hal 1
ANALISIS KINERJA JARINGAN SARAF TIRUAN METODE BACKPROPAGATION
DALAM MEMPREDIKSI CUACA DI KOTA MEDAN
Yudhi Andrian1, M. Rhifky Wayahdi2
1
Dosen Teknik Informatika, STMIK Potensi Utama
2Mahasiswa Sistem Informasi, STMIK Potensi Utama 1,2Jl. K.L. Yos Sudarso Km 6,5 No. 3A Tanjung Mulia-Medan 1
yudhi.andrian@gmail.com, 2rhifky.wayahdi@yahoo.com
ABSTRAK
Jaringan Saraf Tiruan (Artificial Neural Network) sebagian besar telah cukup handal dalam pemecahan masalah, salah satunya adalah prediksi cuaca dengan metode backpropagation. Prediksi cuaca merupakan perkiraan kondisi cuaca di masa mendatang. Pada penelitian ini penulis akan menganalisis kinerja jaringan saraf tiruan dengan metode backpropagation dalam memprediksi cuaca di Kota Medan. Penulis akan menggunakan tiga parameter data dalam memprediksi cuaca yaitu data curah hujan, data suhu, dan data kelembaban tahun 1997 – 2013. Pada kasus prediksi cuaca di Kota Medan, jaringan saraf tiruan metode backpropagation dalam proses trainingdapat mengenali pola data yang diberikan dengan baik. Pada proses training JST, semakin kecil nilai target error maka iterasinya akan semakin besar dan tingkat keakurasiannya juga semakin tinggi. Tingkat keakurasian terbesar pada proses pengujian prediksi cuaca di Kota Medan dengan jaringan saraf tiruan metode backpropagation adalah pada data kelembaban yaitu 86.28%pada kuadrat error 0,01.
Kata Kunci: Jaringan Saraf Tiruan, Backpropagation, Prediksi Cuaca.
1. PENDAHULUAN
Prediksi cuaca merupakan perkiraan kondisi cuaca di masa mendatang. Kondisi cuaca adalah keadaan atmosfer pada waktu tertentu. Variabel-variabel cuaca meliputi beberapa hal seperti curah hujan, suhu, kelembaban, dan lainnya. Akurasi prediksi secara luas tergantung pada pengetahuan tentang kondisi cuaca yang berlaku di wilayah tersebut. Cuaca adalah kondisi non-linier dan proses dinamis yang bervariasi dari hari ke hari bahkan menit ke menit. 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 [4].
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 [4].
Sari, Laila dan Agus Buono (2012) dalam penelitiannya memprediksi awal musim hujan mengatakan bahwa pola input data yang digunakan dalam metode backpropagation sangat berpengaruh terhadap kinerja Jaringan Saraf Tiruan (Artificial Neural Network) dalam melakukan proses prediksi keadaan yang akan datang [6].
Kharola, Manisha dan Dinesh Kumar (2014) menggunakan metode backpropagation untuk memprediksi cuaca, dan menemukan bahwa proses pelatihan dapat dilakukan dengan cepat. Hasilnya lebih akurat untuk memprediksi cuaca di masa depan ketika jumlah iterasi meningkat [3].
Dari penelitian yang dilakukan oleh Sari, Laila dan Agus Buono (2012) dan penelitian yang dilakukan oleh Kharola, Manisha dan Dinesh Kumar (2014) menunjukkan bahwa jaringan saraf tiruan metode backpropagation dapat diterapkan dalam memprediksi suatu keadaan yang akan datang. Hal ini yang mendasari penulis untuk menganalisa lebih lanjut kinerja metode backpropagation dalam memprediksi cuaca. Pada penelitian ini penulis akan menganalisis kinerja
jaringan saraf tiruan dengan metode
Seminar Nasional Ilmu Komputer2014 (SNIKOM) Laguboti, 20 - 24 Agustus 2014
hal 2 Penulis akan menggunakan tiga parameter data
dalam memprediksi cuaca yaitu data curah hujan, data suhu, dan data kelembaban tahun 1997 – 2013.
