APLIKASI HOPFIELD NEURAL NETWORK UNTUK PRAKIRAAN CUACA

Ukuran: px
Mulai penontonan dengan halaman:

Download "APLIKASI HOPFIELD NEURAL NETWORK UNTUK PRAKIRAAN CUACA"

Transkripsi

1 ISSN: 4308 APLIKASI HOPFIELD NEURAL NETWORK UNTUK PRAKIRAAN CUACA Stasiun Klimatologi Semarang Balai Besar Meteorologi dan Geofisika Wilayah II ABSTRAK Prakiraan cuaca ditentukan oleh unsurunsur cuaca, beberapa diantaranya adalah arah angin, suhu udara, kelembaban udara, dan tekanan udara. Daerah Cilacap sebagai daerah rawan banjir sekaligus rawan kekeringan sangat menarik untuk diteliti bagaimana sifatsifat unsur cuacanya. Metode Hopfield Neural Network sebagai aplikasi untuk prakiraan cuaca, karena metode ini dapat memberikan klasifikasi cuaca. Pada metode Hopfield unsurunsur cuaca tersebut sebagai neuron input, kemudian hasil dari prosses simulasinya akan dikembalikan lagi sebagai input secara terus menerus sampai mencapai kondisi stabil. Output yang dihasilkan di Cilacap untuk kondisi tidak ada awan (clear) atau awan yang tipis dan sangat sedikit, adalah nilainilai atau jarak yang mendekati cerah, hal ini karena unsurunsur cuacanya adalah dalam kategori cerah. Begitu pula untuk kondisi hujan, output yang dihasilkan adalah nilainilai atau jarak yang mendekati hujan, hal ini disebabkan unsurunsur cuacanya adalah bersifat atau dalam kategori hujan. Untuk kondisi berawan nilainilai yang dihasilkan adalah sebagian cerah, sebagian lagi hujan. Klasifikasi pada Hopfield ini menghasilkan output yang tepat, maka sifatsifat dari unsurunsur cuaca di Cilacap dapat digunakan untuk prakiraan cuaca. Kata kunci : Cuaca, Hopfield Diskrit, Klasifikasi Cuaca. ABSTRACT Weather forecasting is determined by weather substaces, some of them are wind direction, temperature, humidity, and pressure. Cilacap area which have high potentially for flood and dryness is very interesting to be reseached about how characteristics of weather substances.hopfield Neural Network method have being application for weather forecast because this method can give the recurrent weather classification. This weather substance in Hopfield method as the neuron input and then the result of simulation process will be recurrent as input until reach stabil condition. The result output in Cilacap for the clear condition are the values or the distance near the clear, because the weather substance are in the clear category. And so for rain condition, the output result are the values or the distance near the rain, because the weather substance have the rain character. The research of the values some of them are the clear, and the other are rain. Classification in Hopfield to produce output that are definitely, so characteristics of weather substances in Cilacap that can using for weather forecasting. Keywords : Weather, Discrete Hopfield, Weather Classification. 5

2 . PENDAHULUAN. Tujuan Penulisan Metode Hopfield Neural Network sebagai aplikasi untuk prakiraan cuaca. Harapan untuk selalu dikembangkan teknikteknik jaringan syaraf tiruan pada prakiraan cuaca yaitu untuk memudahkan forecaster dalam melayani masyarakat agar lebih cepat, tepat dan akurat.. Latar Belakang Meteorologi adalah ilmu yang mempelajari jenis cuaca dan faktor penyebabnya. Karena meteorologi mencakup interpretasi dan koleksi data pengamatan, maka ilmu ini memerlukan teknik statistik. Klasifikasi dari unsurunsur cuaca bisa dijadikan pedoman keadaan cuaca pada suatu tempat. Pada penelitian ini tempat yang diambil adalah Cilacap. Hal ini ada rangerange atau kelaskelas dari unsur cuaca menjadikan cuaca dalam keadaan cerah, berawan, atau hujan. Jadi di dalam meteorologi diperlukan juga teknik statistik. Hopfield Neural Network adalah salah satu metode yang tepat untuk dijadikan sarana memprediksi cuaca dari klasifikasi unsurunsur cuaca/iklim tersebut. Jaringan ini menggunakan teknik klasifikasi, fungsi energi lyapunov (bobot simetris berdiagonal utama nol (0)) untuk mendapatkan output agar mendekati atau sama dengan inputannya. Klasifikasi dilakukan dengan data diskrit (data atau variabel kuantitatif yang observasi atau pengukurannya berupa bilanganbilangan utuh atau range dari x countable { x, x, x3,...}). Namun demikian, model Hopfield dengan data continue (data atau variable yang observasi atau pengukurannya berupa bilanganbilangan utuh atau pecahan atau jika x menjalani setiap harga dalam suatu interval maka range x dikatakan uncountable), juga sangat bagus untuk klasifikasi. 5 Tujuan yang hendak dicapai dalam penelitian ini adalah :. Merumuskan cara data unsurunsur cuaca menjadi masukan/input Hopfield Neural Network, sehingga dapat diolah dengan menggunakan algoritma Hopfield Neural Network.. Menentukan bentuk dan topologi Hopfield Neural Network yang sesuai dengan proses prediksi cuaca. 3. Bagaimana Hopfield Neural Network dalam menilai prediksi cuaca.. ISI. Penentuan Model Hopfield Neural Network Model Hopfield identik dengan matrik simetris. Secara umum, nilai keluaran jaringan syaraf tiruan ditentukan oleh nilai masukan, bobot (weight), dan fungsi aktivasi. Bentuk fungsi aktivasi dipilih berdasarkan masalah yang akan diselesaikan. Bila jaringan Hopfield dirancang untuk melakukan klasifikasi pola binerpola yang tersusun atas kombinasi bilangan 0 dan, maka digunakan step function dengan dua nilai (0 dan ) sebagai fungsi aktivasi. Bila melakukan klasifikasi pola bipolar, maka step function yang digunakan dua nilai ( dan ). Berikut diberikan suatu contoh. Misalkan akan dibuat jaringan Hopfield dengan 4 neuron. Artinya ada empat masukan dan empat keluaran. Keempat neuron itu dihubungkan satu sama lain dan tiap hubungan (koneksi) ini diberikan suatu nilai bobot (weight). Menurut Hopfield, bila bobot koneksi neuron dengan dirinya sendiri adalah nol, pasti akan diperoleh keluaran yang stabil. Kondisi yang stabil tersebut dinamakan energi lyapunov. Neuronneuron pada Hopfield berhubungan penuh, artinya neuronneuron tersebut saling berhubungan kecuali pada dirinya sendiri, dengan demikian nilai bobot matrik model Hopfield memakai bobot matrik berdiagonal nol (0). JURNAL METEOROLOGI DAN GEOFISIKA VOLUME 0 NOMOR TAHUN 009 : 5 75

3 ISSN: 4308 Nilai nol (0) tersebut mengartikan bahwa W = 0 untuk i = j (pada dirinya sendiri = 0) ij dan W ij = W ji untuk i j. Untuk mudah dibaca dan dipahami proses atau tahaptahap bagaimana menjadikan sebuah input data sampai dengan output, kemudian menjadikan analisa dan sebuah kesimpulan, di bawah ini digambarkan dengan sebuah diagram alur. dan bulan September untuk keadaan cuaca berawan. Melalui AWS data tersebut direkam tiap saat (online), dalam penelitian ini data yang diambil adalah tiap jam. Namun demikian data yang diambil harus diteliti keakuratannya dengan membandingkan data dari hasil pengamatan manual, karena data dari alat elektrik sering terjadi error. Berdasarkan hasil pengamatan meteorologi di Cilacap, data hasil dari AWS dengan data dari observer manual pada bulanbulan terakhir tahun 008 adalah relatif sama. Dengan demikian data yang didownload dari AWS bisa diambil dan diolah... Data Gambar. Diagram Alur Penelitian Unsur yang digunakan untuk memprakirakan cuaca adalah : a. Arah angin b. Suhu udara c. Kelembaban udara d. Tekanan udara Data tersebut diambil dari dari AWS (Automatic Weather Systembmg_online), dan lokasi yang diambil adalh daerah Cilacap. Data bisa dilihat pada lampiran tabel data dan lokasi pengamatan dengan AWS. Data tersebut diambil berdasarkan grafik normal curah hujan bulanan di Cilacap. Normal curah hujan adalah ratarata curah hujan selama 30 tahun, dari grafik ini ratarata curah hujan dari tahun Bulan Agustus adalah bulan kering untuk Cilacap. Kemudian yang tertinggi/basah pada bulan Nopember. Dari dasar ini diambil sampel data (unsurunsur cuaca) bulan Agustus untuk keadaan cuaca cerah, bulan Nopember untuk keadaan cuaca hujan Kriteria Unsur Cuaca Ratarata Cilacap :. Arah angin Untuk arah angin, cuaca cerah adalah angin timuran, yaitu arah angin yang berasal dari timur. Angin timuran ini bersifat kering yang menyebabkan iklim di Indonesia mengalami musim kemarau. Arah timur dalam derajat = 90, jadi bila arah angin dari sekitar Timur Laut (45 ) sampai dengan Selatan Tenggara (57,5 ), keadaan cuacanya cerah. Sebaliknya arah angin dari Barat (70 ) atau yang biasa disebut Angin Baratan, keadaan iklim di Indonesia mengalami musim hujan. Angin Baratan ini yang membawa sifat basah ke Indonesia. Jadi daerah Cilacap pada khususnya akan mengalami hujan bila arah angin datang dari sekitar Selatan Barat Daya (0,5 ) sampai dengan Barat Laut (35 ) atau lebih. Data ratarata arah angin bisa dibagi menjadi batasan 3 kriteria, yaitu dengan mode atau modus (nilai yang sering muncul). Pada kriteria cerah, nilai yang sering muncul di bawah 60, dan melihat pada kriteria berawan secara kasar nilai yang sering muncul adalah nilai antara Sedangkan pada nilai kriteria hujan modusnya di atas 00. Karena nilai 60 terlalu besar untuk arah angin timuran, maka diambil 50 sebagai batasan maksimum arah angin yang membawa sifat kering ke 53

4 daerah Cilacap. Sebagai batasan kriteria hujan arah angin lebih dari 00.. Suhu udara Menurut sumber dinas pertanian kerjasama dengan BMKG Jawa Tengah, daerah Cilacap termasuk daerah rawan banjir sekaligus rawan kekeringan. Hal ini disebabkan karena suhu yang tidak terlalu tinggi dengan kelembapan yang rendah. Oleh karena itu daerah Cilacap bersifat kering, namun suhu tidak tinggi. Mengenai tekanan tergantung dari suhu setempat dengan suhu disekitarnya. Bila suhu udara panas, maka tekanan akan turun. Pembagian kriteria unsurunsur ini di dapat dari hasil pengamatan tiap jam. Data bisa dilihat pada lampiran tabel data. Modus untuk kriteria cerah adalah pada waktu siang hari yaitu lebih besar 9 C. Sedangkan untuk kriteria hujan modusnya nilai di bawah 6 C. Jadi kriteria berawan berada diantaranya. 3. Kelembapan udara Modus untuk kelembapan pada kriteria hujan, nilai di atas 85%. Karena daerah Cilacap kelembapan tidak terlalu rendah, maka untuk kriteria cerah nilai kelembapan di bawah 70%. Nilai diantaranya adalah nilai untuk kriteria berawan. 4. Tekanan udara Untuk tekanan, modus pada kriteria cerah adalah di atas 00 mb. Pada kriteria hujan modusnya adalah di bawah 007 mb. Jadi dengan pertimbangan tersebut diatas dapat dibuat tabel kriteriakriteria sebagai berikut : Tabel Kriteria Unsur Cuaca Cilacap suatu fungsi dimana angka hanya menunjukkan nilai dan. Pada dasarnya jaringan Hopfield menggunakan fungsi aktivasi biner (menunjukkan nilai 0 dan ), namun menggunakan bipolar akan lebih menguntungkan atau lebih baik (Popoviciu, N and Boncuţ, M; 005). Kriteria tersebut yang akan menjadi target yang hendak dicapai. Berikut tabel nilai bipolarnya. Tabel Kriteria Unsur Cuaca Bipolar UNSUR CUACA KEADAAN CUACA CERAH BERAWAN HUJAN ARAH ANGIN SUHU KELEMBAPAN TEKANAN.. Arsitektur Hopfield Neural Network Model arsitektur Hopfield ini terdapat empat neuron simetris, yaitu output yang ditargetkan harus sama dengan input. Untuk mencapai hasil yang optimal/konvergen, output dijadikan inputan kembali, namun diteruskannya jaringan tidak pada dirinya sendiri tetapi ke neuron yang lain. Proses ini berjalan terusmenerus sampai dicapai kondisi yang stabil. Pada halaman berikut ini adalah gambar model jaringan Hopfield dengan 4 (empat) unsur cuaca atau 4 neuron. UNSUR CUACA KEADAAN CUACA CERAH BERAWAN HUJAN ARAH ANGIN < > SUHU > 9 C 6 C 9 C < 6 C KELEMBAPAN < 70% 70% 85% > 85% TEKANAN > 00 mb 007 mb 00 mb < 007 mb Kemudian dari data asli dirubah terlebih dahulu dengan fungsi bipolar, yaitu Gambar Model Hopfield Neural Network pada Aplikasi Prakiraan Cuaca Cilacap JURNAL METEOROLOGI DAN GEOFISIKA VOLUME 0 NOMOR TAHUN 009 : 5 75

