• Tidak ada hasil yang ditemukan

ANALISIS PENGGUNAAN DATA BINER PADA PRED

N/A
N/A
Protected

Academic year: 2018

Membagikan "ANALISIS PENGGUNAAN DATA BINER PADA PRED"

Copied!
7
0
0

Teks penuh

(1)

ANALISIS PENGGUNAAN DATA BINER PADA

PREDIKSI CUACA EKSTRIM KOTA MEDAN

MENGGUNAKAN METODE

BACKPROPAGATION NEURAL NETWORK

Yudhi Andrian

Dosen Teknik Informatika, STMIK Potensi Utama Jl. K.L. Yos Sudarso Km 6,5 No. 3A Tanjung Mulia-Medan

yudhi.andrian@gmail.com,

Erlinda Ningsih

Mahasiswi Sistem Informasi, STMIK Potensi Utama Jl. K.L. Yos Sudarso Km 6,5 No. 3A Tanjung Mulia-Medan

erlinda.301093@gmail.com

Abstract— Wilayah Kota Medan pada saat memasuki masa pancaroba akan mengalami masa transisi dari Musim Kemarau ke Musim Hujan umumnya memiliki kondisi cuaca yang tidak stabil. Pola-pola cuaca yang menyimpang atau yang biasa di sebut dengan ekstrim belakangan ini sangat sering terjadi dan frekuensinya cenderung bertambah. Jaringan Saraf Tiruan

(Artificial Neural Network) sebagian besar telah cukup handal dalam pemecahan masalah, salah satunya adalah prediksi cuaca dengan metode backpropagation. Pada penelitian ini penulis akan menganalisis penggunaan data biner pada prediksi cuaca ekstrim Kota Medan menggunakan metode backpropagation neural network. Penulis akan menggunakan tiga parameter data dalam memprediksi cuaca yaitu data curah hujan, data suhu, dan data kelembaban tahun 1997 – 2013 dengan inputan data biner. Dari hasil penelitian dapat disimpulkan antara lain : Backpropagation neural network tidak dapat mengenali pola data biner curah hujan. Backpropagation neural network dapat mengenali pola data biner suhu pada target error 0.05. Backpropagation neural network dapat mengenali pola data biner kelembaban yang diberikan dengan baik. Tingkat keakurasian terbesar pada proses pengujian prediksi cuaca ekstrim di Kota Medan menggunakan data biner adalah pada data kelembaban yaitu 100% dengan kuadrat error 0,05.

Keywords—prediksi cuaca; data biner; backpropagation; neural network.

I. PENDAHULUAN

Wilayah Kota Medan pada saat memasuki masa pancaroba akan mengalami masa transisi dari Musim Kemarau ke Musim Hujan umumnya memiliki kondisi cuaca yang tidak stabil. Pola-pola cuaca yang menyimpang atau yang biasa di sebut dengan ekstrim belakangan ini sangat sering terjadi dan frekuensinya cenderung bertambah. Cuaca ekstrim yang biasa terjadi antara lain : Angin kencang, suhu udara yang tinggi dengan periodenya yang singkat kadang-kadang disertai dengan angin puting beliung dan curah hujan dengan intensitas tinggi yang dapat mengakibatkan terjadinya banjir dan longsor. Cuaca ekstrim adalah keadaan atau fenomena kondisi cuaca di atas normal terjadi di suatu wilayah tertentu

berskala jangka pendek, misalnya suhu rata-rata 33° C, kemudian suhu menjadi 33-47°C, curah hujan melebihi 100 mm. Kondisi cuaca ekstrim sangat berdampak terhadap timbulnya bencana sehingga perlu diantisipasi. Pemilihan metode yang tepat untuk menentukan kondisi cuaca adalah kegiatan yang akhir-akhir ini sering dilakukan oleh beberapa peneliti atmosfer dan cuaca.

Jaringan Saraf Tiruan (Artificial Neural Network) sebagian besar telah cukup handal selama beberapa tahun terakhir dalam pemecahan masalah. Jaringan saraf tiruan menyediakan metodologi yang sangat handal dalam pemecahan masalah

non-linier. Jaringan saraf tiruan terinspirasi oleh otak manusia di mana neuron saling interkoneksi secara non-linier. Neuron

saling terhubung satu sama lain melalui suatu jaringan. Jaringan ini yang dilatih menggunakan algoritma

backpropagation yang mengikuti Gradient Descent Method

[3].