Tujuan penelitian ini dilakukan adalah untuk menganalisis kinerja jaringan saraf tiruan metode backpropagation dalam mengenali pola dari ketiga parameter data tersebut apakah pola dari ketiga parameter tersebut dapat dikenali dengan baik yang selanjutnya dapat dilakukan proses prediksi cuaca.
2. JARINGAN SARAF TIRUAN
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) [7].
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 [4].
3. 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) [5].
Langkah-langkah dalam membangun algoritma backpropagation adalah sebagai berikut [7]:
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).
Dan menerapkan fungsi aktivasi untuk menghitung sinyal output-nya, ditunjukkan dengan persamaan (2).
= ( )
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).
_ = +
Dan menerapkan fungsi aktivasi untuk menghitung sinyal output-nya, ditunjukkan dengan persamaan (4).
= ( _ )
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).
= ( − ) ′( )
f’ adalah turunan dari fungsi aktivasi.
Kemudian hitung korelasi bobot, ditunjukkan dengan persamaan (6).
∆ =
Dan menghitung koreksi bias, ditunjukkan dengan persamaan (7).
∆ =
Sekaligus mengirimkan δk ke unit-unit yang ada di lapisan paling kanan.
2) Setiap unit tersembunyi (Zj, j=1,2,3,…,p)
menjumlahkan delta input-nya (dari unit-unit yang berada pada lapisan di kanannya), ditunjukkan dengan persamaan (8).
_ =
Untuk menghitung informasi error, kalikan nilai ini dengan turunan dari fungsi aktivasinya, ditunjukkan dengan persamaan (9).
= ( _ )
Kemudian hitung koreksi bobot, ditunjukkan dengan persamaan (10).
∆ =
Setelah itu, hitung juga koreksi bias, ditunjukkan dengan persamaan (11).
∆ =
d. Tahap perubahan bobot dan bias
1) Setiap unit output (Yk, k=1,2,3,…,m)
dilakukan perubahan bobot dan bias (j=0,1,2,…,p), ditunjukkan dengan persamaan (12).
( !"#) = ($!%!) + ∆
(1)
(2)
(3)
(4)
(5)
(6)
(7)
(8)
(9)
(10)
(11)
hal 3 Setiap unit tersembunyi (Zj, j=1,2,3,…,p)
dilakukan perubahan bobot dan bias (i=0,1,2,…,n), ditunjukkan dengan persamaan (13).
( !"#) = ($!%!) + ∆
2) Tes kondisi berhenti.
4. METODE PENELITIAN
Penelitian ini bertujuan untuk menganalisis
kinerja jaringan saraf tiruan metode
backpropagation dalam memprediksi cuaca di Kota Medan. Penulis ingin mengetahui bagaimana kinerja jaringan saraf tiruan metode backpropagation dalam mengenali pola tiga parameter data yaitu data curah hujan, data suhu, dan data kelembaban dalam memprediksi cuaca di Kota Medan.
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. 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.
b. 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. 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 – ke-2005 dengan target 2006), demikian seterusnya. 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
c. 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. d. 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.