5 ISSN: Bobot Untuk pemilihan bobot, sebagai dasarnya adalah matrik simetris dan berdiagonal utama Pilihan bobot ini adalah pilihan terakhir setelah mencoba dipilih nilai berpasangan dan 7, 5 dan 5, 50 dan 00. Hal inilah yang menyebabkan output sama dengan input. Pilihan bobot tersebut, adalah yang tercepat mencapai konvergen atau langkah yang paling sedikit untuk mencapai stabil. Pada tabel kriteria unsur cuaca bipolar di atas, adalah sebagai input vektor yang kemudian dikalikan dengan kolomkolom bobot. Hasil yang diperoleh kemudian dijadikan nilai bipolar kembali. Untuk pola input bipolar : f(t) = jika t > θ jika t θ a. Kriteria cerah ( ) : Nilai bipolar ini sebagai invec (input vector) yang akan dikalikan dengan tiap kolom bobot. x Hasil = Bipolar = Nilai hasil dari kolom pertama sama dengan 9, maka f(t) atau fungsi bipolar sama dengan, karena 9 lebih besar dari threshold (9 > 0). Threshold = 0, karena menggunakan bias untuk mengubah/menyeimbangkannya. Jadi threshold dianggap nol (0). Untuk kolom ke hasil = 9, artinya 9 < 0, maka f(t) atau fungsi bipolar =. Begitu pula untuk kolomkolom berikutnya. b. Kriteria berawan ( ) : Nilai bipolar ini sebagai invec (input vector) yang akan dikalikan dengan tiap kolom bobot. Hasil = Bipolar = x Nilai hasil dari kolom pertama sama dengan, maka f(t) atau fungsi bipolar sama dengan, karena lebih kecil dari threshold ( < 0). Threshold = 0, karena menggunakan bias untuk mengubah/menyeimbangkannya. Jadi threshold dianggap nol (0). Begitu pula untuk kolomkolom berikutnya. c. Kriteria hujan ( ) : Nilai bipolar ini sebagai invec (input vector) yang akan dikalikan dengan tiap kolom bobot. x Hasil = 9 9 Bipolar = Nilai hasil dari kolom pertama sama dengan 9, maka f(t) atau fungsi bipolar sama

6 dengan, karena 9 lebih kecil dari threshold (9 < 0). Threshold = 0, karena menggunakan bias untuk mengubah/menyeimbangkannya. Jadi threshold dianggap nol (0). Untuk kolom ke hasil = 9, artinya 9 > 0, maka f(t) atau fungsi bipolar =. Begitu pula untuk kolomkolom berikutnya.. Implementasi Model Hopfield Pada Prakiraan Cuaca Pemakaian perangkat lunak dengan MATLAB sangat membantu dan mempermudah dalam mengerjakan jaringan Hopfield... Input Data Data real sebagai input diubah terlebih dahulu ke bentuk satlins, yaitu merubah nilai input menjadi jika inputannya kurang dari, dan akan bernilai jika inputnya lebih dari. Sedangkan nilai input terletak antara dan akan bernilai sama dengan inputannya atau sama dengan 0. Ada 7 data, yaitu data ke sampai dengan 4 adalah kriteria cerah, data ke5 sampai dengan 48 adalah kriteria berawan dan data ke49 sampai dengan 7 adalah kriteria hujan. PReal=[ JURNAL METEOROLOGI DAN GEOFISIKA VOLUME 0 NOMOR TAHUN 009 : 5 75

7 ISSN: ] ; Dengan suatu bahasa pemrograman data real kemudian diubah ke bentuk satlins. Untuk mengubah sebuah matrik dari data real ke diskrit, ukuran matrik harus diketahui terlebih dahulu. Pada aplikasi Hopfield ini, ada 4 (empat) neuron/variable yang terdiri dari 7 data dari masingmasing variable tersebut. Jadi matrik disini berukuran 7 x 4. Fasilitas pada MATLAB menyediakan fungsi size, yaitu untuk menghasilkan tempat menyimpan elemenelemen matrik tadi. Hasil dari pada fungsi size tadi adalah (dua) nilai, yaitu baris dan kolom. Kemudian untuk mencari atau menelusuri setiap elemen matrik digunakan statement for dan mengakhirinya menggunakan end. Jadi dalam aplikasi Hopfield ini, terlebih dahulu ditelusuri adalah variable arah angin, dimulai dari baris pertama sampai terakhir, kemudian baris pertama sampai terakhir untuk kolom kedua dan seterusnya sampai pada variable 57

8 terakhir, yaitu variable tekanan udara. Dari penelusuran yang berulangulang ini, diperintahkan juga pemilihan atau seleksi nilainilai yang telah ditentukan. Statement ini dengan menggunakan switch diikuti dengan case dan diakhiri dengan end. Untuk variable pertama adalah arah angin, dari setiap elemen arah angin ini jika nilai < 50 maka nilai dirubah menjadi. Jika nilai > 00, maka akan diubah menjadi dan jika bukan keduanya, dia akan menjadi 0. Begitu seterusnya sampai dengan variable yang dinginkan nilai kriterianya. PSatlins(i,j)=; PSatlins(i,j)=0; case 4 PReal(i,j)>00 PSatlins(i,j)=; PReal(i,j)<006 else end if elseif [Baris Kolom]=size(PReal); for i=:baris for j=:kolom switch i case if PReal(i,j)<50 PSatlins(i,j)=; PReal(i,j)>00 PSatlins(i,j)=; PSatlins(i,j)=0; PReal(i,j)>9 case elseif else end if PSatlins(i,j)=; PSatlins(i,j)=0; end end end else end Data target yang akan dicapai ada 3 (tiga) yaitu cerah, berawan hujan, dan 4 (empat) variable/unsur cuaca dengan bentuk bipolar. Jadi target adalah sebuah matrik yang berukuran 4 x 3. T =[ ;... ;... ]'; PSatlins(i,j)=; PReal(i,j)<6 PSatlins(i,j)=; PSatlins(i,j)=0; PReal(i,j)<70 PSatlins(i,j)=; PReal(i,j)>85 58 case 3 elseif else end if elseif.. Membangun Jaringan Hopfield Untuk membangun jaringan Hopfield dapat digunakan fungsi newhop. Fungsi : net = newhop(t) T : matriks target berukuran RxQ dengan nilai + atau, R adalah sebagai kriterianya (3 kriteria, yaitu cerah, berawan dan hujan). Q adalah sebagai elemen target atau variabelnya (4 variabel, yaitu arah angin, suhu udara, kelembaban udara, dan tekanan udara). Pada fungsi newhop, jaringan membangun lapisan tunggal, yaitu input kemudian proses ke lapisan output. Apabila output belum mencapai kestabilan atau konvergen, hasil JURNAL METEOROLOGI DAN GEOFISIKA VOLUME 0 NOMOR TAHUN 009 : 5 75

9 ISSN: 4308 dari output akan kembali menjadi inputan, terusmenerus sampai kepada kondisi stabil/konvergen. Untuk mencapai konvergen diperlukan energi lyapunov, yaitu dengan cara dotproduct yang bekerjanya menghitung input vector dikalikan dengan kolomkolom pada bobot hingga menghasilkan output vector = input vector. Fungsi pada dotproduct digunakan fungsi bipolar. Fungsi transfer pada newhop adalah satlins (symetric saturating linear)...3 Penggunaan Bobot Bobot untuk bias dihitung dengan random dan bobot lapisan didapatkan dari beberapa kali percobaan kemudian diputuskan atau diambil yang terbaik. Pada fasilitas MATLAB perintahnya adalah sebagai berikut : net.lw{,} =[0 5 ; 0 5;5 0 ; 5 0]; Bobot_Lapisan = net.lw{,}; Bobot_Bias = net.b{}; Jadi bobot lapisan (Layer Weight) adalah matrik 4 x 4 yang sudah ditentukan dan bobot biasnya adalah random matrik 4 x. Bobotbobot tersebut hanya memiliki sebuah atau satu matrik, karena dalam jaringan Hopfield hanya memiliki lapisan tunggal...4 Simulasi Jaringan Hopfield Perintah dari simulasi ini adalah : [Y,Pf,Af] = sim(net,{ 60},{},a); Y : menghasilkan output jaringan. Pf : menghasilkan final input delay yang sudah dalam bentuk satlins. Af : menghasilkan final layer delay (target) yang ingin dicapai (cerah, berawan, hujan). sim : melakukan simulasi, yaitu sebuah fungsi yang terdiri dari net, { 60},{ }, a net : arsitektur jaringan, jadi jaringan ini yang akan digunakan untuk melakukan simulasinya. { 60} : suatu himpunan yang terdiri dari sampai dengan 60, yaitu proses atau langkah satu () sampai dengan enam puluh (60) { } : suatu himpunan kosong, initial input delay a : variabel yang berisi matrik atau menghasilkan input yang sudah dalam bentuk satlins..5 Output Jaringan Hopfield Output jaringan ada 60 langkah dengan 7 kolom. Kolom sampai dengan 4 adalah kriteria cerah, kolom 5 sampai dengan 48 adalah kriteria berawan dan kolom 49 sampai dengan 7 adalah kriteria hujan. Karena output yang muncul sangat banyak, di bawah ini dibuatkan tabel output agar lebih mudah dibaca. 59

10 Tabel 3 Output Untuk Kriteria Cerah KRITERIA CERAH CERAH CERAH CERAH CERAH CERAH CERAH CERAH CERAH JAM (WIB) LANGKAH [5.035e07;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;.935e06;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 3 [6.9704e06;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 4 [;;3.363e05;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 5 [.6866e04;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 6 [;;8.407e04;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 7 [4.08e03;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 8 [;;.053e0;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 9 [.057e0;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 0 [;;5.633e0;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [.636e00;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;.358e009;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 3 [6.579e009;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 4 [;;3.895e008;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 5 [.6448e007;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 6 [;;8.38e007;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 7 [4.9e006;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 8 [;;.056e005;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 9 [ ;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 0 [;; ;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [ ;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;0.085;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 3 [ ;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 4 [;;0.34;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 5 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 6 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 7 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 8 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 9 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 30 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 3 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 3 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 33 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 34 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 35 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 36 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 37 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 38 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 39 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 40 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 4 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 4 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 43 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 44 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 45 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 46 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 47 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 48 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 49 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 50 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 5 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 5 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 53 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 54 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 55 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 56 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 57 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 58 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 59 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 60 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 60 JURNAL METEOROLOGI DAN GEOFISIKA VOLUME 0 NOMOR TAHUN 009 : 5 75

