837 0.1 0.248837 0.137209 0.397674 6 0.397674 0.472093 0.360465 0.844186 0.881395 0.65814 0.62093 0.248837 0.1 0.248837 0.137209 0.397674 0.546512

7 0.472093 0.360465 0.844186 0.881395 0.65814 0.62093 0.248837 0.1 0.248837 0.137209 0.397674 0.546512 0.509302 8 0.360465 0.844186 0.881395 0.65814 0.62093 0.248837 0.1 0.248837 0.137209 0.397674 0.546512 0.509302 0.323256 9 0.844186 0.881395 0.65814 0.62093 0.248837 0.1 0.248837 0.137209 0.397674 0.546512 0.509302 0.323256 0.881395 10 0.881395 0.65814 0.62093 0.248837 0.1 0.248837 0.137209 0.397674 0.546512 0.509302 0.323256 0.881395

(40)

Stasiun : Patumbak

Data Hasil Normalisasi

Sumber: Data Sekunder, BMKG Sampali DATA LATIH ALGORITMA ANN

Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan Tahun 2004 Untuk Wilayah Patumbak

RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES

2001 500 10 400 700 800 700 900 1000 2400 1400 1000 490

2002 450 200 600 500 650 600 900 1000 2250 1400 1000 500

2003 400 300 350 370 800 700 800 850 2400 1400 1000 500

RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES

2001 0.264017 0.1 0.230544 0.330962 0.364435 0.330962 0.397908 0.431381 0.9 0.565272 0.431381 0.260669 2002 0.24728 0.163598 0.29749 0.264017 0.314226 0.29749 0.397908 0.431381 0.849791 0.565272 0.431381 0.264017 2003 0.230544 0.197071 0.213808 0.220502 0.364435 0.330962 0.364435 0.381172 0.9 0.565272 0.431381 0.264017

POLA X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 TAR

1 0.264017 0.1 0.230544 0.330962 0.364435 0.330962 0.397908 0.431381 0.9 0.565272 0.431381 0.260669 0.230544 2 0.1 0.230544 0.330962 0.364435 0.330962 0.397908 0.431381 0.9 0.565272 0.431381 0.260669 0.230544 0.197071 3 0.230544 0.330962 0.364435 0.330962 0.397908 0.431381 0.9 0.565272 0.431381 0.260669 0.230544 0.197071 0.213808 4 0.330962 0.364435 0.330962 0.397908 0.431381 0.9 0.565272 0.431381 0.260669 0.230544 0.197071 0.213808 0.220502

5 0.364435 0.330962 0.397908 0.431381 0.9 0.565272 0.431381 0.260669 0.230544 0.197071 0.213808 0.220502 0.364435 6 0.330962 0.397908 0.431381 0.9 0.565272 0.431381 0.260669 0.230544 0.197071 0.213808 0.220502 0.364435 0.330962

7 0.397908 0.431381 0.9 0.565272 0.431381 0.260669 0.230544 0.197071 0.213808 0.220502 0.364435 0.330962 0.364435 8 0.431381 0.9 0.565272 0.431381 0.260669 0.230544 0.197071 0.213808 0.220502 0.364435 0.330962 0.364435 0.381172 9 0.9 0.565272 0.431381 0.260669 0.230544 0.197071 0.213808 0.220502 0.364435 0.330962 0.364435 0.381172

(41)

Stasiun : Polonia

Data Hasil Normalisasi

Sumber: Data Sekunder, BMKG Sampali DATA LATIH ALGORITMA ANN

Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan Tahun 2005 Untuk Wilayah Polonia

RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES

2002 900 350 450 1100 1000 900 1000 1400 2600 1600 1500 1500

2003 650 300 500 1000 1200 700 950 1400 2600 1550 1500 1500

2004 450 250 200 1000 950 500 800 1300 2500 1550 1300 1350

RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES 2002 0.333333 0.15 0.183333 0.4 0.366667 0.333333 0.366667 0.5 0.9 0.566667 0.533333 0.533 2003 0.25 0.133333 0.2 0.366667 0.433333 0.266667 0.35 0.5 0.9 0.55 0.533333 0.533 2004 0.183333 0.116667 0.1 0.366667 0.35 0.2 0.3 0.466667 0.866667 0.55 0.466667 0.483

POLA X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 TARGE

1 0.333333 0.15 0.183333 0.4 0.366667 0.333333 0.366667 0.5 0.9 0.566667 0.533333 0.533333 0.183333 2 0.15 0.183333 0.4 0.366667 0.333333 0.366667 0.5 0.9 0.566667 0.533333 0.533333 0.183333 0.116667 3 0.183333 0.4 0.366667 0.333333 0.366667 0.5 0.9 0.566667 0.533333 0.533333 0.183333 0.116667