5. HASIL DAN ANALISA
Prediksi cuaca dengan jaringan saraf tiruan metode backpropagation dilakukan dengan membagi data menjadi tiga bagian, yaitu: data untuk training/pelatihan, data untuk testing/pengujian, dan data untuk prediksi. Data yang digunakan adalah data curah hujan, data suhu, dan data kelembaban Kota Medan tahun 1997 – 2013. 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 curah hujan tahun 1997 – 2004 dengan target tahun 2005
1997 1998 … 2004 2005
106.2 181 … 138.8 189.1
96.6 50.2 … 200.8 43.9
134.4 29.4 … 237.9 62.5
109.8 35.3 … 88.5 168.2
80.9 133.5 … 68 229.5
175.3 144.6 … 200.5 174
225.8 213 … 206.8 210.8
95.7 381 … 204.3 145.7
290.6 170.8 … 475.3 290.5
391.1 340.3 … 377.5 175.5
265.4 275.8 … 141.2 206.4
182.4 394.2 … 166.4 311.4
Tabel 1(b). Data input suhu tahun 1997 – 2004 dengan target tahun 2005
1997 1998 … 2004 2005
30,1 30,4 … 30 30,9
30,4 31,6 … 30,9 31,4
31,5 32,5 … 31,2 32,5
31,1 33,3 … 31,2 32,7
32,5 33,2 … 32,7 32,7
31,2 32,2 … 32 32,7
31,3 31,8 … 29,8 32,3
32,2 30 … 31,8 32,8
30,1 30,6 … 30,5 32
30,1 31,9 … 30,3 30,3
30,3 30,5 … 30,6 30,5
30,1 29,5 … 30,6 29,8
Seminar Nasional Ilmu Komputer2014 (SNIKOM) Laguboti, 20 - 24 Agustus 2014
hal 4 Tabel 1(c). Data input kelembaban tahun 1997 –
2004 dengan target tahun 2005
1997 1998 … 2004 2005
66 72 … 66 66
67 69 … 62 66
64 64 … 64 62
65 61 … 65 63
59 62 … 56 64
64 64 … 58 62
64 67 … 67 62
58 73 … 58 58
70 70 … 65 65
70 69 … 68 69
73 70 … 70 69
73 72 … 69 72
Sebelum diproses data dinormalisasi terlebih dahulu. Normalisasi terhadap data dilakukan agar keluaran jaringan sesuai dengan fungsi aktivasi yang digunakan. Data-data tersebut dinormalisasi dalam interval [0, 1] karena data yang digunakan bernilai positif atau 0. Selain itu juga terkait fungsi aktivasi yang diberikan yaitu sigmoid biner.
Fungsi sigmoid adalah fungsi asimtotik (tidak pernah mencapai 0 ataupun 1), maka transformasi data dilakukan pada interval yang lebih kecil yaitu [0.1; 0.8], ditunjukkan dengan persamaan (14).
=0.8( − !) − ! + 0.1
a adalah data minimum, b adalah data maksimum, x adalah data yang akan dinormalisasi, dan x’ adalah data yang telah ditransformasi. Sehingga dihasilkan data hasil normalisasi yang ditunjukkan pada Tabel 2.
Tabel 2(a). Data curah hujan hasil normalisasi tahun 1997 – 2004 dengan target tahun 2005
1997 1998 … 2004 2005
0.208 0.29 … 0.244 0.299
0.197 0.146 … 0.312 0.139
0.239 0.123 … 0.353 0.16
0.212 0.129 … 0.188 0.276
0.18 0.238 … 0.166 0.344
0.284 0.25 … 0.312 0.283
0.34 0.326 … 0.319 0.323
0.196 0.511 … 0.316 0.251
0.411 0.279 … 0.615 0.411
0.522 0.466 … 0.507 0.284
0.384 0.395 … 0.246 0.318
0.292 0.526 … 0.274 0.434
Tabel 2(b). Data suhu hasil normalisasi tahun 1997 – 2004 dengan target tahun 2005
1997 1998 … 2004 2005
0.367 0.414 … 0.351 0.492
0.414 0.602 … 0.492 0.571
0.586 0.743 … 0.539 0.743
0.524 0.869 … 0.539 0.775
0.743 0.853 … 0.775 0.775
0.539 0.696 … 0.665 0.775
0.555 0.633 … 0.32 0.712
0.696 0.351 … 0.633 0.79
0.367 0.445 … 0.429 0.665
0.367 0.649 … 0.398 0.398
0.398 0.429 … 0.445 0.429
0.367 0.273 … 0.445 0.32
Tabel 2(c). Data kelembaban hasil normalisasi tahun 1997 – 2004 dengan target tahun 2005
1997 1998 … 2004 2005
0.519 0.748 … 0.519 0.519
0.557 0.633 … 0.367 0.519
0.443 0.443 … 0.443 0.367
0.481 0.329 … 0.481 0.405
0.252 0.367 … 0.138 0.443
0.443 0.443 … 0.214 0.367
0.443 0.557 … 0.557 0.367
0.214 0.786 … 0.214 0.214
0.671 0.671 … 0.481 0.481
0.671 0.633 … 0.595 0.633
0.786 0.671 … 0.671 0.633
0.786 0.748 … 0.633 0.748
Pada Tabel 1 dan Tabel 2 di atas menampilkan data tahun 1997 – 2004 dengan target tahun 2005. Untuk pelatihan data lainnya dilakukan hal yang sama. Seperti telah dijelaskan di atas, data pelatihan menggunakan data sampai tahun 2008.