Backpropagation merupakan salah satu arsitektur Artificial

Neural Network yang memiliki proses pembelajaran maju dan

koreksi kesalahan secara mundur. Model ini banyak digunakan baik itu untuk proses pengenalan maupun prediksi dengan tingkat akurasi yang cukup baik [1].

Naik, Arti R. dan Prof. S.K.Pathan (2012) mengusulkan sebuah metode baru prakiraan cuaca menggunakan jaringan saraf tiruan feed-forward dan datanya dapat dilatih dengan menggunakan algoritma Levenberg Marquardt untuk memprediksi cuaca masa depan. Di antara beberapa algoritma

backpropagation, backpropagation levenberg adalah yang

tercepat [3].

(2)

dengan bobot bernilai real sementara tetap mempertahankan kemudahan komputasi[5].

Pada penelitian ini penulis akan menganalisis penggunaan data biner pada prediksi cuaca ekstrim Kota Medan menggunakan metode backpropagation neural network. Data cuaca akan dikelompokkan menjadi 2 data, yaitu data cuaca normal akan diubah menjadi 0 dan data cuaca ekstrim akan diubah menjadi 1. Penulis akan menggunakan tiga parameter data dalam memprediksi cuaca yaitu data curah hujan, data suhu, dan data kelembaban tahun 1997 – 2013. Penelitian ini bertujuan untuk mengetahui apakah data biner dapat digunakan untuk memprediksi cuaca ekstrim di Kota Medan dengan lebih cepat atau lebih baik.

II. NEURAL NETWORK

Neural Network / Jaringan Saraf Tiruan (JST) adalah paradigma pengolahan informasi yang terinspirasi oleh sistem saraf secara biologis, seperti proses informasi pada otak manusia. Elemen kunci dari paradigma ini adalah struktur dari sistem pengolahan informasi yang terdiri dari sejumlah besar elemen pemrosesan yang saling berhubungan (neuron), bekerja serentak untuk menyelesaikan masalah tertentu.

Cara kerja JST seperti cara kerja manusia, yaitu belajar melalui contoh. Lapisan-lapisan penyusun JST dibagi menjadi 3, yaitu lapisan input (input layer), lapisan tersembunyi (hidden layer), dan lapisan output (ouput layer) [6].

Pada dasarnya JST adalah sistem yang menerima input, proses data, dan kemudian memberikan output yang berhubungan dengan input. Keuntungan dari JST adalah dapat digunakan untuk mengambil data, mendeteksi tren, dan juga dapat memprediksi pola yang tidak diberikan selama pelatihan yang disebut dengan generalisasi [3].

III. METODE BACKPROPAGATION

Salah satu algoritma JST adalah propagasi balik

(backpropagation), yaitu JST multi layer yang mengubah bobot dengan cara mundur dari lapisan keluaran ke lapisan masukan. Tujuannya untuk melatih jaringan agar mendapatkan keseimbangan kemampuan untuk mengenali pola yang digunakan selama pelatihan serta kemampuan jaringan untuk memberikan respon yang benar terhadap pola masukan dengan pola yang dipakai selama pelatihan [2].

Arsitektur backpropagation merupakan salah satu arsitektur jaringan saraf tiruan yang dapat digunakan untuk mempelajari dan menganalisis pola data masa lalu lebih tepat sehingga diperoleh keluaran yang lebih akurat (dengan kesalahan atau errorminimum) [4].

Langkah-langkah dalam membangun algoritma

backpropagation adalah sebagai berikut [6]:

a. Inisialisasi bobot (ambil nilai random yang cukup kecil). b. Tahap perambatan maju (forward propagation)

1) Setiap unit input (X1, i=1,2,3,…,n) menerima sinyal xi dan meneruskan sinyal tersebut ke semua unit pada lapisan tersembunyi.

