Fakultas Ilmu Komputer
3624
Peramalan Curah Hujan Menggunakan Metode Jaringan Saraf Tiruan
Dengan Optimasi Algoritma Bee Colony
I Putu Bagus Arya Pradnyana1, Arief Andy Soebroto2, Rizal Setya Perdana3
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1bagusarya12@gmail.com, 2ariefas@ub.ac.id, 3rizalespe@ub.ac.id
Abstrak
Turunnya curah hujan yang tinggi bisa menyebabkan bencana, sehingga perlu dilakukan peramalan untuk memperkirakan seberapa besar curah hujan yang akan datang. Salah satu faktor penyebab utama bencana banjir adalah adanya intensitas curah hujan yang sangat tinggi, maka curah hujan masih sangat menarik untuk terus diteliti. pada penelitian ini dibuat sistem yang dapat melakukan peramalan menggunakan metode JST backpropagation dengan Artificial Bee Colony untuk mengetahui tingkat kesalahan dari peramalan curah hujan. Pada pengujian kinerja algoritma metode Backpropagation-Bee Colony menunjukkan bahwa rata-rata nilai MSE menunjukkan hasil yang terbaik pada iterasi ke 1000 yaitu rata-rata MSE sebesar 0,0329. Sedangkan untuk pengujian akurasi pada iterasi ke-1000 diperoleh rata-rata MSE sebesar 0,030 pada bulan desember. Nilai akurasi pada bulan desember sebesar 95%.
Kata kunci: Curah Hujan, Peramalan, Backpropagation, MSE, Dan Artificial Bee Colony
Abstract
A high drop in rainfall can cause a disaster, so it is necessary to forecast to estimate how much rain will come. One of the main factors causing the flood disaster is the intensity of rainfall is very high, then the rainfall is still very interesting to continue to be studied. in this study made a system that can make forecasting using ANT method backpropagation with Artificial Bee Colony to determine the error rate of rainfall forecasting. In the performance test algorithm of Backpropagation-Bee Colony method showed that the average value of MSE showed the best result at iteration to 1000 that is MSE average of 0,0329. As for testing the accuracy of the 1000th iteration obtained an average MSE of 0.030 in December. The accuracy value in December amounted to 95%.
Keywords: Rainfall, Forecasting, Backpropagation, MSE, And Artificial Bee Colony
1. PENDAHULUAN
Turunnya curah hujan yang tinggi bisa menyebabkan bencana, sehingga perlu dilakukan peramalan untuk memperkirakan seberapa besar curah hujan yang akan datang. Salah satu faktor penyebab utama bencana banjir adalah adanya intensitas curah hujan yang sangat tinggi, sehingga kapasitas sungai tidak mampu mengatasi limpasan permukaan yang mengakibatkan limpasan permukaan tersebut menggenangi daerah sekitarnya (Purwo, 2002). Yang dimaksud dengan Intensitas hujan adalah banyaknya curah hujan persatuan jangka waktu tertentu. Intensitas hujan dikatakan besar apabila hujan lebat dan kondisi ini sangat berbahaya karena berdampak dapat menimbulkan banjir, longsor dan efek negatif terhadap lingkungan (Setiawan, 2011).
Mengingat faktor curah hujan merupakan faktor yang dinamis sebagai salah satu faktor penyebab banjir dibandingkan dengan faktor lainnya, seperti faktor kondisi daerah aliran sungai (Mulkan,2010) dan saluran drainase, maka curah hujan masih sangat menarik untuk terus diteliti (Purwo, 2002).
Beberapa penelitian telah banyak dilakukan dengan metode jaringan syaraf tiruan (JST), contohnya peramalan untuk permintaan sari apel dengan metode jaringan syaraf tiruan (Sabati, 2014). Penerapan metode JST juga digunakan untuk peramalan permintaan sari apel Brosem 120ml di KSU Brosem dengan algoritma
memprediksi berat badan ideal (Purbaya, 2014). Perbandingan kedua metode tersebut didapat nilai MSE untuk masing – masing metode. Pada analisis regresi berganda, diperoleh MSE sebesar 56,54, sedangkan metode fuzzy mamdani sebesar 69,45. Jadi hasil penelitian tersebut dapat disimpulkan bahwa dengan menggunakan analisis regresi lebih baik dibandingkan dengan fuzzy mamdani.