4 0.4 0.366667 0.333333 0.366667 0.5 0.9 0.566667 0.533333 0.533333 0.183333 0.116667 0.1 0.366667

5 0.366667 0.333333 0.366667 0.5 0.9 0.566667 0.533333 0.533333 0.183333 0.116667 0.1 0.366667

6 0.333333 0.366667 0.5 0.9 0.566667 0.533333 0.533333 0.183333 0.116667 0.1 0.366667 0.35 7 0.366667 0.5 0.9 0.566667 0.533333 0.533333 0.183333 0.116667 0.1 0.366667 0.35 0.2

8 0.5 0.9 0.566667 0.533333 0.533333 0.183333 0.116667 0.1 0.366667 0.35 0.2 0.3 0.466667 9 0.9 0.566667 0.533333 0.533333 0.183333 0.116667 0.1 0.366667 0.35 0.2 0.3 0.466667 0.866667 10 0.566667 0.533333 0.533333 0.183333 0.116667 0.1 0.366667 0.35 0.2 0.3 0.466667 0.866667

(42)

Stasiun : Tuntungan

Data Hasil Normalisasi

Sumber: Data Sekunder, BMKG Sampali DATA LATIH ALGORITMA ANN

Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan Tahun 2005 Untuk Wilayah Tuntungan

RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES

2002 600 450 600 620 1600 1200 1550 1200 2500 2100 1800 1600

2003 800 400 800 500 1200 1600 1500 1000 2500 2550 1990 1995

2004 500 10 400 650 800 1500 1200 1450 2450 2700 1800 2000

RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES 2002 0.275465 0.230855 0.275465 0.281413 0.572862 0.453903 0.557993 0.453903 0.84052 0.721561 0.632342 0.57 2003 0.334944 0.215985 0.334944 0.245725 0.453903 0.572862 0.543123 0.394424 0.84052 0.85539 0.688848 0.69 2004 0.245725 0.1 0.215985 0.290335 0.334944 0.543123 0.453903 0.528253 0.825651 0.9 0.632342 0.69

POLA X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 TAR

1 0.275465 0.230855 0.275465 0.281413 0.572862 0.453903 0.557993 0.453903 0.84052 0.721561 0.632342 0.572862 0.245725 2 0.230855 0.275465 0.281413 0.572862 0.453903 0.557993 0.453903 0.84052 0.721561 0.632342 0.572862 0.245725

3 0.275465 0.281413 0.572862 0.453903 0.557993 0.453903 0.84052 0.721561 0.632342 0.572862 0.245725 0.1 0.215985 4 0.281413 0.572862 0.453903 0.557993 0.453903 0.84052 0.721561 0.632342 0.572862 0.245725 0.1 0.215985 0.290335

5 0.572862 0.453903 0.557993 0.453903 0.84052 0.721561 0.632342 0.572862 0.245725 0.1 0.215985 0.290335 0.334944 6 0.453903 0.557993 0.453903 0.84052 0.721561 0.632342 0.572862 0.245725 0.1 0.215985 0.290335 0.334944 0.543123

7 0.557993 0.453903 0.84052 0.721561 0.632342 0.572862 0.245725 0.1 0.215985 0.290335 0.334944 0.543123 0.453903 8 0.453903 0.84052 0.721561 0.632342 0.572862 0.245725 0.1 0.215985 0.290335 0.334944 0.543123 0.453903 0.528253 9 0.84052 0.721561 0.632342 0.572862 0.245725 0.1 0.215985 0.290335 0.334944 0.543123 0.453903 0.528253 0.825651 10 0.721561 0.632342 0.572862 0.245725 0.1 0.215985 0.290335 0.334944 0.543123 0.453903 0.528253 0.825651

(43)

Stasiun : Patumbak

Data Hasil Normalisasi

Sumber: Data Sekunder, BMKG Sampali DATA LATIH ALGORITMA ANN

Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan Tahun 2005 Untuk Wilayah Patumbak

RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES

2002 450 200 600 500 650 600 900 1000 2250 1400 1000 500

2003 400 300 350 370 800 700 800 850 2400 1400 1000 500

2004 500 250 470 450 700 600 1100 1000 2500 1450 1100 500

RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES 2002 0.186957 0.1 0.23913 0.204348 0.256522 0.23913 0.343478 0.378261 0.813043 0.517391 0.378261 0.2043 2003 0.169565 0.134783 0.152174 0.15913 0.308696 0.273913 0.308696 0.326087 0.865217 0.517391 0.378261 0.2043 2004 0.204348 0.117391 0.193913 0.186957 0.273913 0.23913 0.413043 0.378261 0.9 0.534783 0.413043 0.2043