11 ISSN: 4308 Lanjutan Tabel 3 KRITERIA CERAH CERAH CERAH CERAH CERAH JAM (WIB) LANGKAH [;;;] [;;;] [;;;] [5.035e07;;;] [5.035e07;;.8e06;] [;;;] [;;;] [;;;] [;;.935e06;] [5.6063e06;;.935e06;] 3 [;;;] [;;;] [;;;] [6.9704e06;;;] [6.9704e06;;.953e05;] 4 [;;;] [;;;] [;;;] [;;3.363e05;] [.4576e04;;3.363e05;] 5 [;;;] [;;;] [;;;] [.6866e04;;;] [.6866e04;;7.3003e04;] 6 [;;;] [;;;] [;;;] [;;8.407e04;] [3.6496e03;;8.407e04;] 7 [;;;] [;;;] [;;;] [4.08e03;;;] [4.08e03;;.849e0;] 8 [;;;] [;;;] [;;;] [;;.053e0;] [9.46e0;;.053e0;] 9 [;;;] [;;;] [;;;] [.057e0;;;] [.057e0;;4.563e0;] 0 [;;;] [;;;] [;;;] [;;5.633e0;] [.8e00;;5.633e0;] [;;;] [;;;] [;;;] [.636e00;;;] [.636e00;;.406e009;] [;;;] [;;;] [;;;] [;;.358e009;] [5.709e009;;.358e009;] 3 [;;;] [;;;] [;;;] [6.579e009;;;] [6.579e009;;.855e008;] 4 [;;;] [;;;] [;;;] [;;3.895e008;] [.457e007;;3.895e008;] 5 [;;;] [;;;] [;;;] [.6448e007;;;] [.6448e007;;7.86e007;] 6 [;;;] [;;;] [;;;] [;;8.38e007;] [3.5643e006;;8.38e007;] 7 [;;;] [;;;] [;;;] [4.9e006;;;] [4.9e006;;.78e005;] 8 [;;;] [;;;] [;;;] [;;.056e005;] [8.908e005;;.056e005;] 9 [;;;] [;;;] [;;;] [ ;;;] [ ;; ;] 0 [;;;] [;;;] [;;;] [;; ;] [0.0077;; ;] [;;;] [;;;] [;;;] [ ;;;] [ ;;0.039;] [;;;] [;;;] [;;;] [;;0.085;] [ ;;0.085;] 3 [;;;] [;;;] [;;;] [ ;;;] [ ;;0.7846;] 4 [;;;] [;;;] [;;;] [;;0.34;] [;;0.34;] 5 [;;;] [;;;] [;;;] [;;;] [;;;] 6 [;;;] [;;;] [;;;] [;;;] [;;;] 7 [;;;] [;;;] [;;;] [;;;] [;;;] 8 [;;;] [;;;] [;;;] [;;;] [;;;] 9 [;;;] [;;;] [;;;] [;;;] [;;;] 30 [;;;] [;;;] [;;;] [;;;] [;;;] 3 [;;;] [;;;] [;;;] [;;;] [;;;] 3 [;;;] [;;;] [;;;] [;;;] [;;;] 33 [;;;] [;;;] [;;;] [;;;] [;;;] 34 [;;;] [;;;] [;;;] [;;;] [;;;] 35 [;;;] [;;;] [;;;] [;;;] [;;;] 36 [;;;] [;;;] [;;;] [;;;] [;;;] 37 [;;;] [;;;] [;;;] [;;;] [;;;] 38 [;;;] [;;;] [;;;] [;;;] [;;;] 39 [;;;] [;;;] [;;;] [;;;] [;;;] 40 [;;;] [;;;] [;;;] [;;;] [;;;] 4 [;;;] [;;;] [;;;] [;;;] [;;;] 4 [;;;] [;;;] [;;;] [;;;] [;;;] 43 [;;;] [;;;] [;;;] [;;;] [;;;] 44 [;;;] [;;;] [;;;] [;;;] [;;;] 45 [;;;] [;;;] [;;;] [;;;] [;;;] 46 [;;;] [;;;] [;;;] [;;;] [;;;] 47 [;;;] [;;;] [;;;] [;;;] [;;;] 48 [;;;] [;;;] [;;;] [;;;] [;;;] 49 [;;;] [;;;] [;;;] [;;;] [;;;] 50 [;;;] [;;;] [;;;] [;;;] [;;;] 5 [;;;] [;;;] [;;;] [;;;] [;;;] 5 [;;;] [;;;] [;;;] [;;;] [;;;] 53 [;;;] [;;;] [;;;] [;;;] [;;;] 54 [;;;] [;;;] [;;;] [;;;] [;;;] 55 [;;;] [;;;] [;;;] [;;;] [;;;] 56 [;;;] [;;;] [;;;] [;;;] [;;;] 57 [;;;] [;;;] [;;;] [;;;] [;;;] 58 [;;;] [;;;] [;;;] [;;;] [;;;] 59 [;;;] [;;;] [;;;] [;;;] [;;;] 60 [;;;] [;;;] [;;;] [;;;] [;;;] 6

12 Lanjutan Tabel 3 KRITERIA CERAH CERAH CERAH JAM (WIB) LANGKAH [5.035e07;;.8e06;][5.035e07;;.8e06;] [5.035e07;;.8e06;] [5.6063e06;;.935e06;][5.6063e06;;.935e06;] [5.6063e06;;.935e06;] 3 [6.9704e06;;.953e05;][6.9704e06;;.953e05;] [6.9704e06;;.953e05;] 4 [.4576e04;;3.363e05;][.4576e04;;3.363e05;] [.4576e04;;3.363e05;] 5 [.6866e04;;7.3003e04;][.6866e04;;7.3003e04;] [.6866e04;;7.3003e04;] 6 [3.6496e03;;8.407e04;][3.6496e03;;8.407e04;] [3.6496e03;;8.407e04;] 7 [4.08e03;;.849e0;][4.08e03;;.849e0;] [4.08e03;;.849e0;] 8 [9.46e0;;.053e0;][9.46e0;;.053e0;] [9.46e0;;.053e0;] 9 [.057e0;;4.563e0;][.057e0;;4.563e0;] [.057e0;;4.563e0;] 0 [.8e00;;5.633e0;][.8e00;;5.633e0;] [.8e00;;5.633e0;] [.636e00;;.406e009;][.636e00;;.406e009;] [.636e00;;.406e009;] [5.709e009;;.358e009;][5.709e009;;.358e009;] [5.709e009;;.358e009;] 3 [6.579e009;;.855e008;][6.579e009;;.855e008;] [6.579e009;;.855e008;] 4 [.457e007;;3.895e008;][.457e007;;3.895e008;] [.457e007;;3.895e008;] 5 [.6448e007;;7.86e007;][.6448e007;;7.86e007;] [.6448e007;;7.86e007;] 6 [3.5643e006;;8.38e007;][3.5643e006;;8.38e007;] [3.5643e006;;8.38e007;] 7 [4.9e006;;.78e005;][4.9e006;;.78e005;] [4.9e006;;.78e005;] 8 [8.908e005;;.056e005;] [8.908e005;;.056e005;] [8.908e005;;.056e005;] 9 [ ;; ;] [ ;; ;] [ ;; ;] 0 [0.0077;; ;] [0.0077;; ;] [0.0077;; ;] [ ;;0.039;] [ ;;0.039;] [ ;;0.039;] [ ;;0.085;] [ ;;0.085;] [ ;;0.085;] 3 [ ;;0.7846;] [ ;;0.7846;] [ ;;0.7846;] 4 [;;0.34;] [;;0.34;] [;;0.34;] 5 [;;;] [;;;] [;;;] 6 [;;;] [;;;] [;;;] 7 [;;;] [;;;] [;;;] 8 [;;;] [;;;] [;;;] 9 [;;;] [;;;] [;;;] 30 [;;;] [;;;] [;;;] 3 [;;;] [;;;] [;;;] 3 [;;;] [;;;] [;;;] 33 [;;;] [;;;] [;;;] 34 [;;;] [;;;] [;;;] 35 [;;;] [;;;] [;;;] 36 [;;;] [;;;] [;;;] 37 [;;;] [;;;] [;;;] 38 [;;;] [;;;] [;;;] 39 [;;;] [;;;] [;;;] 40 [;;;] [;;;] [;;;] 4 [;;;] [;;;] [;;;] 4 [;;;] [;;;] [;;;] 43 [;;;] [;;;] [;;;] 44 [;;;] [;;;] [;;;] 45 [;;;] [;;;] [;;;] 46 [;;;] [;;;] [;;;] 47 [;;;] [;;;] [;;;] 48 [;;;] [;;;] [;;;] 49 [;;;] [;;;] [;;;] 50 [;;;] [;;;] [;;;] 5 [;;;] [;;;] [;;;] 5 [;;;] [;;;] [;;;] 53 [;;;] [;;;] [;;;] 54 [;;;] [;;;] [;;;] 55 [;;;] [;;;] [;;;] 56 [;;;] [;;;] [;;;] 57 [;;;] [;;;] [;;;] 58 [;;;] [;;;] [;;;] 59 [;;;] [;;;] [;;;] 60 [;;;] [;;;] [;;;] 6 JURNAL METEOROLOGI DAN GEOFISIKA VOLUME 0 NOMOR TAHUN 009 : 5 75

13 ISSN: 4308 Lanjutan Tabel 3 KRITERIA CERAH CERAH CERAH CERAH CERAH CERAH CERAH JAM (WIB) LANGKAH [5.035e07;;.8e06;] [5.035e07;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [5.6063e06;;.935e06;] [;;.935e06;] [;;;] [;;;] [;;;] [;;;] [;;;] 3 [6.9704e06;;.953e05;] [6.9704e06;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 4 [.4576e04;;3.363e05;] [;;3.363e05;] [;;;] [;;;] [;;;] [;;;] [;;;] 5 [.6866e04;;7.3003e04;] [.6866e04;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 6 [3.6496e03;;8.407e04;] [;;8.407e04;] [;;;] [;;;] [;;;] [;;;] [;;;] 7 [4.08e03;;.849e0;] [4.08e03;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 8 [9.46e0;;.053e0;] [;;.053e0;] [;;;] [;;;] [;;;] [;;;] [;;;] 9 [.057e0;;4.563e0;] [.057e0;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 0 [.8e00;;5.633e0;] [;;5.633e0;] [;;;] [;;;] [;;;] [;;;] [;;;] [.636e00;;.406e009;] [.636e00;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [5.709e009;;.358e009;] [;;.358e009;] [;;;] [;;;] [;;;] [;;;] [;;;] 3 [6.579e009;;.855e008;] [6.579e009;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 4 [.457e007;;3.895e008;] [;;3.895e008;] [;;;] [;;;] [;;;] [;;;] [;;;] 5 [.6448e007;;7.86e007;] [.6448e007;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 6 [3.5643e006;;8.38e007;] [;;8.38e007;] [;;;] [;;;] [;;;] [;;;] [;;;] 7 [4.9e006;;.78e005;] [4.9e006;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 8 [8.908e005;;.056e005;] [;;.056e005;] [;;;] [;;;] [;;;] [;;;] [;;;] 9 [ ;; ;] [ ;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 0 [0.0077;; ;] [;; ;] [;;;] [;;;] [;;;] [;;;] [;;;] [ ;;0.039;] [ ;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [ ;;0.085;] [;;0.085;] [;;;] [;;;] [;;;] [;;;] [;;;] 3 [ ;;0.7846;] [ ;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 4 [;;0.34;] [;;0.34;] [;;;] [;;;] [;;;] [;;;] [;;;] 5 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 6 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 7 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 8 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 9 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 30 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 3 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 3 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 33 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 34 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 35 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 36 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 37 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 38 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 39 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 40 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 4 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 4 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 43 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 44 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 45 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 46 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 47 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 48 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 49 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 50 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 5 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 5 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 53 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 54 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 55 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 56 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 57 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 58 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 59 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 60 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 63

14 Tabel 4 Output Untuk Kriteria Berawan KRITERIA BERAWAN BERAWAN BERAWAN BERAWAN BERAWAN BERAWAN BERAWAN JAM (WIB) LANGKAH [5.035e07;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;.8e06;] [;;.935e06;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 3 [6.9704e06;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 4 [;;3.363e05;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 5 [.6866e04;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 6 [;;8.407e04;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 7 [4.08e03;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 8 [;;.053e0;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 9 [.057e0;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 0 [;;5.633e0;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [.636e00;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;.358e009;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 3 [6.579e009;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 4 [;;3.895e008;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 5 [.6448e007;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 6 [;;8.38e007;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 7 [4.9e006;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 8 [;;.056e005;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 9 [ ;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 0 [;; ;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [ ;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;0.085;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 3 [ ;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 4 [;;0.34;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 5 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 6 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 7 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 8 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 9 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 30 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 3 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 3 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 33 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 34 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 35 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 36 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 37 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 38 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 39 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 40 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 4 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 4 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 43 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 44 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 45 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 46 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 47 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 48 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 49 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 50 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 5 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 5 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 53 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 54 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 55 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 56 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 57 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 58 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 59 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 60 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 64 JURNAL METEOROLOGI DAN GEOFISIKA VOLUME 0 NOMOR TAHUN 009 : 5 75