Algoritma Artificial Bee Colony (ABC) (Karboga, 2008) merupakan salah satu pendekatan yang telah digunakan untuk menemukan solusi optimal dalam numerik masalah optimasi (Patel, 2016). Menurut analisis contoh pada jurnal, dan perbandingan antara dua metode Backpropagation (BP), ABC - BP, dan GA – BP bahwa menggunakan algoritma swarm buatan untuk mengoptimalkan weight dan treshold BP jaringan syaraf dapat menghindari jatuhnya nilai optimal lokal secara efektif, dan mengoptimalkan kecepatan konvergensi yang lebih cepat jaringan syaraf (Jia, 2016). Penerapan metode JST untuk optimasi bobot menggunakan PSO, hasil pengujian antara jaringan hybrid JST - PSO dengan JST saja terlihat perbedaan dimana pada JST yang menggunakan backpropagation untuk melatih bobot memiliki performa yang lebih baik dari pada jaringan hybrid JST – PSO. Maka dari itu disarankan untuk mencoba metode lain yaitu Bee Colony untuk mengoptimasi hasil yang lebih baik (Ganda, 2014).
Berdasarkan hal diatas maka pada penelitian ini akan membuat sistem yang dapat melakukan peramalan dengan metode JST backpropagation
dengan Artificial Bee Colony untuk mengetahui tingkat kesalahan dari peramalan curah hujan.
2. METODOLOGI PENELITIAN
Jaringan Syaraf Tiruan (JST) adalah merupakan paradigma pengolahan informasi yang terinspirasi oleh sistem syaraf secara biologi manusia, seperti proses informasi pada otak manusia. Elemen kunci dari algoritma ini adalah struktur dari sistem pengolahan informasi yang terdiri dari sejumlah besar elemen pemrosesan yang saling berhubungan (neuron), bekerja secara serentak untuk menyelesaikan masalah tertentu. Cara kerja JST sama seperti cara kerja otak manusia, yaitu belajar melalui contoh. Sebuah JST dikonfigurasikan dibuat untuk aplikasi tertentu, seperti pengenalan pola atau aplikasi data, melalui proses pembelajaran. Belajar dalam sistem biologi otak manusia melibatkan penyesuaian terhadap koneksi
synaptic yang ada antara neuron. Hal ini berlaku juga untuk sistem JST (Bakhrun, 2011).
JST mempunyai kemampuan yang baik untuk mendapatkan informasi dari data yang rumit atau tidak tepat, mampu menyelesaikan permasalahan yang tidak terstruktur dan sulit didefinisikan, dapat belajar dari pengalaman, mampu mengakuisisi pengetahuan walaupun tidak ada kepastian, mampu melakukan generalisasi dan ekstrasi dari suatu pola data tertentu, dapat menciptakan suatu pola pengetahuan melalui pengaturan diri atau kemampuan belajar (self organizing), mampu memilih suatu input data ke dalam kategori tertentu yang sudah ditetapkan (klasifikasi), mampu menggambarkan objek secara keseluruhan maupun hanya diberikan sebagian data dari objek tersebut (asosiasi), mempunyai kemampuan mengolah data-data iniput tanpa harus mempunyai target (self organizing) dan mampu menemukan jawaban terbaik sehingga mampu meminimilasi fungsi biaya (optimasi) (Bakhrun, 2011).
2.1 Backpropagation
Backpropagation adalah algoritma pembelajaran dari JST untuk memperkecil tingkat error dengan cara menyesuaikan bobotnya berdasarkan perbedaan output dan target yang diinginkan (Bakhrun, 2013). Backpropagation termasuk multilayer network
yang merupakan perkembangan dari single layer network (Bakhrun, 2013).