POLA X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 TAR

1 0.186957 0.1 0.23913 0.204348 0.256522 0.23913 0.343478 0.378261 0.813043 0.517391 0.378261 0.204348 0.204348 2 0.1 0.23913 0.204348 0.256522 0.23913 0.343478 0.378261 0.813043 0.517391 0.378261 0.204348 0.204348 0.117391 3 0.23913 0.204348 0.256522 0.23913 0.343478 0.378261 0.813043 0.517391 0.378261 0.204348 0.204348 0.117391 0.193913 4 0.204348 0.256522 0.23913 0.343478 0.378261 0.813043 0.517391 0.378261 0.204348 0.204348 0.117391 0.193913 0.186957

5 0.256522 0.23913 0.343478 0.378261 0.813043 0.517391 0.378261 0.204348 0.204348 0.117391 0.193913 0.186957 0.273913 6 0.23913 0.343478 0.378261 0.813043 0.517391 0.378261 0.204348 0.204348 0.117391 0.193913 0.186957 0.273913 0.

7 0.343478 0.378261 0.813043 0.517391 0.378261 0.204348 0.204348 0.117391 0.193913 0.186957 0.273913 0.23913 0.413043 8 0.378261 0.813043 0.517391 0.378261 0.204348 0.204348 0.117391 0.193913 0.186957 0.273913 0.23913 0.413043 0.378261 9 0.813043 0.517391 0.378261 0.204348 0.204348 0.117391 0.193913 0.186957 0.273913 0.23913 0.413043 0.378261

(44)

Stasiun : Polonia

Data Hasil Normalisasi

Sumber: Data Sekunder, BMKG Sampali DATA LATIH ALGORITMA ANN

Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan Tahun 2006 Untuk Wilayah Polonia

RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES

2003 650 300 500 1000 1200 700 950 1400 2600 1550 1500 1500

2004 450 250 200 1000 950 500 800 1300 2500 1550 1300 1350

2005 500 20 10 800 750 400 600 1200 2500 1400 1450 1250

RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES 2003 0.297683 0.189575 0.251351 0.405792 0.467568 0.313127 0.390347 0.529344 0.9 0.575676 0.560232 0.560 2004 0.235907 0.174131 0.158687 0.405792 0.390347 0.251351 0.344015 0.498456 0.869112 0.575676 0.498456 0.5 2005 0.251351 0.103089 0.1 0.344015 0.328571 0.220463 0.282239 0.467568 0.869112 0.529344 0.544788 0.483

POLA X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 TAR

1 0.297683 0.189575 0.251351 0.405792 0.467568 0.313127 0.390347 0.529344 0.9 0.575676 0.560232 0.560232 0. 2 0.189575 0.251351 0.405792 0.467568 0.313127 0.390347 0.529344 0.9 0.575676 0.560232 0.560232 0.251351 0. 3 0.251351 0.405792 0.467568 0.313127 0.390347 0.529344 0.9 0.575676 0.560232 0.560232 0.251351 0.103089 4 0.405792 0.467568 0.313127 0.390347 0.529344 0.9 0.575676 0.560232 0.560232 0.251351 0.103089 0.1 0.

5 0.467568 0.313127 0.390347 0.529344 0.9 0.575676 0.560232 0.560232 0.251351 0.103089 0.1 0.344015 0. 6 0.313127 0.390347 0.529344 0.9 0.575676 0.560232 0.560232 0.251351 0.103089 0.1 0.344015 0.328571 0.

(45)

Stasiun : Tuntungan

Data Hasil Normalisasi

Sumber: Data Sekunder, BMKG Sampali DATA LATIH ALGORITMA ANN

Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan Tahun 2006 Untuk Wilayah Tuntungan

RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES

2003 800 400 800 500 1200 1600 1500 1000 2500 2550 1990 1995

2004 500 10 400 650 800 1500 1200 1450 2450 2700 1800 2000

2005 400 100 450 550 700 1400 1200 1500 2200 2400 1600 2100

RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES 2003 0.334944 0.215985 0.334944 0.245725 0.453903 0.572862 0.543123 0.394424 0.84052 0.85539 0.688848 0.6 2004 0.245725 0.1 0.215985 0.290335 0.334944 0.543123 0.453903 0.528253 0.825651 0.9 0.632342 0.6 2005 0.215985 0.126766 0.230855 0.260595 0.305204 0.513383 0.453903 0.543123 0.751301 0.810781 0.572862 0.7

POLA X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 TAR

1 0.334944 0.215985 0.334944 0.245725 0.453903 0.572862 0.543123 0.394424 0.84052 0.85539 0.688848 0.690335 0.215985 2 0.215985 0.334944 0.245725 0.453903 0.572862 0.543123 0.394424 0.84052 0.85539 0.688848 0.690335 0.215985 0.126766 3 0.334944 0.245725 0.453903 0.572862 0.543123 0.394424 0.84052 0.85539 0.688848 0.690335 0.215985 0.126766 0.230855 4 0.245725 0.453903 0.572862 0.543123 0.394424 0.84052 0.85539 0.688848 0.690335 0.215985 0.126766 0.230855 0.260595