15 ISSN: 4308 Lanjutan Tabel 4 KRITERIA BERAWAN BERAWAN BERAWAN BERAWAN JAM (WIB) LANGKAH [;;.8e06;] [;;.8e06;] [;;.8e06;] [5.035e07;.638e07;.8e06;3.63e07] [;;;] [;;;] [;;;] [6.684e06;3.69e06;.59e07;.889e06] 3 [;;;] [;;;] [;;;] [.0635e05;.757e05;4.686e05;.9384e05] 4 [;;;] [;;;] [;;;] [3.477e04;.63e04;.683e04;.536e04] 5 [;;;] [;;;] [;;;] [.876e03;.98e03;.7704e03;.343e03] 6 [;;;] [;;;] [;;;] [.334e0;.0999e0;.864e0;.0775e0] 7 [;;;] [;;;] [;;;] [.7676e0;.874e0;.99e0;.8855e0] 8 [;;;] [;;;] [;;;] [.748e00;.6947e00;.6357e00;.689e00] 9 [;;;] [;;;] [;;;] [.4946e009;.53e009;.5508e009;.54e009] 0 [;;;] [;;;] [;;;] [.3845e008;.37e008;.3564e008;.3697e008] [;;;] [;;;] [;;;] [.64e007;.33e007;.404e007;.337e007] [;;;] [;;;] [;;;] [.36e006;.0e006;.065e006;.099e006] 3 [;;;] [;;;] [;;;] [9.978e006;9.9895e006;.0008e005;9.99e006] 4 [;;;] [;;;] [;;;] [9.000e005;8.998e005;8.986e005;8.9909e005] 5 [;;;] [;;;] [;;;] [ ; ; ; ] 6 [;;;] [;;;] [;;;] [ ; ; ; ] 7 [;;;] [;;;] [;;;] [ ; ; ; ] 8 [;;;] [;;;] [;;;] [ ;0.5899; ;0.5899] 9 [;;;] [;;;] [;;;] [;;;] 0 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 3 [;;;] [;;;] [;;;] [;;;] 4 [;;;] [;;;] [;;;] [;;;] 5 [;;;] [;;;] [;;;] [;;;] 6 [;;;] [;;;] [;;;] [;;;] 7 [;;;] [;;;] [;;;] [;;;] 8 [;;;] [;;;] [;;;] [;;;] 9 [;;;] [;;;] [;;;] [;;;] 30 [;;;] [;;;] [;;;] [;;;] 3 [;;;] [;;;] [;;;] [;;;] 3 [;;;] [;;;] [;;;] [;;;] 33 [;;;] [;;;] [;;;] [;;;] 34 [;;;] [;;;] [;;;] [;;;] 35 [;;;] [;;;] [;;;] [;;;] 36 [;;;] [;;;] [;;;] [;;;] 37 [;;;] [;;;] [;;;] [;;;] 38 [;;;] [;;;] [;;;] [;;;] 39 [;;;] [;;;] [;;;] [;;;] 40 [;;;] [;;;] [;;;] [;;;] 4 [;;;] [;;;] [;;;] [;;;] 4 [;;;] [;;;] [;;;] [;;;] 43 [;;;] [;;;] [;;;] [;;;] 44 [;;;] [;;;] [;;;] [;;;] 45 [;;;] [;;;] [;;;] [;;;] 46 [;;;] [;;;] [;;;] [;;;] 47 [;;;] [;;;] [;;;] [;;;] 48 [;;;] [;;;] [;;;] [;;;] 49 [;;;] [;;;] [;;;] [;;;] 50 [;;;] [;;;] [;;;] [;;;] 5 [;;;] [;;;] [;;;] [;;;] 5 [;;;] [;;;] [;;;] [;;;] 53 [;;;] [;;;] [;;;] [;;;] 54 [;;;] [;;;] [;;;] [;;;] 55 [;;;] [;;;] [;;;] [;;;] 56 [;;;] [;;;] [;;;] [;;;] 57 [;;;] [;;;] [;;;] [;;;] 58 [;;;] [;;;] [;;;] [;;;] 59 [;;;] [;;;] [;;;] [;;;] 60 [;;;] [;;;] [;;;] [;;;] 65

16 Lanjutan Tabel 4 KRITERIA BERAWAN BERAWAN BERAWAN JAM (WIB) LANGKAH [5.035e07;;.8e06;] [5.035e07;;.8e06;] [5.035e07;;.8e06;] [5.6063e06;;.935e06;] [5.6063e06;;.935e06;] [5.6063e06;;.935e06;] 3 [6.9704e06;;.953e05;] [6.9704e06;;.953e05;] [6.9704e06;;.953e05;] 4 [.4576e04;;3.363e05;] [.4576e04;;3.363e05;] [.4576e04;;3.363e05;] 5 [.6866e04;;7.3003e04;] [.6866e04;;7.3003e04;] [.6866e04;;7.3003e04;] 6 [3.6496e03;;8.407e04;] [3.6496e03;;8.407e04;] [3.6496e03;;8.407e04;] 7 [4.08e03;;.849e0;] [4.08e03;;.849e0;] [4.08e03;;.849e0;] 8 [9.46e0;;.053e0;] [9.46e0;;.053e0;] [9.46e0;;.053e0;] 9 [.057e0;;4.563e0;] [.057e0;;4.563e0;] [.057e0;;4.563e0;] 0 [.8e00;;5.633e0;] [.8e00;;5.633e0;] [.8e00;;5.633e0;] [.636e00;;.406e009;] [.636e00;;.406e009;] [.636e00;;.406e009;] [5.709e009;;.358e009;] [5.709e009;;.358e009;] [5.709e009;;.358e009;] 3 [6.579e009;;.855e008;] [6.579e009;;.855e008;] [6.579e009;;.855e008;] 4 [.457e007;;3.895e008;] [.457e007;;3.895e008;] [.457e007;;3.895e008;] 5 [.6448e007;;7.86e007;] [.6448e007;;7.86e007;] [.6448e007;;7.86e007;] 6 [3.5643e006;;8.38e007;] [3.5643e006;;8.38e007;] [3.5643e006;;8.38e007;] 7 [4.9e006;;.78e005;] [4.9e006;;.78e005;] [4.9e006;;.78e005;] 8 [8.908e005;;.056e005;] [8.908e005;;.056e005;] [8.908e005;;.056e005;] 9 [ ;; ;] [ ;; ;] [ ;; ;] 0 [0.0077;; ;] [0.0077;; ;] [0.0077;; ;] [ ;;0.039;] [ ;;0.039;] [ ;;0.039;] [ ;;0.085;] [ ;;0.085;] [ ;;0.085;] 3 [ ;;0.7846;] [ ;;0.7846;] [ ;;0.7846;] 4 [;;0.34;] [;;0.34;] [;;0.34;] 5 [;;;] [;;;] [;;;] 6 [;;;] [;;;] [;;;] 7 [;;;] [;;;] [;;;] 8 [;;;] [;;;] [;;;] 9 [;;;] [;;;] [;;;] 30 [;;;] [;;;] [;;;] 3 [;;;] [;;;] [;;;] 3 [;;;] [;;;] [;;;] 33 [;;;] [;;;] [;;;] 34 [;;;] [;;;] [;;;] 35 [;;;] [;;;] [;;;] 36 [;;;] [;;;] [;;;] 37 [;;;] [;;;] [;;;] 38 [;;;] [;;;] [;;;] 39 [;;;] [;;;] [;;;] 40 [;;;] [;;;] [;;;] 4 [;;;] [;;;] [;;;] 4 [;;;] [;;;] [;;;] 43 [;;;] [;;;] [;;;] 44 [;;;] [;;;] [;;;] 45 [;;;] [;;;] [;;;] 46 [;;;] [;;;] [;;;] 47 [;;;] [;;;] [;;;] 48 [;;;] [;;;] [;;;] 49 [;;;] [;;;] [;;;] 50 [;;;] [;;;] [;;;] 5 [;;;] [;;;] [;;;] 5 [;;;] [;;;] [;;;] 53 [;;;] [;;;] [;;;] 54 [;;;] [;;;] [;;;] 55 [;;;] [;;;] [;;;] 56 [;;;] [;;;] [;;;] 57 [;;;] [;;;] [;;;] 58 [;;;] [;;;] [;;;] 59 [;;;] [;;;] [;;;] 60 [;;;] [;;;] [;;;] 66 JURNAL METEOROLOGI DAN GEOFISIKA VOLUME 0 NOMOR TAHUN 009 : 5 75

17 ISSN: 4308 Lanjutan Tabel 4 KRITERIA BERAWAN BERAWAN BERAWAN JAM (WIB) LANGKAH [5.035e07;;.8e06;] [5.035e07;;.8e06;] [5.035e07;;.8e06;] [5.6063e06;;.935e06;] [5.6063e06;;.935e06;] [5.6063e06;;.935e06;] 3 [6.9704e06;;.953e05;] [6.9704e06;;.953e05;] [6.9704e06;;.953e05;] 4 [.4576e04;;3.363e05;] [.4576e04;;3.363e05;] [.4576e04;;3.363e05;] 5 [.6866e04;;7.3003e04;] [.6866e04;;7.3003e04;] [.6866e04;;7.3003e04;] 6 [3.6496e03;;8.407e04;] [3.6496e03;;8.407e04;] [3.6496e03;;8.407e04;] 7 [4.08e03;;.849e0;] [4.08e03;;.849e0;] [4.08e03;;.849e0;] 8 [9.46e0;;.053e0;] [9.46e0;;.053e0;] [9.46e0;;.053e0;] 9 [.057e0;;4.563e0;] [.057e0;;4.563e0;] [.057e0;;4.563e0;] 0 [.8e00;;5.633e0;] [.8e00;;5.633e0;] [.8e00;;5.633e0;] [.636e00;;.406e009;] [.636e00;;.406e009;] [.636e00;;.406e009;] [5.709e009;;.358e009;] [5.709e009;;.358e009;] [5.709e009;;.358e009;] 3 [6.579e009;;.855e008;] [6.579e009;;.855e008;] [6.579e009;;.855e008;] 4 [.457e007;;3.895e008;] [.457e007;;3.895e008;] [.457e007;;3.895e008;] 5 [.6448e007;;7.86e007;] [.6448e007;;7.86e007;] [.6448e007;;7.86e007;] 6 [3.5643e006;;8.38e007;] [3.5643e006;;8.38e007;] [3.5643e006;;8.38e007;] 7 [4.9e006;;.78e005;] [4.9e006;;.78e005;] [4.9e006;;.78e005;] 8 [8.908e005;;.056e005;] [8.908e005;;.056e005;] [8.908e005;;.056e005;] 9 [ ;; ;] [ ;; ;] [ ;; ;] 0 [0.0077;; ;] [0.0077;; ;] [0.0077;; ;] [ ;;0.039;] [ ;;0.039;] [ ;;0.039;] [ ;;0.085;] [ ;;0.085;] [ ;;0.085;] 3 [ ;;0.7846;] [ ;;0.7846;] [ ;;0.7846;] 4 [;;0.34;] [;;0.34;] [;;0.34;] 5 [;;;] [;;;] [;;;] 6 [;;;] [;;;] [;;;] 7 [;;;] [;;;] [;;;] 8 [;;;] [;;;] [;;;] 9 [;;;] [;;;] [;;;] 30 [;;;] [;;;] [;;;] 3 [;;;] [;;;] [;;;] 3 [;;;] [;;;] [;;;] 33 [;;;] [;;;] [;;;] 34 [;;;] [;;;] [;;;] 35 [;;;] [;;;] [;;;] 36 [;;;] [;;;] [;;;] 37 [;;;] [;;;] [;;;] 38 [;;;] [;;;] [;;;] 39 [;;;] [;;;] [;;;] 40 [;;;] [;;;] [;;;] 4 [;;;] [;;;] [;;;] 4 [;;;] [;;;] [;;;] 43 [;;;] [;;;] [;;;] 44 [;;;] [;;;] [;;;] 45 [;;;] [;;;] [;;;] 46 [;;;] [;;;] [;;;] 47 [;;;] [;;;] [;;;] 48 [;;;] [;;;] [;;;] 49 [;;;] [;;;] [;;;] 50 [;;;] [;;;] [;;;] 5 [;;;] [;;;] [;;;] 5 [;;;] [;;;] [;;;] 53 [;;;] [;;;] [;;;] 54 [;;;] [;;;] [;;;] 55 [;;;] [;;;] [;;;] 56 [;;;] [;;;] [;;;] 57 [;;;] [;;;] [;;;] 58 [;;;] [;;;] [;;;] 59 [;;;] [;;;] [;;;] 60 [;;;] [;;;] [;;;] 67

