ANALISIS VARIASI JUMLAH INPUT DAN HIDDEN LAYER PADA PREDIKSI TEMPERATUR KOTA MEDAN MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK DOCX

Title	ANALISIS VARIASI JUMLAH INPUT DAN HIDDEN LAYER PADA PREDIKSI TEMPERATUR KOTA MEDAN MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
Author	Yudhi Andrian
Pages	5
File Size	173.3 KB
File Type	DOCX
Total Downloads	367
Total Views	512

Summary

ANALISIS VARIASI JUMLAH INPUT DAN HIDDEN LAYER PADA PREDIKSI TEMPERATUR KOTA MEDAN MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Yudhi Andrian Purwa Hasan Putra Dosen Teknik Informatika, STMIK Potensi Utama Mahasiswa Sistem Informasi, STMIK Potensi Utama STMIK Potensi Utama, Jl. K.L. Yos Sudarso Km 6,5...

Description

ANALISIS VARIASI JUMLAH INPUT DAN HIDDEN LAYER PADA PREDIKSI TEMPERATUR KOTA MEDAN MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Yudhi Andrian Dosen Teknik Informatika, STMIK Potensi Utama STMIK Potensi Utama, Jl. K.L. Yos Sudarso Km 6,5 No. 3A Tanjung Mulia-Medan [email protected] Purwa Hasan Putra Mahasiswa Sistem Informasi, STMIK Potensi Utama STMIK Potensi Utama, Jl. K.L. Yos Sudarso Km 6,5 No. 3A Tanjung Mulia-Medan [email protected] Abstrak: Tingkat pemanasan rata-rata selama lima puluh tahun terakhir hampir dua kali lipat dari rata-rata seratus tahun terahir, dimana pemanasan lebih dirasakan pada daerah daratan daripada lautan. Jaringan saraf tiruan (Artificial Neural Network) sebagian besar telah cukup handal dalam pemecahan masalah, salah satunya adalah prediksi temperatur dengan metode backpropagation. Pada penelitian ini, penulis mencoba menganalisis variasi jumlah input dan hidden layer untuk memprediksi temperatur di kota medan menggunakan metode backpropagation neural network. Dari hasil penelitian dapat disimpulkan antara lain : Pengujian dengan data input 4 memiliki akurasi yang lebih baik dibandingkan dengan data input 3, 5, 6, 7, 8 dan 9. Nilai akurasi tertinggi didapat dari pengujian dengan data input 4 dan jumlah hidden 8 pada target error 0.099 yaitu 88.63%. Data input dan jumlah hidden yang berbeda maka jumlah iterasi juga berbeda. Jumlah hidden layer yang lebih besar tidak selalu menyebabkan jumlah iterasi meningkat. Pada hasil prediksi rata- rata temperatur tertinggi pada tahun 2018 terjadi pada bulan 5 yaitu 32.4o C. Kata Kunci: temperature, backpropagation, neural network I. PENDAHULUAN Tingkat pemanasan rata-rata selama lima puluh tahun terakhir hampir dua kali lipat dari rata-rata seratus tahun terahir, dimana pemanasan lebih dirasakan pada daerah daratan daripada lautan. Pada sebelas tahun terakhir merupakan tahun-tahun terhangat dalam temperatur permukaan global sejak 1850. Peningkatan temperatur memiliki dampak diantaranya kekeringan dan krisis air bersih serta naiknya pemakaian Air Conditioner (AC) dimana secara tidak langsung menaikkan konsumsi listrik. Akibat kenaikan suhu, temperatur udara juga sangat berkaitan dengan kelembapan udara di suatu wilayah yang juga akan mempengaruhi cuaca. Sehingga prediksi yang tepat akan temperatur sangat dibutuhkan [4]. Temperatur yang panas ataupun dingin bisa dikategorikan sebagai salah satu fenomena cuaca ekstrim. Berdasarkan data pengamatan dari Stasiun Meteorologi Polonia BMKG periode tahun 1981 sampai dengan 2010, normal temperatur rata-rata untuk wilayah kota Medan adalah 27.5o C, dan normal suhu maksimum adalah 32.9o C. Tinggi rendahnya temperatur yang terjadi tidak dapat ditentukan secara pasti, namun dapat diprediksi atau diperkirakan. Banyak cara yang dapat dilakukan untuk memprediksi tinggi rendahnya temperatur di suatu tempat, salah satunya adalah menggunakan teknik jaringan syaraf tiruan (Artificial Neural Network). 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 [2]. Kisi Ozgur dan Jalal Shiri (2014) meneliti model Adaptive Neuro-Fuzzy Inference System (ANFIS) dan Artificial Neural Networks (ANNs) untuk memprediksi suhu udara dan curah hujan menggunakan nilai input data geografis. Tahap pelatihan menggunakan model ANFIS lebih baik dari model ANN. Tetapi pada tahap pengujian model ANN terbukti lebih baik dibandingkan dengan model ANFIS [3]. Akashap Gupta, Gautam Anjali, et al. (2013) menerapkan Neural Network untuk memprediksi curah hujan dengan metode Backpropagation. Hasilnya lebih akurat, nilai prediksi lebih dekat dengan nilai sebenarnya dan dirancang dapat digunakan untuk memprediksi curah hujan di india [1]. Priya, et al. (2014) menggunakan metode backpropagation untuk memprediksi curah hujan di India. Pengujian dengan metode backpropagation memberikan hasil yang akurat dan dapat digunakan untuk memprediksi curah hujan. Kesimpulan dari penelitian ini adalah bahwa dengan meningkatnya jumlah...