Setelah proses normalisasi untuk semua data dilakukan, selanjutnya dilakukan proses inisialisasi bobot. Proses inisialisasi bobot dilakukan dengan memberikan nilai bobot secara random atau acak. Bobot di-generate secara random dengan jumlah hidden layer=6, alpha=1, max epoch=100000. Bobot random yang telah di-generate dapat dilihat pada Tabel 3.
Tabel 3. Generate bobot random Bobotinputke hidden awal
0.3528 0.2667 0.2898 0.1448 0.151 0.3874
0.007 0.3804 0.4072 0.3545 0.0227 0.207
0.4313 0.3952 0.1868 0.481 0.4357 0.0281
0.4748 0.182 0.2624 0.3836 0.0268 0.2962
0.2344 0.1491 0.3113 0.3239 0.1319 0.1397
0.4149 0.4123 0.2946 0.493 0.4555 0.1134
0.3476 0.49 0.122 0.2669 0.0532 0.4997
0.3381 0.0079 0.2876 0.05 0.0515 0.3394
Bias input ke hidden
0.1422 0.0228 0.1479 0.191 0.1505 0.4743
Bobot hidden ke output
0.4899 0.2007 0.1391 0.0802 0.0814 0.3233
Bias hidden ke output 0.367
Proses training dengan menggunakan bobot random pada Tabel 3 menghasilkan kuadrat error=0.01 untuk data curah hujan pada iterasi ke-66, data suhu pada iterasi ke-9586, dan data kelembaban pada iterasi ke-4011. Pada pengujian awal ini didapatkan hasil bahwa jumlah iterasi untuk data curah hujan lebih kecil daripada data lainnya.
Selanjutnya dilakukan beberapa kali proses training dan testing, di mana jumlah hidden layer tetap yaitu 6, alpha=1, max epoch=100000 dan nilai target erroryang bervariasi. Hasil dari pengujian ini dapat dilihat pada Tabel 4.
Tabel 4. Hasil pengujian
Target error
Curah hujan Suhu
Iterasi Akurasi Iterasi Aku
0.05 2 10.9 % 2 69.8
0.02 3 11.2 % 18 71.6
0.01 66 30.18% 9586 79.2
0.009 87 37.12% 10197 75,8
Dari hasil pengujian pada Tab bahwa pada data curah hujan, jumla ada pada target error 0.05 dengan j dengan tingkat keakurasian=10.9 iterasi terbesar ada pada target erro jumlah iterasi=87 dengan tingka 37.12%. Pada data suhu, jumlah ite pada target error 0.05 dengan ju dengan tingkat keakurasian=69.88 iterasi terbesar ada pada target erro jumlah iterasi=10197 dengan tingk 75.87%. Pada data kelembaban, terkecil ada pada target error 0.05 iterasi=2 dengan tingkat keakurasi jumlah iterasi terbesar ada pada ta dengan jumlah iterasi=4011 d keakurasian= 86.28%. Pada data kele target error 0.009 jumlah iterasi tidak Dari hasil pengujian pada Tabe tingkat keakurasian tertinggi ada data kelembaban dengan target e 86.28%, sedangkan tingkat keakuras pada pengujian data curah hujan den 0.05 yaitu 10.9%. Sehingga dap bahwa semakin kecil nilai target e iterasinya akan semakin besar dan juga semakin tinggi.
Proses terakhir yaitu melakuka untuk beberapa tahun berikutnya den data dengan kuadrat error 0.01 keakurasian data curah hujan 30.18% curah hujan dapat dilihat pada Tabel
Tabel 5. Hasil prediksi curah hujan 2
Tahun pertahun akan semakin meningkat
Kelembaban kurasi Iterasi Akurasi
9.88% 2 73.78% iterasi terkecil ada jumlah iterasi=2 abel 4 dapat dilihat
a pada pengujian
sampai tahun 2018. Grafik pe setiap tahunnya dapat dilihat p
Gambar 2. Grafik curah h
Untuk prediksi suhu beb mengambil data dengan kuad tingkat keakurasian 79.22%. dapat dilihat pada Tabel 6.