18 Lanjutan Tabel 4 KRITERIA BERAWAN BERAWAN BERAWAN BERAWAN JAM (WIB) LANGKAH [5.035e07;;.8e06;] [;;;] [;.638e07;;] [;;;] [5.6063e06;;.935e06;] [;;;] [;;;] [;;;] 3 [6.9704e06;;.953e05;] [;;;] [;;;] [;;;] 4 [.4576e04;;3.363e05;] [;;;] [;;;] [;;;] 5 [.6866e04;;7.3003e04;] [;;;] [;;;] [;;;] 6 [3.6496e03;;8.407e04;] [;;;] [;;;] [;;;] 7 [4.08e03;;.849e0;] [;;;] [;;;] [;;;] 8 [9.46e0;;.053e0;] [;;;] [;;;] [;;;] 9 [.057e0;;4.563e0;] [;;;] [;;;] [;;;] 0 [.8e00;;5.633e0;] [;;;] [;;;] [;;;] [.636e00;;.406e009;] [;;;] [;;;] [;;;] [5.709e009;;.358e009;] [;;;] [;;;] [;;;] 3 [6.579e009;;.855e008;] [;;;] [;;;] [;;;] 4 [.457e007;;3.895e008;] [;;;] [;;;] [;;;] 5 [.6448e007;;7.86e007;] [;;;] [;;;] [;;;] 6 [3.5643e006;;8.38e007;] [;;;] [;;;] [;;;] 7 [4.9e006;;.78e005;] [;;;] [;;;] [;;;] 8 [8.908e005;;.056e005;] [;;;] [;;;] [;;;] 9 [ ;; ;] [;;;] [;;;] [;;;] 0 [0.0077;; ;] [;;;] [;;;] [;;;] [ ;;0.039;] [;;;] [;;;] [;;;] [ ;;0.085;] [;;;] [;;;] [;;;] 3 [ ;;0.7846;] [;;;] [;;;] [;;;] 4 [;;0.34;] [;;;] [;;;] [;;;] 5 [;;;] [;;;] [;;;] [;;;] 6 [;;;] [;;;] [;;;] [;;;] 7 [;;;] [;;;] [;;;] [;;;] 8 [;;;] [;;;] [;;;] [;;;] 9 [;;;] [;;;] [;;;] [;;;] 30 [;;;] [;;;] [;;;] [;;;] 3 [;;;] [;;;] [;;;] [;;;] 3 [;;;] [;;;] [;;;] [;;;] 33 [;;;] [;;;] [;;;] [;;;] 34 [;;;] [;;;] [;;;] [;;;] 35 [;;;] [;;;] [;;;] [;;;] 36 [;;;] [;;;] [;;;] [;;;] 37 [;;;] [;;;] [;;;] [;;;] 38 [;;;] [;;;] [;;;] [;;;] 39 [;;;] [;;;] [;;;] [;;;] 40 [;;;] [;;;] [;;;] [;;;] 4 [;;;] [;;;] [;;;] [;;;] 4 [;;;] [;;;] [;;;] [;;;] 43 [;;;] [;;;] [;;;] [;;;] 44 [;;;] [;;;] [;;;] [;;;] 45 [;;;] [;;;] [;;;] [;;;] 46 [;;;] [;;;] [;;;] [;;;] 47 [;;;] [;;;] [;;;] [;;;] 48 [;;;] [;;;] [;;;] [;;;] 49 [;;;] [;;;] [;;;] [;;;] 50 [;;;] [;;;] [;;;] [;;;] 5 [;;;] [;;;] [;;;] [;;;] 5 [;;;] [;;;] [;;;] [;;;] 53 [;;;] [;;;] [;;;] [;;;] 54 [;;;] [;;;] [;;;] [;;;] 55 [;;;] [;;;] [;;;] [;;;] 56 [;;;] [;;;] [;;;] [;;;] 57 [;;;] [;;;] [;;;] [;;;] 58 [;;;] [;;;] [;;;] [;;;] 59 [;;;] [;;;] [;;;] [;;;] 60 [;;;] [;;;] [;;;] [;;;] 68 JURNAL METEOROLOGI DAN GEOFISIKA VOLUME 0 NOMOR TAHUN 009 : 5 75

19 ISSN: 4308 Lanjutan Tabel 4 KRITERIA BERAWAN BERAWAN BERAWAN JAM (WIB) LANGKAH [;;;] [;;.8e06;] [;;.8e06;] [;;;] [5.6063e06;;;] [5.6063e06;;;] 3 [;;;] [;;.953e05;] [;;.953e05;] 4 [;;;] [.4576e04;;;] [.4576e04;;;] 5 [;;;] [;;7.3003e04;] [;;7.3003e04;] 6 [;;;] [3.6496e03;;;] [3.6496e03;;;] 7 [;;;] [;;.849e0;] [;;.849e0;] 8 [;;;] [9.46e0;;;] [9.46e0;;;] 9 [;;;] [;;4.563e0;] [;;4.563e0;] 0 [;;;] [.8e00;;;] [.8e00;;;] [;;;] [;;.406e009;] [;;.406e009;] [;;;] [5.709e009;;;] [5.709e009;;;] 3 [;;;] [;;.855e008;] [;;.855e008;] 4 [;;;] [.457e007;;;] [.457e007;;;] 5 [;;;] [;;7.86e007;] [;;7.86e007;] 6 [;;;] [3.5643e006;;;] [3.5643e006;;;] 7 [;;;] [;;.78e005;] [;;.78e005;] 8 [;;;] [8.908e005;;;] [8.908e005;;;] 9 [;;;] [;; ;] [;; ;] 0 [;;;] [0.0077;;;] [0.0077;;;] [;;;] [;;0.039;] [;;0.039;] [;;;] [ ;;;] [ ;;;] 3 [;;;] [;;0.7846;] [;;0.7846;] 4 [;;;] [;;;] [;;;] 5 [;;;] [;;;] [;;;] 6 [;;;] [;;;] [;;;] 7 [;;;] [;;;] [;;;] 8 [;;;] [;;;] [;;;] 9 [;;;] [;;;] [;;;] 30 [;;;] [;;;] [;;;] 3 [;;;] [;;;] [;;;] 3 [;;;] [;;;] [;;;] 33 [;;;] [;;;] [;;;] 34 [;;;] [;;;] [;;;] 35 [;;;] [;;;] [;;;] 36 [;;;] [;;;] [;;;] 37 [;;;] [;;;] [;;;] 38 [;;;] [;;;] [;;;] 39 [;;;] [;;;] [;;;] 40 [;;;] [;;;] [;;;] 4 [;;;] [;;;] [;;;] 4 [;;;] [;;;] [;;;] 43 [;;;] [;;;] [;;;] 44 [;;;] [;;;] [;;;] 45 [;;;] [;;;] [;;;] 46 [;;;] [;;;] [;;;] 47 [;;;] [;;;] [;;;] 48 [;;;] [;;;] [;;;] 49 [;;;] [;;;] [;;;] 50 [;;;] [;;;] [;;;] 5 [;;;] [;;;] [;;;] 5 [;;;] [;;;] [;;;] 53 [;;;] [;;;] [;;;] 54 [;;;] [;;;] [;;;] 55 [;;;] [;;;] [;;;] 56 [;;;] [;;;] [;;;] 57 [;;;] [;;;] [;;;] 58 [;;;] [;;;] [;;;] 59 [;;;] [;;;] [;;;] 60 [;;;] [;;;] [;;;] 69

20 Tabel 5 Output Untuk Kriteria Hujan KRITERIA HUJAN HUJAN HUJAN HUJAN HUJAN JAM (WIB) LANGKAH [;;;] [;;;] [;.638e07;;3.63e07] [5.035e07;;;] [5.035e07;;;] [;;;] [;;;] [;.7895e06;;.4445e06] [;;;] [;;.935e06;] 3 [;;;] [;;;] [;7.449e06;;9.606e06] [;;;] [6.975e06;;;] 4 [;;;] [;;;] [;4.659e05;;3.7557e05] [;;;] [;;3.3635e05;] 5 [;;;] [;;;] [;.880e04;;.396e04] [;;;] [.6868e04;;;] 6 [;;;] [;;;] [;.65e03;;9.4037e04] [;;;] [;;8.48e04;] 7 [;;;] [;;;] [;4.70e03;;5.854e03] [;;;] [4.4e03;;;] 8 [;;;] [;;;] [;.97e0;;.35e0] [;;;] [;;.056e0;] 9 [;;;] [;;;] [;.755e0;;.4564e0] [;;;] [.058e0;;;] 0 [;;;] [;;;] [;7.88e0;;5.8777e0] [;;;] [;;5.64e0;] [;;;] [;;;] [;.9389e00;;3.6409e00] [;;;] [.63e00;;;] [;;;] [;;;] [;.805e009;;.4694e009] [;;;] [;;.36e009;] 3 [;;;] [;;;] [;7.347e009;;9.03e009] [;;;] [6.5799e009;;;] 4 [;;;] [;;;] [;4.55e008;;3.6736e008] [;;;] [;;3.9e008;] 5 [;;;] [;;;] [;.8368e007;;.756e007] [;;;] [.645e007;;;] 6 [;;;] [;;;] [;.378e006;;9.839e007] [;;;] [;;8.49e007;] 7 [;;;] [;;;] [;4.59e006;;5.6889e006] [;;;] [4.5e006;;;] 8 [;;;] [;;;] [;.8445e005;;.96e005] [;;;] [;;.056e005;] 9 [;;;] [;;;] [; ;;0.0004] [;;;] [ ;;;] 0 [;;;] [;;;] [;0.0007;; ] [;;;] [;; ;] [;;;] [;;;] [;0.0087;; ] [;;;] [ ;;;] [;;;] [;;;] [; ;;0.0435] [;;;] [;;0.085;] 3 [;;;] [;;;] [; ;; ] [;;;] [ ;;;] 4 [;;;] [;;;] [; ;; ] [;;;] [;;0.39;] 5 [;;;] [;;;] [;;;] [;;;] [;;;] 6 [;;;] [;;;] [;;;] [;;;] [;;;] 7 [;;;] [;;;] [;;;] [;;;] [;;;] 8 [;;;] [;;;] [;;;] [;;;] [;;;] 9 [;;;] [;;;] [;;;] [;;;] [;;;] 30 [;;;] [;;;] [;;;] [;;;] [;;;] 3 [;;;] [;;;] [;;;] [;;;] [;;;] 3 [;;;] [;;;] [;;;] [;;;] [;;;] 33 [;;;] [;;;] [;;;] [;;;] [;;;] 34 [;;;] [;;;] [;;;] [;;;] [;;;] 35 [;;;] [;;;] [;;;] [;;;] [;;;] 36 [;;;] [;;;] [;;;] [;;;] [;;;] 37 [;;;] [;;;] [;;;] [;;;] [;;;] 38 [;;;] [;;;] [;;;] [;;;] [;;;] 39 [;;;] [;;;] [;;;] [;;;] [;;;] 40 [;;;] [;;;] [;;;] [;;;] [;;;] 4 [;;;] [;;;] [;;;] [;;;] [;;;] 4 [;;;] [;;;] [;;;] [;;;] [;;;] 43 [;;;] [;;;] [;; ;] [;;;] [;;;] 44 [;;;] [;;;] [0.9999;;;] [;;;] [;;;] 45 [;;;] [;;;] [;; ;] [;;;] [;;;] 46 [;;;] [;;;] [ ;;;] [;;;] [;;;] 47 [;;;] [;;;] [;; ;] [;;;] [;;;] 48 [;;;] [;;;] [ ;;;] [;;;] [;;;] 49 [;;;] [;;;] [;;0.747;] [;;;] [;;;] 50 [;;;] [;;;] [ ;;;] [;;;] [;;;] 5 [;;;] [;;;] [;;;] [;;;] [;;;] 5 [;;;] [;;;] [;;;] [;;;] [;;;] 53 [;;;] [;;;] [;;;] [;;;] [;;;] 54 [;;;] [;;;] [;;;] [;;;] [;;;] 55 [;;;] [;;;] [;;;] [;;;] [;;;] 56 [;;;] [;;;] [;;;] [;;;] [;;;] 57 [;;;] [;;;] [;;;] [;;;] [;;;] 58 [;;;] [;;;] [;;;] [;;;] [;;;] 59 [;;;] [;;;] [;;;] [;;;] [;;;] 60 [;;;] [;;;] [;;;] [;;;] [;;;] 70 JURNAL METEOROLOGI DAN GEOFISIKA VOLUME 0 NOMOR TAHUN 009 : 5 75