5 0.453903 0.572862 0.543123 0.394424 0.84052 0.85539 0.688848 0.690335 0.215985 0.126766 0.230855 0.260595 0.305204 6 0.572862 0.543123 0.394424 0.84052 0.85539 0.688848 0.690335 0.215985 0.126766 0.230855 0.260595 0.305204 0.513383

(46)

Stasiun : Patumbak

Data Hasil Normalisasi

Sumber: Data Sekunder, BMKG Sampali DATA LATIH ALGORITMA ANN

Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan Tahun 2006 Untuk Wilayah Patumbak

RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES

2003 400 300 350 370 800 700 800 850 2400 1400 1000 500

2004 500 250 470 450 700 600 1100 1000 2500 1450 1100 500

2005 400 150 150 400 550 400 1100 1200 2400 1500 950 400

RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES 2003 0.185106 0.151064 0.168085 0.174894 0.321277 0.287234 0.321277 0.338298 0.865957 0.525532 0.389362 0.21914 2004 0.219149 0.134043 0.208936 0.202128 0.287234 0.253191 0.423404 0.389362 0.9 0.542553 0.423404 0.21914 2005 0.185106 0.1 0.1 0.185106 0.23617 0.185106 0.423404 0.457447 0.865957 0.559574 0.37234 0.18510

POLA X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 TAR

1 0.185106 0.151064 0.168085 0.174894 0.321277 0.287234 0.321277 0.338298 0.865957 0.525532 0.389362 0.219149 0.185106 2 0.151064 0.168085 0.174894 0.321277 0.287234 0.321277 0.338298 0.865957 0.525532 0.389362 0.219149 0.185106

3 0.168085 0.174894 0.321277 0.287234 0.321277 0.338298 0.865957 0.525532 0.389362 0.219149 0.185106 0.1

4 0.174894 0.321277 0.287234 0.321277 0.338298 0.865957 0.525532 0.389362 0.219149 0.185106 0.1 0.1 0.185106

5 0.321277 0.287234 0.321277 0.338298 0.865957 0.525532 0.389362 0.219149 0.185106 0.1 0.1 0.185106 0. 6 0.287234 0.321277 0.338298 0.865957 0.525532 0.389362 0.219149 0.185106 0.1 0.1 0.185106 0.23617 0.185106

(47)

Stasiun : Polonia

Data Hasil Normalisasi

Sumber: Data Sekunder, BMKG Sampali DATA LATIH ALGORITMA ANN

Hasil Output Artificial Neural Network Terhadap Hasil Prediksi Curah Hujan Tahun 2007 Untuk Wilayah Polonia

RANGKINGJAN FEB MAR APR MEI JUN JULI AGS SEPT OKT NOV DES

2004 450 250 200 1000 950 500 800 1300 2500 1550 1300 1350

2005 500 20 10 800 750 400 600 1200 2500 1400 1450 1250

2006 450 150 50 700 650 450 700 1000 2500 1600 1300 1250

<

Gambar

Gambar 3.1 Diagram Flowchart
table sebagai berikut :
table sebagai berikut :
table sebagai berikut :
+7

Referensi

Dokumen terkait

Atraktan dapat digunakan untuk mengendalikan hama lalat buah dalam 3 cara, yaitu : (a) mendeteksi atau memonitor populasi lalat buah, (b) menarik lalat buah untuk kemudian

Yang dimaksud dengan istilah arbitrer itu adalah tidak adanya hubungan wajib antara lambang bahasa (yang berwujud bunyi itu) dengan konsep atau pengertian yang dimaksud oleh

Berdasarkan pemikiran di atas dan apa yang telah dilakukan oleh perpustakaan FE UII serta ditambah dengan hasil studi dari Szulanski (1996) yang mendiskusikan per- masalahan

Prinsip kerjanya sebagai berikut: zat pendingin dalam bentuk gas ditekan oleh kompressor kedalam sistem dengan tekanan tertentu, karena tekanan naik maka temperatur

Peningkatan Hasil Belajar yang diperoleh peserta Didik dengan Menggunakan Model Pembelajaran Kooperatif Tipe Make A Match dalam Mata Pelajaran Al-Quran

(2) Bagaimana Peningkatan hasil belajar pada mata pelajaran Al-Quran Hadits materi surat Al-Adiyat melalui model pembelajaran kooperatif tipe make a match peserta

Pengaruh Pendidikan Kelompok Sebaya Terhadap Pengetahuan dan Sikap Remaja Tentang Risiko Penyalahgunaan Narkoba di SMA Kecamatan Medan Helvetia Kota Medan.. Kamus

The Doctor said, „I don‟t understand why you felt the need to advertise for financial backing.. Surely there are establishments