Tahapan Proses Backpropagation
Secara umum tahapan-tahapan proses pada Backpropagation adalah dibagi menjadi 5 tahap yaitu (Bakhrun, 2013):
1. Inisialisasi bobot awal
2. Melakukan perhitungan feedforward 3. Melakukan perhitungan backpropagation 4. Menghitung bobot dan bias baru
5. Menghitung MSE
2.2 Normalisasi
2.3 Artificial Bee Colony (ABC)
Algoritma Bee Colony dimana sebuah posisi sumber makanan merupakan solusi yang mungkin dari masalah yang akan dioptimalkan. Jumlah nektar dari sumber makanan sesuai dengan kualitas solusi yang diwakili oleh yang sumber makanan. Setiap lebah bekerja dipindahkan ke daerah sumber makanannya untuk menentukan sumber makanan baru dalam lingkungan yang sekarang, dan kemudian jumlah nektar yang dievaluasi. Jika jumlah nektar dari yang baru lebih tinggi, maka lebah lupa sebelumnya dan menghafal yang baru. Lebah penjaga ditempatkan pada sumber makanan dengan menggunakan proses seleksi berdasarkan probabilitas. Jumlah nektar dari sumber makanan meningkat, nilai probabilitas dengan yang sumber makanan dimana lebih disukai oleh lebah penjaga meningkatkan mirip dengan proses seleksi alam dalam algotirtma evolusioner (Alatas,210). Langkah-langkah ABC secara umum (Amri, 2012):
1. Awalnya scout bee menemukan posisi semua sumber makanan, setelah itu tugas dari
employed bee dimulai.
2. Sebuah employed bee buatan secara probabilitas memperoleh beberapa modifikasi pada posisi dalam memori untuk menargetkan sumber makanan baru dan menemukan jumlah nektar atau nilai fitness dari sumber baru.
3. Kemudian, scout bee mengevaluasi informasi yang diambil dari semua employed bee
buatan dan memilih sumber makanan akhir dengan nilai probabilitas tertinggi terkait dengan jumlah nektar tersebut.
4. Jika nilai fitness yang baru lebih tinggi dari yang sebelumnya, lebah itu akan melupakan yang lama dan menghafal posisi baru. 5. Kemudian employed bee yang sumber
makanan telah habis menjadi scout bee untuk mencari sumber makanan lebih lanjut sekali lagi.
2.4 Pengumpulan Data
Pengumpulan data dalam penelitian ini diambil dari data curah hujan BMKG. Variabel penelitian pada tugas akhir ini adalah curah hujan sepanjang tahun 2006 sampai 2016. Hasil dari eksperimen ini adalah perkiraan curah hujan. Berdasarkan cara pengumpulan data untuk kegiatan penelitian terdapat hanya data intensitas curah hujan. Data intensitas curah hujan menunjukan seberapa besar intensitas curah hujan dari tahun 2006 sampai 2016. Pada
Tabel 1 dapat dilihat kebutuhan data pada penelitian ini (BMKG Denpasar).
2.5 Analisa Kebutuhan
Analisis kebutuhan adalah tahapan yang dilakukan untuk menentukan kebutuhan apa saja yang dibutuhkan dalam melakukan eksperimen peramalan curah hujan.
2.6 Rancangan Penelitian
Langkah selanjutnya dalan penelitian ini adalah perancangan system yang berisi rancangan langkah kerja dari sistem secara menyeluruh. Tujuan perancangan adalah untuk mempermudah implementasi dan pengujian sistem.
Berdasarkan diagram alir tahapan proses algoritma BP-Bee CO yang merujuk pada Gambar 1, penjelasan terhadap proses BP-Bee CO sebagai berikut.
A.Inisilaisasi Bee Colony dan parameter JST
1. Inisialisasi Parameter BP dan Parameter Bee
Normalisasi Data
1. Menormalisasi data asli dengan min-max
B. Pelatihan menggunakan BP
1. Melakukan perhitungan feedforward
Ada 4 langkah yaitu:
a) Menghitung sinyal masuk lapisan tersembunyi
b) Menghitung fungsi aktifasi lapisan tersembunyi
c) Menghitung sinyal masuk keluaran d) Menghitung fungsi aktifasi lapisan
keluaran
2. Melakukan perhitungan backpropagation
a) Menghitung faktor koreksi error lapisan keluaran
b) Menghitung koreksi error bobot lapisan tersembunyi ke lapisan keluaran
c) Menghitung koreksi error bias lapisan tersembunyi ke lapisan keluaran
d) Menghitung delta bobot unit tersembunyi
e) Menghitung faktor koreksi error unit tersembunyi
f) Menghitung koreksi error bobot lapisan tersembunyi
g) Menghitung koreksi error bias lapisan tersembunyi
a) Menghitung bobot baru input layer ke lapisan tersembunyi
b) Menghitung bias baru input layer ke lapisan tersembunyi
c) Menghitung bobot baru lapisan tersembunyi ke lapisan keluaran
d) Menghitung bias baru lapisan tersembunyi ke lapisan keluaran
4. Menghitung MSE data latih
C.Menghitungnilai fitness Bee Colony
1. Melakukan peritungan fitness
D.Menghitung Sumber Makanan baru Bee CO
1. Memperbarui setiap sumber makanan sesuai banyak individu
E. Menghitung Probabilitas Bee CO
1. Menghitung Probabilitas Posisi Sumber Makanan
F. Memperbarui Posisi Sumber Makanan Terbaik
1. Menghitung nilai fitness terbaik
G.Pengujian Menggunakan BP
1. Melakukan perhitungan feedforward
a) Menghitung sinyal masuk lapisan tersembunyi
b) Menghitung fungsi aktifasi lapisan tersembunyi
c) Menghitung sinyal masuk keluaran d) Menghitung fungsi aktifasi lapisan
keluaran
2.7 Implementasi
Implementasi sistem menjelaskan penerapan
Backpropagation - Bee Colony pada program. Implementasi sistem terdiri dari implementasi sistem proses inisialisasi parameter
Backpropagation – Bee Colony, proses
Backpropagation - Bee Colony diproses pada program Matlab.