2) Setiap unit tersembunyi (Z1, j=1,2,3,…,p) menjumlahkan bobot sinyal input, ditunjukkan dengan persamaan (1). sinyal output-nya, ditunjukkan dengan persamaan (2).

z

j

=

f

(

z

¿j

)

Fungsi aktivasi yang digunakan adalah fungsi sigmoid, kemudian mengirimkan sinyal tersebut ke semua unit output.

3) Setiap unit output (Yk, k=1,2,3,…,m) menjumlahkan bobot sinyal input, ditunjukkan dengan persamaan (3).

y

¿k

=

w

0k

+

i=1 p

z

i

w

jk

Dan menerapkan fungsi aktivasi untuk menghitung sinyal output-nya, ditunjukkan dengan persamaan (4).

y

k

=

f

(

y

¿k

)

c. Tahap perambatan balik (backpropagation)

1) Setiap unit output (Yk, k=1,2,3,…,m) menerima pola target yang sesuai dengan pola input pelatihan, kemudian hitung error, ditunjukkan dengan persamaan (5).

δ

k

=

(

t

k

y

k

)

f '

(

y

¿k

)

f’ adalah turunan dari fungsi aktivasi.

Kemudian hitung korelasi bobot, ditunjukkan dengan persamaan (6). berada pada lapisan di kanannya), ditunjukkan dengan persamaan (8).

d. Tahap perubahan bobot dan bias

(3)

Setiap unit tersembunyi (Zj, j=1,2,3,…,p) dilakukan perubahan bobot dan bias (i=0,1,2,…,n), ditunjukkan dengan persamaan (13).

v

ij

(

baru

)=

v

ij

(

lama

)+

∆ v

ij

2) Tes kondisi berhenti.

IV. METODE PENELITIAN

Penelitian ini bertujuan untuk menganalisis penggunaan data biner pada prediksi cuaca ekstrim kota Medan menggunakan metode backpropagation neural network. Penulis ingin mengetahui bagaimana penggunaan data biner dalam mengenali pola tiga parameter data yaitu data curah hujan, data suhu, dan data kelembaban dalam memprediksi cuaca di Kota Medan. Penulis juga ingin mengetahui apakah dengan menggunakan data binner proses pengenalan dapat lebih cepat dan lebih baik.

Untuk mencapai tujuan tersebut, penulis akan melakukan pelatihan dan pengujian data dengan menggunakan data curah hujan, data suhu, dan data kelembaban bulanan Kota Medan tahun 1997 – 2013. Data bersumber dari BMKG Stasiun Polonia, Kota Medan.

Prediksi cuaca dengan jaringan saraf tiruan

backpropagation digunakan langkah-langkah sebagai berikut:

a. Mengubah data cuaca menjadi data biner dengan cara mengelompokkan data cuaca menjadi 2 kelompok, yaitu kelompok data cuaca ekstrim dan kelompok data cuaca tidak ekstrim. Kelompok data cuaca ekstrim diubah menjadi data 1 dan kelompok data tidak ekstrim diubah menjadi data 0.

b. Memisahkan data yang akan digunakan sebagai data pelatihan dan data uji. Data curah hujan, suhu, dan kelembaban tahun 1997 – 2008 akan digunakan sebagai data pelatihan selama perancangan JST, sedangkan data tahun 2009 – 2013 digunakan sebagi data pengujian. c. Desain JST

Desain JST dilakukan untuk prediksi cuaca bulanan dimulai dengan menentukan banyaknya data masukan yang digunakan, banyaknya layar tersembunyi (hidden layer) yang digunakan, dan banyaknya keluaran yang diinginkan. Gambar 1 menggambarkan desain jaringan saraf tiruan backpropagation dengan input layer(xi)=8,

hidden layer(vi)=6, dan output layer(yi)=1.