Tabel 6. Hasil prediksi suhu 20
Tahun 2018, diperkirakan suhu rat mengalami peningkatan dan terlalu ekstrim dari tahun 201 Grafik prediksi suhu setiap t pada Gambar 3.
Gambar 3. Grafik suh
Untuk prediksi kelemb berikutnya mengambil data 0.01 dengan tingkat keaku prediksi kelembaban dapat dili
hal 5 peningkatan curah hujan
t pada Gambar 2. rata-rata pertahun akan n penurunan yang tidak 014 sampai tahun 2018. p tahunnya dapat dilihat
uhu 2014 – 2018
Seminar Nasional Ilmu Komputer2014 (SNIK Laguboti, 20 - 24 Agustus 2014
Tabel 7. Hasil prediksi kelembaban
Tahun pertahun akan mengalami pen penurunan yang juga tidak terlalu ek 2014 sampai tahun 2018. G kelembaban setiap tahunnya dapa Gambar 4.
Gambar 4. Grafik kelembaban 2
Dari hasil prediksi ketiga param curah hujan, suhu, dan kelemba ketahui keadaan cuaca yang akan sampel untuk prediksi cuaca diam 2014 dari masing-masing parameter cuaca tahun 2014 dapat dilihat pada
Gambar 5. Grafik prediksi cuaca
Dari Gambar 5 dapat dilihat p ini curah hujan cenderung mengala dan penurunan yang cukup ekstrim y minimum 185.6 mm dan curah hu 290.8 mm. Sedangkan predik kelembaban cenderung stabil yaitu 29.9° C dan suhu maksimum kelembaban minimum 61.3% da maksimum 64.9%. ekstrim dari tahun Grafik prediksi yaitu curah hujan hujan maksimum Dari hasil penelitian da kesimpulan antara lain: a. Pada kasus prediksi cua
jaringan saraf tiruan me dalam proses training dap suhu dan kelembaban deng pola data curah hujan, kurang baik. Hal ini se penulis.
b. Pada proses training JST target error maka iterasiny dan tingkat keakurasiannya c. Tingkat keakurasian te
pengujian prediksi cuaca d jaringan saraf tiruan me adalah pada data kelembab kuadrat error 0,01. d. Kondisi cuaca pada tahun
cenderung berubah setia curah hujan minimum 185. Tiruan Propagasi Balik Hujan Bulanan di Ketapa Classification and For Propagation Feed-forw International Journal of S Publications, Vol. 2, Issu [5] Oktaviani, Cici dan A
Curah Hujan Bulanan M Syaraf Tiruan dengan Pelatihan Backpropaga Unand, Vol. 2, No. 4, Ok [6] Sari, Laila dan Agus B Neural Network Model Beginning of Rainy Se Surface Temperature. J Agri-Informatika, Vol 1, [7] Sutojo, T., et al, 2010, Yogyakarta: Andi Offset
hal 6 dapat diambil beberapa
cuaca di Kota Medan, etode backpropagation apat mengenali pola data engan baik, namun untuk , proses pengenalannya sesuai dengan asumsi
ST, semakin kecil nilai inya akan semakin besar nya juga semakin tinggi.
terbesar pada proses a di Kota Medan dengan etode backpropagation baban yaitu 86.28% pada
un 2014 di Kota Medan tiap bulannya, dengan 85.6 mm dan curah hujan suhu minimum 29.9°C Scientic Modelling & No. 1.
Metode Jaringan Saraf lik untuk Estimasi Curah orecasting using Back rward Neural Network, f Scientific and Research ssue 12, December. Afdal, 2013, Prediksi
Menggunakan Jaringan gan Beberapa Fungsi agation, Jurnal Fisika Oktober.
Buono, 2012, Artificial delling to Predict The Season Based on Sea Jurnal Ilmu Komputer 1, No. 2.