1. Implementasi sistem proses inisialisasi parameter Backpropagation - Bee Colony
merupakan proses untuk memasukkan nilai parameter dari beberapa parameter
Backpropagation - Bee Colony yang dilakukan oleh user.
2. Implementasi sistem proses
Backpropagation - Bee Colony terdiri dari implemntasi BP-Bee CO feedforward, backwardpropagation, update bobot dan bias , feedforward bee, bee fitness, dan best fitness.
3. Implementasi antarmuka sistem merupakan antarmuka penerapan Backpropagation - Bee Colony pada program. Implementasi antarmuka sistem terdiri dari implementasi antarmuka sistem proses inisialisasi parameter Backpropagation - Bee Colony, dan proses Backpropagation - Bee Colony.
Gambar 1 Diagram Alir Tahapan Prses BP-Bee CO
2.8 Pengujian Sistem
Pada tahap ini dilakukan pengujian dan pembahasan dari sistem peramalan curah hujan menggunakan metode Backpropagation-Bee Colony. Pengujian yang dilakukan meliputi: pengujian iterasi dan pengujian akurasi. Pengujian iterasi metode Backpropagation-Bee Colony dilakukan untuk mengetahui seberapa baik algoritma Backpropagation dibandingkan dengan metode Backpropagation-Bee Colony
serta pada iterasi ke berapa metode
Backpropagation-Bee Colony dapat manghasikan hasil yang optimal. Pengujian akurasi metode Backpropagation-Bee Colony
dilakukan untuk mengetahui seberapa baik algoritma Backpropagation dibandingkan dengan metode Backpropagation-Bee Colony
pada iterasi ke 1000 karena nilai MSE nya terbaik.
3. HASIL DAN PEMBAHASAN
Hasil dan pembahasan merupakan tahap pengujian hasil dari perancangan dan implementasi. Proses pengujian yang dilakukan meliputi: pengujian iterasi dan pengujian akurasi.
3.1 Pengujian Kinerja Algoritma
Pengujian metode Backpropagation-Bee Colony dilakukan mulai dari iterasi 100 sampai 1000 sebanyak 5 kali percobaan. Berikut merupakan nilai rata-rata Mean Square Error
(MSE) pada pangujian iterasi metode
Backpropagation-Bee Colony ditunjukkan pada Tabel 3.1.