21 ISSN: 4308 Lanjutan Tabel.5 KRITERIA HUJAN HUJAN HUJAN HUJAN HUJAN HUJAN HUJAN JAM (WIB) LANGKAH [5.035e07;;;] [;;;3.[;;;] [;;;] [;;;] [;;;] [;;;] [;;.935e06;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 3 [6.975e06;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 4 [;;3.3635e05;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 5 [.6868e04;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 6 [;;8.48e04;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 7 [4.4e03;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 8 [;;.056e0;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 9 [.058e0;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 0 [;;5.64e0;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [.63e00;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;.36e009;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 3 [6.5799e009;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 4 [;;3.9e008;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 5 [.645e007;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 6 [;;8.49e007;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 7 [4.5e006;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 8 [;;.056e005;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 9 [ ;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 0 [;; ;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [ ;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;0.085;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 3 [ ;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 4 [;;0.39;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 5 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 6 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 7 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 8 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 9 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 30 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 3 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 3 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 33 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 34 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 35 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 36 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 37 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 38 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 39 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 40 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 4 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 4 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 43 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 44 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 45 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 46 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 47 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 48 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 49 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 50 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 5 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 5 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 53 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 54 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 55 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 56 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 57 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 58 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 59 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 60 [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] [;;;] 7

APLIKASI HOPFIELD NEURAL NETWORK UNTUK PRAKIRAAN CUACA

APLIKASI HOPFIELD NEURAL NETWORK UNTUK PRAKIRAAN CUACA 1 APLIKASI HOPFIELD NEURAL NETWORK UNTUK PRAKIRAAN CUACA Nama : Septima Ernawati Nomor Induk Mahasiswa : J2A306005 Skripsi Sebagai Salah Satu Syarat Untuk Memperoleh Gelar Sarjana Sains Pada Jurusan Matematika

Lebih terperinci

Perbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation

Perbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation 65 Perbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation Risty Jayanti Yuniar, Didik Rahadi S. dan Onny Setyawati Abstrak - Kecepatan angin dan curah

Lebih terperinci

BAB III PERANCANGAN SISTEM

BAB III PERANCANGAN SISTEM BAB III PERANCANGAN SISTEM Dalam pengerjaan perancangan dan pembuatan aplikasi pengenalan karakter alfanumerik JST algoritma Hopfield ini menggunakan software Borland Delphi 7.0. 3.1 Alur Proses Sistem

Lebih terperinci

Metode Jaringan Saraf Tiruan Propagasi Balik Untuk Estimasi Curah Hujan Bulanan di Ketapang Kalimantan Barat

Metode Jaringan Saraf Tiruan Propagasi Balik Untuk Estimasi Curah Hujan Bulanan di Ketapang Kalimantan Barat Prosiding Semirata FMIPA Universitas Lampung, 2013 Metode Jaringan Saraf Tiruan Propagasi Balik Untuk Estimasi Curah Hujan Bulanan di Ketapang Kalimantan Barat Andi Ihwan Prodi Fisika FMIPA Untan, Pontianak

Lebih terperinci

KINERJA ARSITEKTUR MADALINE DALAM MEMPREDIKSI CUACA DENGAN MENGGUNAKAN PARAMETER SUHU, KELEMBAPAN UDARA DAN CURAH HUJAN

KINERJA ARSITEKTUR MADALINE DALAM MEMPREDIKSI CUACA DENGAN MENGGUNAKAN PARAMETER SUHU, KELEMBAPAN UDARA DAN CURAH HUJAN KINERJA ARSITEKTUR MADALINE DALAM MEMPREDIKSI CUACA DENGAN MENGGUNAKAN PARAMETER SUHU, KELEMBAPAN UDARA DAN CURAH HUJAN Dianta Hasri Natalius Barus / 0422083 Jurusan Teknik Elektro, Fakultas Teknik, Jl.

Lebih terperinci

APLIKASI JARINGAN SYARAF TIRUAN MULTI LAYER PERCEPTRON PADA APLIKASI PRAKIRAAN CUACA

APLIKASI JARINGAN SYARAF TIRUAN MULTI LAYER PERCEPTRON PADA APLIKASI PRAKIRAAN CUACA Aplikasi Jaringan Syaraf Tiruan Multilayer Perceptron (Joni Riadi dan Nurmahaludin) APLIKASI JARINGAN SYARAF TIRUAN MULTI LAYER PERCEPTRON PADA APLIKASI PRAKIRAAN CUACA Joni Riadi (1) dan Nurmahaludin

Lebih terperinci

Jaringan syaraf dengan lapisan tunggal

Jaringan syaraf dengan lapisan tunggal Jaringan syaraf adalah merupakan salah satu representasi buatan dari otak manusia yang mencoba untuk mensimulasikan proses pembelajaran pada otak manusia. Syaraf manusia Jaringan syaraf dengan lapisan

Lebih terperinci

BAB II NEURAL NETWORK (NN)

BAB II NEURAL NETWORK (NN) BAB II NEURAL NETWORK (NN) 2.1 Neural Network (NN) Secara umum Neural Network (NN) adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan syaraf manusia. NN ini merupakan

Lebih terperinci

BAB VIII JARINGAN SYARAF TIRUAN

BAB VIII JARINGAN SYARAF TIRUAN BAB VIII JARINGAN SYARAF TIRUAN A. OTAK MANUSIA Otak manusia berisi berjuta-juta sel syaraf yang bertugas untuk memproses informasi. Tiaptiap sel bekerja seperti suatu prosesor sederhana. Masing-masing

Lebih terperinci

Architecture Net, Simple Neural Net

Architecture Net, Simple Neural Net Architecture Net, Simple Neural Net 1 Materi 1. Model Neuron JST 2. Arsitektur JST 3. Jenis Arsitektur JST 4. MsCulloh Pitts 5. Jaringan Hebb 2 Model Neuron JST X1 W1 z n wi xi; i1 y H ( z) Y1 X2 Y2 W2

Lebih terperinci

BAB 2 LANDASAN TEORI. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu

BAB 2 LANDASAN TEORI. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu BAB 2 LANDASAN TEORI 2.1 Pengenalan Suara. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu speech recognition dan speaker recognition. Speech recognition adalah proses yang dilakukan

Lebih terperinci

ABSTRAK. Kata Kunci : Curah Hujan, Levenberg Marquardt, Backpropagation. ABSTRACT

ABSTRAK. Kata Kunci : Curah Hujan, Levenberg Marquardt, Backpropagation. ABSTRACT ABSTRAK Dufan, Ariel. 2016. Prediksi Curah Hujan Dengan Menggunakan Algoritma Levenberg- Marquardt Dan Backpropagation (Studi Kasus : BMKG Kota Tanjungpinang), Skripsi. Tanjungpinang: Jurusan Teknik Informatika,

Lebih terperinci

PREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK

PREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK PREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, Erlinda Ningsih 2 1 Dosen Teknik Informatika, STMIK Potensi Utama 2 Mahasiswa Sistem Informasi, STMIK

Lebih terperinci

PENERAPAN LOGIKA FUZZY UNTUK MEMPREDIKSI CUACA HARIAN DI BANJARBARU

PENERAPAN LOGIKA FUZZY UNTUK MEMPREDIKSI CUACA HARIAN DI BANJARBARU PENERAPAN LOGIKA FUZZY UNTUK MEMPREDIKSI CUACA HARIAN DI BANJARBARU Uli Mahanani 1, Arfan Eko Fahrudin 1, dan Nurlina 1 ABSTRACT. Information about the weather is very important because the weather is

Lebih terperinci

BACKPROPAGATION NEURAL NETWORK AS A METHOD OF FORECASTING ON CALCULATION INFLATION RATE IN JAKARTA AND SURABAYA

BACKPROPAGATION NEURAL NETWORK AS A METHOD OF FORECASTING ON CALCULATION INFLATION RATE IN JAKARTA AND SURABAYA BACKPROPAGATION NEURAL NETWORK AS A METHOD OF FORECASTING ON CALCULATION INFLATION RATE IN JAKARTA AND SURABAYA Anggi Purnama Undergraduate Program, Computer Science, 2007 Gunadarma Universiy http://www.gunadarma.ac.id

Lebih terperinci

STUDI ESTIMASI CURAH HUJAN, SUHU DAN KELEMBABAN UDARA DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION

STUDI ESTIMASI CURAH HUJAN, SUHU DAN KELEMBABAN UDARA DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION STUDI ESTIMASI CURAH HUJAN, SUHU DAN KELEMBABAN UDARA DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Muh. Ishak Jumarang 1), Lyra Andromeda 2) dan Bintoro Siswo Nugroho 3) 1,3) Jurusan Fisika,

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Hujan merupakan salah satu bentuk presipitasi uap air yang berasal dari awan yang terdapat diatmosfer, titik-titik air di udara atau awan yang sudah terlalu

Lebih terperinci

POSITRON, Vol. IV, No. 2 (2014), Hal ISSN :

POSITRON, Vol. IV, No. 2 (2014), Hal ISSN : Modifikasi Estimasi Curah Hujan Satelit TRMM Dengan Metode Jaringan Syaraf Tiruan Propagasi Balik Studi Kasus Stasiun Klimatologi Siantan Fanni Aditya 1)2)*, Joko Sampurno 2), Andi Ihwan 2) 1)BMKG Stasiun

Lebih terperinci

Jaringan Syaraf Tiruan

Jaringan Syaraf Tiruan Jaringan Syaraf Tiruan Pendahuluan Otak Manusia Sejarah Komponen Jaringan Syaraf Arisitektur Jaringan Fungsi Aktivasi Proses Pembelajaran Pembelajaran Terawasi Jaringan Kohonen Referensi Sri Kusumadewi

Lebih terperinci

Jaringan Syaraf Tiruan. Disusun oleh: Liana Kusuma Ningrum

Jaringan Syaraf Tiruan. Disusun oleh: Liana Kusuma Ningrum Jaringan Syaraf Tiruan Disusun oleh: Liana Kusuma Ningrum Susilo Nugroho Drajad Maknawi M0105047 M0105068 M01040 Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas Maret

Lebih terperinci

PENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION

PENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 1, Tahun 2016, Halaman 203-209 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD

Lebih terperinci

BAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK)

BAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) BAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Kompetensi : 1. Mahasiswa memahami konsep Jaringan Syaraf Tiruan Sub Kompetensi : 1. Dapat mengetahui sejarah JST 2. Dapat mengetahui macam-macam

Lebih terperinci

Estimasi Suhu Udara Bulanan Kota Pontianak Berdasarkan Metode Jaringan Syaraf Tiruan

Estimasi Suhu Udara Bulanan Kota Pontianak Berdasarkan Metode Jaringan Syaraf Tiruan Estimasi Suhu Udara Bulanan Kota Pontianak Berdasarkan Metode Jaringan Syaraf Tiruan Andi Ihwan 1), Yudha Arman 1) dan Iis Solehati 1) 1) Prodi Fisika FMIPA UNTAN Abstrak Fluktuasi suhu udara berdasarkan

Lebih terperinci

JARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM

JARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM JARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM INTRODUCTION Jaringan Saraf Tiruan atau JST adalah merupakan salah satu representasi tiruan dari otak manusia yang selalu

Lebih terperinci

Realisasi Pengenalan Tulisan Tangan Menggunakan Jaringan Syaraf Tiruan dengan Metode Kohonen

Realisasi Pengenalan Tulisan Tangan Menggunakan Jaringan Syaraf Tiruan dengan Metode Kohonen Realisasi Pengenalan Tulisan Tangan Menggunakan Jaringan Syaraf Tiruan dengan Metode Kohonen David Novyanto Candra/0322003 Email: dave_christnc@yahoo.com Jurusan Teknik Elektro, Fakultas Teknik, Jln.Prof.Drg.Suria