Gambar 1. Desain JST backpropagation

Data yang digunakan sebagai masukan sebanyak 8 data (8 tahun) dan data keluaran atau target adalah data pada tahun ke-9 (data input 1997 – 2004 dengan target 2005). Untuk mengetahui curah hujan, suhu, dan kelembaban pada tahun ke-10 maka data masukannya merupakan data pada tahun ke-2 sampai tahun ke-9 (data input 1998 – 2005 dengan target 2006), demikian seterusnya.

d. Pengenalan pola (pelatihan)

Pengenalan pola dilakukan dengan cara penyesuaian nilai bobot (dalam penelitian ini nilai bobot ditentukan secara random). Penghentian penyesuaian bobot dalam pengenalan pola apabila kuadrat error mencapai target error. Error dihitung setelah tahapan forward propagation. Apabila error lebih besar dari target error maka pelatihan akan dilanjutkan ke tahap backward propagation sampai error mencapai atau lebih kecil dari target error.

e. Pengujian dan prediksi

Pengujian dilakukan bertujuan untuk mengetahui tingkat keakuratan sistem JST yang telah dibuat dalam memprediksi cuaca pada tahun tertentu. Sedangkan prediksi bertujuan untuk memprediksi cuaca yang akan datang.

V. HASIL DAN ANALISA

Proses yang ditempuh untuk prediksi cuaca ekstrim menggunakan metode backpropagation neural network

meliputi tahap training/pelatihan, tahap testing/pengujian dan tahap prediksi. Data yang digunakan adalah data curah hujan, data suhu, dan data kelembaban Kota Medan tahun 1997 – 2013. Data-data tersebut akan diubah kedalam bilangan biner 0 dan 1. Data curah hujan, suhu, dan kelembaban normal bernilai 0 sedangkan yang ekstrim bernilai 1. Di mana data tahun 1997 – 2008 digunakan sebagai pelatihan, data tahun 2009 – 2013 digunakan sebagai pengujian, dan data tahun 2014 – 2018 data yang akan diprediksi. Pembagian data untuk pelatihan dapat dilihat pada Tabel 1.

Tabel 1(a). Data input suhu tahun 1997 – 2004 dengan target tahun 2005

(4)

1197 1998 1999 2000 2001 2002 2003 2004 200

Tabel 1(b). Data input curah hujan tahun 1997 – 2004 dengan target tahun 2005

1197 1998 1999 2000 2001 2002 2003 2004 200 5

Tabel 1(c). Data input kelembaban tahun 1997 – 2004 dengan target tahun 2005

1197 1998 1999 2000 2001 2002 2003 2004 200 5 sesuai atau lebih kecil dari target error. Pada proses training

ini dapat diketahui jumlah iterasi yang diperlukan untuk mengenali data tersebut dan apakah data input dapat dikenali atau tidak. Proses training dilakukan pada data asli dan data biner untuk membandingkan hasil pengenalannya. Jumlah iterasi dari hasil training untuk data biner dan data asli dapat dilihat pada tabel 2.

Setelah tahap tranning, tahap berikutnya adalah pengujian. Tahap pengujian digunakan untuk menguji validasi data yang telah dilakukan pada proses training dengan memasukkan data baru yang belum pernah dilatih sebelumnya untuk mengetahui keakurasian dari sistem yang telah dibuat. Data tahun 2009 – 2013 digunakan sebagai data pengujian. Pengujian dilakukan dengan memvariasikan nilai target error

di mana jumlah hidden layer tetap yaitu 6, alpha=1, dan iterasi maksimum=100.000. Hasil pengujian dapat dilihat pada tabel 2.

Tabel 2(a). Hasil pengujian dengan data asli

Target error

Curah hujan Suhu Kelembaban Iteras

i Akurasi Iterasi Akurasi Iterasi Akurasi

0.05 2 10.9 % 2 69.88% 2 73.78%

0.02 3 11.2 % 18 71.67% 29 76.57%

0.01 66 30.18% 9586 79.22% 4011 86.28%

0.009 87 37.12% 10197 75,87% ~

-Tabel 2(b). Hasil pengujian dengan data biner

Target

error IterasCurah hujan Suhu Kelembaban i dengan menggunakan data asli didapatkan bahwa pada data curah hujan, jumlah iterasi terkecil ada pada target error 0.05

dengan jumlah iterasi=2 dengan tingkat keakurasian=10.9%

dan jumlah iterasi terbesar ada pada target error 0.009 dengan jumlah iterasi=87 dengan tingkat keakurasian= 37.12%. Pada data suhu, jumlah iterasi terkecil ada pada target error 0.05

dengan jumlah iterasi=2 dengan tingkat keakurasian=69.88%

dan jumlah iterasi terbesar ada pada target error 0.009 dengan jumlah iterasi=10197 dengan tingkat keakurasian= 75.87%.