Tabel 2 Nilai rata-rata Mean Square Error
(MSE) pada pengujian Iterasi
Mulai
Data set
Parameter BP yang
optimal A Inisilaisasi Bee
Colony dan parameter BP
Selesai
Generasi maskimum B Normalisasi
C Pelatihan menggunakan BP
D Menghitung nilai fitness Bee Colony
E Menghitung sumber makanan baru Bee Colony
F Menghitung probabilitas Bee
CO
G. Memperbaruhi posisi sumber makanan terbaik
H.Pengujian menggunakan BP
Hasil peramalan curah hujan menggunakan
JST- Bee Colony
Jumlah Iterasi
Percobaan ke-i
Rata-rata MSE
1 2 3 4 5
100 0.049 0.054 0.034 0.047 0.037 0.0442
200 0.037 0.042 0.033 0.041 0.042 0.0390
300 0.036 0.039 0.036 0.034 0.039 0.0368
400 0.044 0.037 0.032 0.044 0.039 0.0392
500 0.034 0.035 0.029 0.036 0.037 0.0342
600 0.038 0.033 0.038 0.046 0.033 0.0376
700 0.037 0.038 0.032 0.038 0.036 0.0362
800 0.030 0.031 0.039 0.034 0.030 0.0328
900 0.043 0.035 0.038 0.039 0.034 0.0378
1000 0.041 0.036 0.030 0.026 0.029 0.0329
Gambar 2 Nilai rata-rata Mean Square Error
(MSE) pada pengujian kinerja algoritma
Tabel 3 Nilai MSE dengan Target Tahun 2016
Tabel 4 Nilai Akurasi
0,0442
0,039 0,03680,0392
0,03420,0376
0 0,01 0,02 0,03 0,04 0,05
100 200 300 400 500 600 70
N
il
ai
M
ea
n
S
qu
are
E
rr
o
r
(M
S
E
)
Jumlah Iterasi
Nilai Mean Square Error
pada Pengujian Iterasi Me
Backpropagation-Bee Col
TargetPercobaan ke-i
Rata-Rata Nilai MSE
1 2 3 4 5
2016 0.030 0.031 0.028 0.032 0.029 0.030
Bulan
Percobaan ke-i Nilai akurasi dalam persen Rata-Rata Akurasi
1 2 3 4 5
Jan 26 17 9 -9 8 10.2
Peb 60 65 64 64 66 63.8
Mar -136 -161 -147 -167 -134 -149
Apr -68 -91 -67 -82 -92 -80
Mei -93 -94 -81 -97 -96 -92.2
Juni 43 50 55 47 44 47.8
Jul 84 86 93 86 86 87
Agt -48 -46 -25 -36 -39 -38.8
Sept 99 98 89 94 95 95
Okt 50 49 62 54 53 53.6
Nop 81 82 79 86 86 82.8
Gambar 3 Nilai rata-rata Akurasi pada
pengujian Iterasi ke 1000
Analisis iterasi metode Backpropagation-Bee Colony menunjukkan bahwa rata-rata nilai Mean Square Error (MSE) menunjukkan hasil yang terbaik pada iterasi ke 1000. Pada iterasi ke-1000, nilai rata-rata Mean Square Error (MSE) merupakan yang terbaik. Dari hasil pengujian Mean Square Error (MSE) dapat disimpulkan bahwa jumlah iterasi ideal untuk peramalan curah hujan adalah iterasi 1000. Berikut merupakan grafik nilai rata-rata Mean Square Error (MSE) pada pengujian iterasi metode Backpropagation-Bee Colony ditunjukkan pada Gambar 2
3.2 Pengujian Data Uji
Pengujian data uji dengan metode Backpropagation-Bee Colony dilakukan untuk mengetahui seberapa baik metode Backpropagation-Bee pada iterasi ke 1000 karena nilai MSE nya terbaik. Dimana diambil nilai bobot dan bias terakhir untuk melakukan pengujian pada data uji. Pengujian yang akan dilakukan sebanyak 5 kali dari tahun 2010 sampai 2015 sebagai target tahun 2016. Berikut merupakan perbandingan selisih data asli dengan prediksi menggunakan metode Backpropagation-Bee Colony ditunjukkan pada Tabel 2 dan Tabel 3.
Analisis nilai MSE dengan target 2016 dan nilai akurasi metode Backpropagation-Bee Colony yang dilakukan sebanyak 5 kali menunjukkan bahwa rata-rata MSE sebesar 0.030 dan nilai rata-rata akurasi paling tinggi pada bulan September sebesar 95%. Dari hasil
pengujian data uji dapat disimpulkan bahwa iterasi ke 1000 untuk peramalan curah hujan baik. Tapi pada bulan Maret sampai Mei dan Agustus nilai akurasinya kurang baik, karena pada bulan tersebut tingkat curah hujan nya sangat rendah. Berikut merupakan grafik nilai akurasi pada pengujian iterasi ke 1000 metode Backpropagation-Bee Colony ditunjukkan pada Gambar 3
Dari Gambar 3 dapat dilihat hasil pengujian akurasi pada bulan bulan Maret sampai Mei dan Agustus kurang bagus dikarenakan curah hujan yang rendah membuat hasil prediksi menjadi kurang bagus. Sedangkan pada bulan September tingkat akurasinya sangat bagus yaitu 95%. Untuk menghitung presentasi akurasi dihitung dengan nilai prediksi dikurang nilai sebenarnya dibagi nilai sebenarnya dikali seratus persen, dan hasilnya dikurang seratus persen (Bakhrun,2013). Berikut contoh perhitungan rata-rata nilai akurasi Persamaan (1).