Lebih terperinci

ARTIFICIAL NEURAL NETWORK TEKNIK PERAMALAN - A

ARTIFICIAL NEURAL NETWORK TEKNIK PERAMALAN - A ARTIFICIAL NEURAL NETWORK CAHYA YUNITA 5213100001 ALVISHA FARRASITA 5213100057 NOVIANTIANDINI 5213100075 TEKNIK PERAMALAN - A MATERI Neural Network Neural Network atau dalam bahasa Indonesia disebut Jaringan

Lebih terperinci

PENERAPAN FUZZY INFERENCE SYSTEM PADA PREDIKSI CURAH HUJAN DI SURABAYA UTARA

PENERAPAN FUZZY INFERENCE SYSTEM PADA PREDIKSI CURAH HUJAN DI SURABAYA UTARA LOGO PENERAPAN FUZZY INFERENCE SYSTEM PADA PREDIKSI CURAH HUJAN DI SURABAYA UTARA Oleh: DYNES RIZKY NAVIANTI (1208100017) JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI

Lebih terperinci

Prediksi Curah Hujan Di Kota Pontianak Menggunakan Parameter Cuaca Sebagai Prediktor Pada Skala Bulanan, Dasarian Dan Harian Asri Rachmawati 1)*

Prediksi Curah Hujan Di Kota Pontianak Menggunakan Parameter Cuaca Sebagai Prediktor Pada Skala Bulanan, Dasarian Dan Harian Asri Rachmawati 1)* Prediksi Curah Hujan Di Kota Pontianak Menggunakan Parameter Cuaca Sebagai Prediktor Pada Skala Bulanan, Dasarian Dan Harian Asri Rachmawati 1)* 1)Stasiun Meteorologi Supadio Pontianak Badan Meteorologi

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.6. Jaringan Syaraf Tiruan Jaringan syaraf tiruan atau neural network merupakan suatu sistem informasi yang mempunyai cara kerja dan karakteristik menyerupai jaringan syaraf pada

Lebih terperinci

BAB 2 LANDASAN TEORI. fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses

BAB 2 LANDASAN TEORI. fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses 8 BAB 2 LANDASAN TEORI 2.1 Teori Neuro Fuzzy Neuro-fuzzy sebenarnya merupakan penggabungan dari dua studi utama yaitu fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses

Lebih terperinci

Jaringan Syaraf Tiruan

Jaringan Syaraf Tiruan Jaringan Syaraf Tiruan (Artificial Neural Network) Intelligent Systems Pembahasan Jaringan McCulloch-Pitts Jaringan Hebb Perceptron Jaringan McCulloch-Pitts Model JST Pertama Diperkenalkan oleh McCulloch

Lebih terperinci

PENGGUNAAN METODE JARINGAN NEURAL PERCEPTRON UNTUK MENGENAL POLA KARAKTER KAPITAL

PENGGUNAAN METODE JARINGAN NEURAL PERCEPTRON UNTUK MENGENAL POLA KARAKTER KAPITAL J. Pilar Sains 6 (2) Juli 2007 Jurusan Pendidikan MIPA FKIP Universitas Riau ISSN 1412-5595 PENGGUNAAN METODE JARINGAN NEURAL PERCEPTRON UNTUK MENGENAL POLA KARAKTER KAPITAL Zaiful Bahri 1 Dosen Program

Lebih terperinci

ANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK

ANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK ANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, M. Rhifky Wayahdi 2 1 Dosen Teknik Informatika,

Lebih terperinci

BAB III METODE PENELITIAN. menjawab segala permasalahan yang ada dalam penelitian ini.

BAB III METODE PENELITIAN. menjawab segala permasalahan yang ada dalam penelitian ini. BAB III METODE PENELITIAN Pada bab ini akan dijelaskan bahan yang digunakan dalam membantu menyelesaikan permasalahan, dan juga langkah-langkah yang dilakukan dalam menjawab segala permasalahan yang ada

Lebih terperinci

BAB I PENDAHULUAN 1.1. Latar Belakang

BAB I PENDAHULUAN 1.1. Latar Belakang BAB I PENDAHULUAN 1.1. Latar Belakang Dalam perkembangan teknologi yang semakin pesat ini banyak sekali perubahan perkembangan yang telah terjadi untuk membantu kehidupan masyarakat. Dalam perkembangan

Lebih terperinci

POSITRON, Vol. V, No. 1 (2015), Hal ISSN :

POSITRON, Vol. V, No. 1 (2015), Hal ISSN : POSITRON, Vol. V, No. (5), Hal. - 5 ISSN : -97 Prediksi Ketinggian Gelombang Laut Perairan Laut Jawa Bagian Barat Sebelah Utara Jakarta dengan Metode Jaringan Syaraf Tiruan Propagasi Balik Prada Wellyantama

Lebih terperinci

BAB I PENDAHULUAN. Utara yang mana secara geografis terletak pada Lintang Utara

BAB I PENDAHULUAN. Utara yang mana secara geografis terletak pada Lintang Utara BAB I PENDAHULUAN 1.1. Latar Belakang Kota Medan merupakan salah satu kota yang terdapat di Provinsi Sumatera Utara yang mana secara geografis terletak pada 2 27 00-2 47 00 Lintang Utara dan 98 35 00-98

Lebih terperinci

ANALISA CUACA TERKAIT KEJADIAN HUJAN EKSTREM SURABAYA DI SURABAYA TANGGAL 24 NOVEMBER 2017

ANALISA CUACA TERKAIT KEJADIAN HUJAN EKSTREM SURABAYA DI SURABAYA TANGGAL 24 NOVEMBER 2017 B M K G BADAN METEOROLOGI KLIMATOLOGI DAN GEOFISIKA STASIUN METEOROLOGI KLAS I JUANDA SURABAYA Alamat : Bandar Udara Juanda Surabaya, Telp. 031 8668989, Fax. 031 8675342, 8673119 E-mail : meteojud@gmail.com,

Lebih terperinci

MENGENALI FUNGSI LOGIKA AND MELALUI PEMROGRAMAN PERCEPTRON DENGAN MATLAB

MENGENALI FUNGSI LOGIKA AND MELALUI PEMROGRAMAN PERCEPTRON DENGAN MATLAB POLITEKNOSAINS VOL. X NO. 2 Juni 2011 MENGENALI FUNGSI LOGIKA AND MELALUI PEMROGRAMAN PERCEPTRON DENGAN MATLAB Yaya Finayani Teknik Elektro, Politeknik Pratama Mulia, Surakarta 57149, Indonesia ABSTRACT

Lebih terperinci

SISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON

SISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON Jurnal Informatika Mulawarman Vol. 7 No. 3 Edisi September 2012 105 SISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON Anindita Septiarini Program Studi Ilmu Komputer FMIPA,

Lebih terperinci

Key words: Artificial Neural Network, Exponential Smoothing, Prediction, Electrical Energy Need.

Key words: Artificial Neural Network, Exponential Smoothing, Prediction, Electrical Energy Need. PREDIKSI KEBUTUHAN ENERGI LISTRIK SULAWESI UTARA MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN METODE EXPONENTIAL SMOOTHING Febry Hontong 1), Tritiya Arungpadang 2), Johan Neyland 3) Jurusan Teknik Mesin Universitas

Lebih terperinci

PRISMA FISIKA, Vol. I, No. 1 (2013), Hal ISSN :

PRISMA FISIKA, Vol. I, No. 1 (2013), Hal ISSN : Prediksi Tinggi Signifikan Gelombang Laut Di Sebagian Wilayah Perairan Indonesia Menggunakan Jaringan Syaraf Tiruan Metode Propagasi Balik Abraham Isahk Bekalani, Yudha Arman, Muhammad Ishak Jumarang Program

Lebih terperinci

BAB 3 METODOLOGI PENELITIAN

BAB 3 METODOLOGI PENELITIAN BAB 3 METODOLOGI PENELITIAN 3.1. Data Yang Digunakan Dalam melakukan penelitian ini, penulis membutuhkan data input dalam proses jaringan saraf tiruan backpropagation. Data tersebut akan digunakan sebagai

Lebih terperinci

ANALISIS UNSUR CUACA BULAN FEBRUARI 2018 DI STASIUN METEOROLOGI MALIKUSSALEH-ACEH UTARA. Oleh Febryanto Simanjuntak S.Tr

ANALISIS UNSUR CUACA BULAN FEBRUARI 2018 DI STASIUN METEOROLOGI MALIKUSSALEH-ACEH UTARA. Oleh Febryanto Simanjuntak S.Tr ANALISIS UNSUR CUACA BULAN FEBRUARI 2018 DI STASIUN METEOROLOGI MALIKUSSALEH-ACEH UTARA Oleh Febryanto Simanjuntak S.Tr Stasiun Meteorologi Klas III Malikussaleh Aceh Utara adalah salah satu Unit Pelaksana

Lebih terperinci

ANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN DAN REGRESI LINEAR BERGANDA PADA PRAKIRAAN CUACA

ANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN DAN REGRESI LINEAR BERGANDA PADA PRAKIRAAN CUACA ANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN DAN REGRESI LINEAR BERGANDA PADA PRAKIRAAN CUACA Nurmahaludin (1) (1) Staf Pengajar Jurusan Teknik Elektro Politeknik Negeri Banjarmasin Ringkasan Kebutuhan

Lebih terperinci

RANCANG BANGUN TOOL UNTUK JARINGAN SYARAF TIRUAN (JST) MODEL PERCEPTRON

RANCANG BANGUN TOOL UNTUK JARINGAN SYARAF TIRUAN (JST) MODEL PERCEPTRON RANCANG BANGUN TOOL UNTUK JARINGAN SYARAF TIRUAN (JST) MODEL PERCEPTRON Liza Afriyanti Laboratorium Komputasi dan Sistem Cerdas Jurusan Teknik Informatika, Fakultas Teknologi Industri,Universitas Islam

Lebih terperinci

Perancangan Perangkat Lunak Pengenal Tulisan Tangan Sambung Menggunakan Jaringan Saraf Tiruan Dengan Metode Hopfield

Perancangan Perangkat Lunak Pengenal Tulisan Tangan Sambung Menggunakan Jaringan Saraf Tiruan Dengan Metode Hopfield Perancangan Perangkat Lunak Pengenal Tulisan Tangan Sambung Menggunakan Jaringan Saraf Tiruan Dengan Metode Hopfield William Susanto Tandiari/0322139 Email: Williams_tandiari@yahoo.com Jurusan Teknik Elektro,

Lebih terperinci

PEMANFAATAN NEURAL NETWORK PERCEPTRON PADA PENGENALAN POLA KARAKTER

PEMANFAATAN NEURAL NETWORK PERCEPTRON PADA PENGENALAN POLA KARAKTER PEMANFAATAN NEURAL NETWORK PERCEPTRON PADA PENGENALAN POLA KARAKTER Fakultas Teknologi Informasi Universitas Merdeka Malang Abstract: Various methods on artificial neural network has been applied to identify

Lebih terperinci

DAFTAR ISI. Halaman Judul. Lembar Pengesahan Pembimbing. Lembar Pengesahan Penguji. Halaman Persembahan. Halaman Motto. Kata Pengantar.