Pada data kelembaban, jumlah iterasi terkecil ada pada target error 0.05 dengan jumlah iterasi=2 dengan tingkat keakurasian=73.78% dan jumlah iterasi terbesar ada pada target error 0.01 dengan jumlah iterasi=4011 dengan tingkat keakurasian= 86.28%. Pada data kelembaban dengan target error 0.009 jumlah iterasi di atas 100.000.

Pada Tabel 2(b), yaitu pengujian dengan menggunakan data biner dapat dilihat bahwa data curah hujan dengan target error 0.05, 0.02, 0.01, dan 0.009 memiliki jumlah iterasi di atas 100.000. Pada data suhu, pengujian dengan target error

0.05 didapatkan jumlah iterasi=107 dengan tingkat keakurasian=60.67%. Untuk target error 0.02, 0.01, 0.009

memiliki jumlah iterasi di atas 100.000. Pada data kelembaban, jumlah iterasi terkecil ada pada target error 0.05

dengan jumlah iterasi=3 dengan tingkat keakurasian=100%

dan jumlah iterasi terbesar ada pada target error 0.009 dengan jumlah iterasi=198 dengan tingkat keakurasian= 99.93%.

Pada Tabel 2 dapat dilihat perbandingan hasil pengujian dengan menggunakan data asli dan data bner. Data asli dapat mengenali curah hujan, suhu dan kelembaban, sedangkan pengujian kelembaban pada target error 0.009 tidak dapat dikenali. Hasil pengujian dengan menggunakan data biner, data biner tidak dapat mengenali curah hujan dan suhu. Data suhu hanya dapat dikenali pada target error 0.05. Tetapi penggunaan data biner sangat baik dalam pengujian kelembaban yang mencapai akurasi 100% dengan target error

(5)

Proses terakhir yaitu melakukan prediksi cuaca ekstrim untuk beberapa tahun berikutnya dengan mengambil data biner dengan akurasi terbaik. Untuk data curah hujan tidak dapat diprediksi karena jaringan saraf tiruan tidak berhasil mengenali data curah hujan.

Prediksi suhu ekstrim dilakukan dengan mengambil data bobot dari hasil training dengan kuadrat error 0.5 dengan tingkat keakurasian 60.67%. Hasil prediksi suhu ekstrim dapat dilihat pada Tabel 3.

Tabel 3. Hasil prediksi suhu 2014 – 2018

Tahun

Bulan 2014 2015 2016 2017 2018

1 0 0 0 0 0

2 0 1 0 1 0

3 0 1 0 1 0

4 0 1 0 1 0

5 0 0 0 1 0

6 0 0 1 0 0

7 0 0 1 0 0

8 0 0 0 0 0

9 0 0 0 0 0

10 0 0 0 1 0

11 0 0 0 0 0

12 0 0 0 0 0

Dari Tabel 3 hasil prediksi suhu ekstrim tahun 2014 – 2018 dapat dilihat bahwa suhu ekstrim pada tahun 2015 diperkirakan terjadi pada bulan 2, 3, dan 4. Pada tahun 2016 diperkirakan terjadi pada bulan 6 dan 7. Pada tahun 2017 suhu ekstrim diperkirakan terjadi pada bulan 2, 3, 4, 5, dan 10.

Untuk prediksi kelembaban ekstrim beberapa tahun berikutnya mengambil data dengan kuadrat error 0.05 dengan tingkat keakurasian 100%. Hasil prediksi kelembaban dapat dilihat pada Tabel 4.

Tabel 4. Hasil prediksi kelembaban 2014 – 2018

Tahun

Bulan 2014 2015 2016 2017 2018

1 0 0 0 0 0

2 0 0 0 0 0

3 0 0 0 0 0

4 0 0 0 0 0

5 0 0 0 0 0

6 0 0 0 0 0

7 0 0 0 0 0

8 0 0 0 0 0

9 0 0 0 0 0

10 0 0 0 0 0

11 0 0 0 0 0

12 0 0 0 0 0

Dari hasil prediksi dapat disimpulkan bahwa prediksi kelembaban masih dalam keadaan normal karena hasil prediksi dari tahun 2014 – 2018 bernilai 0.