Akurasi =99+98+89+94+955
(1)
Dapat disimpulkan nilai akurasi sebesar 95% pada bulan September, tetapi pada Maret sampai Mei dan Agustus kurang bagus dikarenakan nilai curah hujan yang rendah.
4. KESIMPULAN
Berdarsarkan penelitian skripsi ini, pembahansan pengujian dari implementasi metode BP-Bee CO dan hasil dari akurasi peramalan kesimpulan sebagai berikut.
10,2 63,8
-149
-80 -92,2 47,8
87
-38,8 95
53,6 82,8 74,4
-200 -150 -100 -50 0 50 100 150
Jan Peb Mar Apr Mei Juni Jul Agt Sept Okt Nop Des
R
ata
-tar
a
A
ku
rasi
Bulan
Nilai Akurasi pada Pengujian Iterasi
ke 1000 dengan Metode
1. Dalam merancang metode BP-Bee CO dilakukan pertama yaitu melakukan proses
Backpropagation lebih dahulu sampai mendapatkan nilai MSE dan parameter dari
Backpropagation. Parameter
Backpropagation yang dari hasil perhitungan terakhir dimasukan ke proses Bee Colony
untuk dioptimasi. Didapatkan nilai parameter
Backpropagation yg sudah dioptimasi dari metode Bee Colony. Digunakan untuk proses
Backpropagation lagi untuk mendapatkan nilai MSE. Dibandingkan hasil MSE dari
Backpropagation dengan BP-Bee CO. Dipilih nilai MSE yang terbaik.
2. Metode BP-Bee CO ini dapat diimplemantasikan untuk peramalan curah hujan. Hal tersebut bisa dibuktikan dengan hasil MSE yang lebih dari metode
Backpropagation.
3. Berdasarkan hasil penguijan kinerja algoritma dan akurasi dengan menggunakan metode BP-Bee CO lebih baik dari Backpropagation. Dengan nilai rata-rata iterasi sebesar 0.0300 dan nilai akurasi mencapai 95% dari tahun 2010-2015 dengan target tahun 2016 pada bulan September.
DAFTAR PUSTAKA
Amri Faisal 2012. Artificial Bee Colony Algorithm untuk Menyelesaikan Travelling Salesman Problem. IEEE.
Bakhrun Akhmad 2013. Perbandingan Metode Adaline Dan Backpropagation Untuk Prediksi Jumlah Pencari Kerja Di Jawa Barat. Universitas Komputer Indonsesia Bandung.
Ganda Harry 2014. Optimasi Bobot Jaringan Syaraf Tiruan Mengunakan Particle Swarm Optimization. IJCCS.
Jia Guanlong 2016. An Improved Artificial Bee Colony- BP Neural Network Algorithm in the Short-Term Wind Speed Prediction.
IEEE.
Karboga Davis 2008. On the performance of artificial bee colony (ABC) algorithm.
Science Diraect.
Mulkan Iskandar 2010. Analisis Pemetaan Validasi Prediksi Curah Hujan Dengan Model Jaringan Syaraf Tiruan Dan Wavelet Menggunakan ARC VIEW 3.3. Universitas Sumatera Utara.
Patel Krinal 2016. Support Vector Regression With Artificial Bee Colony For Supply Chain Demand Forecasting. IJARETS.
Purbaya Rifal 2014. Perbandingan Aanalisis Regresi Linier Berganda Dengan Sistem Iinferensi Fuzzy Mamdani Dalam Memprediksi Berat Badan Ideal.
Universitas Brawijaya Malang.
Purwo Sutopo 2002. Evaluasi Dan Analiasis Curah Hujan Sebagai Faktor Penyebab Bencana Banjir Jakarta. BPP Teknologi. Sabati Diannovi 2014. Peramalan Permintaan
Sari Apel Dengan Metode Jaringan Syaraf Tiruan (JST) di KSU Brosem, Batu.
Universitas Brawijaya Malang.