VI. KESIMPULAN

Dari hasil penelitian dapat diambil beberapa kesimpulan antara lain:

a. Backpropagation neural network tidak dapat mengenali pola data biner curah hujan.

b. Backpropagation neural network dapat mengenali pola data biner suhu pada target error 0.05, sedangkan untuk target error yang lebih kecil data biner tidak dapat dikenali. c. Backpropagation neural network dapat mengenali pola

data biner kelembaban yang diberikan dengan baik.

d. Tingkat keakurasian terbesar pada proses pengujian prediksi cuaca ekstrim di Kota Medan menggunakan data biner adalah pada data kelembaban yaitu 100% dengan kuadrat error 0,05.

e. Prediksi cuaca ekstrim kota medan menggunakan data biner tidak dapat dilakukan dengan baik karena penggunaan data biner hanya dapat mengenali parameter kelembaban dan suhu.

DAFTAR PUSTAKA

[1] Dewi, Candra dan M. Muslikh, 2013, “Perbandingan Akurasi

Backpropagation Neural Network dan ANFIS untuk Memprediksi

Cuaca,”Journal of Scientic Modelling & Computation, Vol. 1, No. 1.

[2] Ihwan, Andi, 2013,” Metode Jaringan Saraf Tiruan Propagasi Balik untuk Estimasi Curah Hujan Bulanan di Ketapang Kalimantan Barat,” Prosiding Semirata FMIPA Universitas Lampung.

[3] Naik, Arti R. and S.K.Pathan, 2012, “Weather Classification and Forecasting using Back Propagation Feed-forward Neural Network,” International Journal of Scientific and Research Publications, Vol. 2, Issue 12, December.

[4] Oktaviani, Cici dan Afdal, 2013, “Prediksi Curah Hujan Bulanan Menggunakan Jaringan Syaraf Tiruan dengan Beberapa Fungsi Pelatihan Backpropagation,” Jurnal Fisika Unand, Vol. 2, No. 4, Oktober.

[5] Soudry, Daniel and Ron Meir, 2013, “Mean Field Bayes

Backpropagation: scalable training of multilayer neural networks with binary weights,” Department of Electrical Engineering, Technion 32000, Haifa, Israel.

(6)
(7)

Gambar

Gambar 1. Desain JST backpropagation
Tabel 2(b). Hasil pengujian dengan data biner
Tabel 3. Hasil prediksi suhu 2014 – 2018

Referensi

Dokumen terkait

Sarana air bersih Lamala yang dilayani oleh PDAM memiliki kapasitas 5 liter/detik. Secara umum masyarakat di Lamala menggunakan air berasal dari layanan PDAM dan

3. Menyaring, mencegah, mendegradasi dan menurunkan kadar racun dari material organik maupun anorganik. Ada kesepakatan umum bahwa kualitas tanah mencakup 3 issu

Tindakan yang dilakukan pada siklus II masih tetap menggunakan model pembelajaran AIR dengan meninjau hasil dari refleksi siklus I yaitu diperoleh hal-hal sebagai berikut :

Dalam menyambut masa raya Paskah Tahun 2021 ini, Panitia Paskah mengajak seluruh jemaat dan simpatisan untuk mengikuti gerakan rededikasi dengan melakukan 1 komitmen

Kualitas pelayanan transportasi umum yang baik dan berkualitas akan mendorong masyarakat DKI Jakarta untuk meninggalkan kendaraan pribadi dan beralih

Pada karya tugas akhir ini, mengangkat judul “Motif Microcontroller pada Busana Humane dalam Gaya Kontemporer Futuristis”.Seiring dengan perkembangan batik yang pesat pada saat ini,

GRESIK PANCENG TK DHARMA WANITA PERSATUAN SIWALAN ATA ATA 802:GTK-A 42 13050102010114ERLIS DWI HANDAYANI Guru Kelas PAUD/TK JAWA TIMUR KAB.. GRESIK DRIYOREJO TK CREATIVE

Berdasarkan kesimpulan diatas, saran yang dapat disampaikan yaitu, 1) Context: untuk penyelenggaraan makan siang di Taman Penitipan Anak (TPA) Insan Cita Pemalang