DAFTAR ISI. Halaman Judul. Lembar Pengesahan Pembimbing. Lembar Pengesahan Penguji. Halaman Persembahan. Halaman Motto. Kata Pengantar. DAFTAR ISI Halaman Judul i Lembar Pengesahan Pembimbing ii Lembar Pengesahan Penguji iii Halaman Persembahan iv Halaman Motto v Kata Pengantar vi Abstraksi viii Daftar Isi ix Daftar Gambar xii Daftar Tabel

Lebih terperinci

PENGELOMPOKAN DATA ANGIN PUTING BELIUNG DENGAN MENGGUNAKAN LVQ

PENGELOMPOKAN DATA ANGIN PUTING BELIUNG DENGAN MENGGUNAKAN LVQ PENGELOMPOKAN DATA ANGIN PUTING BELIUNG DENGAN MENGGUNAKAN LVQ Fenny Fitriani Fakultas Keguruan Ilmu Pidikan, Univeritas PGRI Adi Buana Surabaya email: fennyftiriani@gmail.com Abstrak Pada tahun 2007,

Lebih terperinci

SATIN Sains dan Teknologi Informasi

SATIN Sains dan Teknologi Informasi SATIN - Sains dan Teknologi Informasi, Vol. 2, No. 1, Juni 2015 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Jaringan Syaraf Tiruan untuk Memprediksi Prestasi

Lebih terperinci

APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK

APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK [1] Meishytah Eka Aprilianti, [2] Dedi Triyanto, [3] Ilhamsyah [1] [2] [3] Jurusan Sistem Komputer, Fakultas

Lebih terperinci

STUDI TENTANG KOMPARASI DATA TEKANAN UDARA PADA BAROMETER DIGITAL DAN AUTOMATIC WEATHER SISTEM (AWOS) DI STASIUN METEOROLOGI HASANUDDIN MAKASSAR

STUDI TENTANG KOMPARASI DATA TEKANAN UDARA PADA BAROMETER DIGITAL DAN AUTOMATIC WEATHER SISTEM (AWOS) DI STASIUN METEOROLOGI HASANUDDIN MAKASSAR STUDI TENTANG KOMPARASI DATA TEKANAN UDARA PADA BAROMETER DIGITAL DAN AUTOMATIC WEATHER SISTEM (AWOS) DI STASIUN METEOROLOGI HASANUDDIN MAKASSAR Cahya Swastika Populasi 1, Pariabti Palloan 2, Nasrul Ihsan

Lebih terperinci

ANALISA VALIDASI PERALATAN METEOROLOGI KONVENSIONAL DAN DIGITAL DI STASIUN METEOROLOGI SAM RATULANGI oleh

ANALISA VALIDASI PERALATAN METEOROLOGI KONVENSIONAL DAN DIGITAL DI STASIUN METEOROLOGI SAM RATULANGI oleh ANALISA VALIDASI PERALATAN METEOROLOGI KONVENSIONAL DAN DIGITAL DI STASIUN METEOROLOGI SAM RATULANGI oleh (1) Leonard Lalumedja, (2) Derek Missy, (3) Dinna Kartika Pasha Putri, (4) Dinna Kartika Pasha

Lebih terperinci

Prediksi Jangka Pendek Debit Aliran Irigasi Seluma dengan Menggunakan Jaringan Syaraf Tiruan

Prediksi Jangka Pendek Debit Aliran Irigasi Seluma dengan Menggunakan Jaringan Syaraf Tiruan Prediksi Jangka Pendek Debit Aliran Irigasi Seluma dengan Menggunakan Jaringan Syaraf Tiruan Supiyati, Syamsul Bahri dan Iwan Erdi Abstract: Penelitian mengenai prediksi jangka pendek debit aliran irigasi

Lebih terperinci

IV. HASIL DAN PEMBAHASAN

IV. HASIL DAN PEMBAHASAN IV. HASIL DAN PEMBAHASAN 4.1 Kondisi Lingkungan Mengetahui kondisi lingkungan tempat percobaan sangat penting diketahui karena diharapkan faktor-faktor luar yang berpengaruh terhadap percobaan dapat diketahui.

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 2.1 Jaringan Syaraf Tiruan Jaringan syaraf tiruan atau dikenal sebagai Artificial Neural Network adalah algoritma yang diaplikasikan ke dalam proses komputasi komputer dengan mengadaptasi

Lebih terperinci

BAB 2 TINJAUAN PUSTAKA

BAB 2 TINJAUAN PUSTAKA BAB 2 TINJAUAN PUSTAKA Pada bab ini akan diuraikan materi yang mendukung dalam pembahasan evaluasi implementasi sistem informasi akademik berdasarkan pengembangan model fit HOT menggunakan regresi linier

Lebih terperinci

MODUL 8 APLIKASI NEURAL NETWORK DAN FUZZY LOGIC PADA PERKIRAAN CUACA

MODUL 8 APLIKASI NEURAL NETWORK DAN FUZZY LOGIC PADA PERKIRAAN CUACA MODUL 8 APLIKASI NEURAL NETWORK DAN FUZZY LOGIC PADA PERKIRAAN CUACA Muhammad Ilham 10211078 Program Studi Fisika, Institut Teknologi Bandung, Indonesia Email: muhammad_ilham@students.itb.ac.id Asisten:

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 2.1 Jaringan Syaraf Biologi Jaringan Syaraf Tiruan merupakan suatu representasi buatan dari otak manusia yang dibuat agar dapat mensimulasikan apa yang dipejalari melalui proses pembelajaran

Lebih terperinci

ANALISIS DERET BERKALA MULTIVARIAT DENGAN MENGGUNAKAN MODEL FUNGSI TRANSFER: STUDI KASUS CURAH HUJAN DI KOTA MALANG

ANALISIS DERET BERKALA MULTIVARIAT DENGAN MENGGUNAKAN MODEL FUNGSI TRANSFER: STUDI KASUS CURAH HUJAN DI KOTA MALANG ANALISIS DERET BERKALA MULTIVARIAT DENGAN MENGGUNAKAN MODEL FUNGSI TRANSFER: STUDI KASUS CURAH HUJAN DI KOTA MALANG Fachrul Ulum Febriansyah dan Abadyo Universitas Negeri Malang E-mail: fachrul.febrian@gmail.com

Lebih terperinci

BAB III PERANCANGAN SISTEM

BAB III PERANCANGAN SISTEM BAB III PERANCANGAN SISTEM 3.1 Definisi Masalah Dalam beberapa tahun terakhir perkembangan Computer Vision terutama dalam bidang pengenalan wajah berkembang pesat, hal ini tidak terlepas dari pesatnya

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1. Forecasting Forecasting (peramalan) adalah seni dan ilmu untuk memperkirakan kejadian di masa yang akan datang. Hal ini dapat dilakukan dengan melibatkan data historis dan memproyeksikannya

Lebih terperinci

BAB III PEMBAHASAN. harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni 2017.

BAB III PEMBAHASAN. harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni 2017. BAB III PEMBAHASAN Data yang digunakan dalam bab ini diasumsikan sebagai data perkiraan harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni 2017. Dengan demikian dapat disusun model Fuzzy

Lebih terperinci

BAB 2 TINJAUAN PUSTAKA

BAB 2 TINJAUAN PUSTAKA 7 BAB 2 TINJAUAN PUSTAKA 2.1 Jaringan Syaraf Biologi Otak manusia memiliki struktur yang sangat kompleks dan memiliki kemampuan yang luar biasa. Otak terdiri dari neuron-neuron dan penghubung yang disebut

Lebih terperinci

ANALISIS HUJAN BULAN MEI 2011 DAN PRAKIRAAN HUJAN BULAN JULI, AGUSTUS DAN SEPTEMBER 2011 PROVINSI DKI JAKARTA

ANALISIS HUJAN BULAN MEI 2011 DAN PRAKIRAAN HUJAN BULAN JULI, AGUSTUS DAN SEPTEMBER 2011 PROVINSI DKI JAKARTA ANALISIS HUJAN BULAN MEI 2011 DAN PRAKIRAAN HUJAN BULAN JULI, AGUSTUS DAN SEPTEMBER 2011 PROVINSI DKI JAKARTA Sumber : BADAN METEOROLOGI, KLIMATOLOGI DAN GEOFISIKA STASIUN KLIMATOLOGI PONDOK BETUNG TANGERANG

Lebih terperinci

ANALISA CUACA TERKAIT KEJADIAN ANGIN KENCANG DI PRAMBON SIDOARJO TANGGAL 02 APRIL 2018

ANALISA CUACA TERKAIT KEJADIAN ANGIN KENCANG DI PRAMBON SIDOARJO TANGGAL 02 APRIL 2018 B M K G BADAN METEOROLOGI KLIMATOLOGI DAN GEOFISIKA STASIUN METEOROLOGI KLAS I JUANDA SURABAYA Alamat : Bandar Udara Juanda Surabaya, Telp. 031 8668989, Fax. 031 8675342, 8673119 E-mail : meteojud@gmail.com,

Lebih terperinci

BAB I PENDAHULUAN. Perubahan iklim merupakan perubahan jangka panjang dalam

BAB I PENDAHULUAN. Perubahan iklim merupakan perubahan jangka panjang dalam BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Perubahan iklim merupakan perubahan jangka panjang dalam distribusi pola cuaca secara statistik dengan periode waktu mulai dasawarsa hingga jutaan tahun. Hal

Lebih terperinci

PERANCANGAN PERANGKAT LUNAK PREDIKTOR CUACA BERBASIS LOGIKA FUZZY

PERANCANGAN PERANGKAT LUNAK PREDIKTOR CUACA BERBASIS LOGIKA FUZZY PERANCANGAN PERANGKAT LUNAK PREDIKTOR CUACA BERBASIS LOGIKA FUZZY Oleh Ilham Bangun Asmoro 2407 100 030 Dosen Pembimbing : Ir. Syamsul Arifin, MT Fitri Adi I., ST, MT Jurusan Teknik Fisika Fakultas Teknologi

Lebih terperinci

EVALUASI MODEL JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK PREDIKSI IKLIM EKSTRIM DENGAN KORELASI CURAH HUJAN DAN TINGGI MUKA LAUT DI SEMARANG

EVALUASI MODEL JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK PREDIKSI IKLIM EKSTRIM DENGAN KORELASI CURAH HUJAN DAN TINGGI MUKA LAUT DI SEMARANG Youngster Physics Journal ISSN : 2302-7371 Vol. 4, No. 1, Januari 2015, Hal 67-72 EVALUASI MODEL JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK PREDIKSI IKLIM EKSTRIM DENGAN KORELASI CURAH HUJAN DAN

Lebih terperinci

PENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION

PENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION PENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION Amriana 1 Program Studi D1 Teknik Informatika Jurusan Teknik Elektro Fakultas Teknik UNTAD ABSTRAK Jaringan saraf tiruan untuk aplikasi

Lebih terperinci

APLIKASI JARINGAN SYARAF TIRUAN DALAM PENGHITUNGAN PERSENTASE KEBENARAN KLASIFIKASI PADA KLASIFIKASI JURUSAN SISWA DI SMA N 8 SURAKARTA

APLIKASI JARINGAN SYARAF TIRUAN DALAM PENGHITUNGAN PERSENTASE KEBENARAN KLASIFIKASI PADA KLASIFIKASI JURUSAN SISWA DI SMA N 8 SURAKARTA APLIKASI JARINGAN SYARAF TIRUAN DALAM PENGHITUNGAN PERSENTASE KEBENARAN KLASIFIKASI PADA KLASIFIKASI JURUSAN SISWA DI SMA N 8 SURAKARTA Pembimbing: Desi Fitria Utami M0103025 Drs. Y. S. Palgunadi, M. Sc

Lebih terperinci

Farah Zakiyah Rahmanti

Farah Zakiyah Rahmanti Farah Zakiyah Rahmanti Latar Belakang Struktur Dasar Jaringan Syaraf Manusia Konsep Dasar Permodelan JST Fungsi Aktivasi JST Contoh dan Program Jaringan Sederhana Metode Pelatihan Supervised Learning Unsupervised

Lebih terperinci

BAB III PEMBAHASAN. FRBFNN, Arsitektur FRBFNN, aplikasi FRBFNN untuk meramalkan kebutuhan

BAB III PEMBAHASAN. FRBFNN, Arsitektur FRBFNN, aplikasi FRBFNN untuk meramalkan kebutuhan BAB III PEMBAHASAN Pada bab ini berisi mengenai FRBFNN, prosedur pembentukan model FRBFNN, Arsitektur FRBFNN, aplikasi FRBFNN untuk meramalkan kebutuhan listrik di D.I Yogyakarta. A. Radial Basis Function

Lebih terperinci

SISTEM PENDUKUNG KEPUTUSAN PERAMALAN CUACA DENGAN MENGGUNAKAN LOGIKA FUZZY MAMDANI

SISTEM PENDUKUNG KEPUTUSAN PERAMALAN CUACA DENGAN MENGGUNAKAN LOGIKA FUZZY MAMDANI SISTEM PENDUKUNG KEPUTUSAN PERAMALAN CUACA DENGAN MENGGUNAKAN LOGIKA FUZZY MAMDANI Disusun oleh : Dian Puspita Hapsari, Nikmatul Karimah Jurusan Sistem Informasi Fakultas Teknologi Informasi. ITS Email

Lebih terperinci

Jurnal Fisika Unand Vol. 2, No. 4, Oktober 2013 ISSN

Jurnal Fisika Unand Vol. 2, No. 4, Oktober 2013 ISSN PREDIKSI CURAH HUJAN BULANAN MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN BEBERAPA FUNGSI PELATIHAN BACKPROPAGATION (Studi Kasus: Stasiun Meteorologi Tabing Padang, Tahun 2001-2012) Cici Oktaviani, Afdal

Lebih terperinci

BAB III RANCANG BANGUN

BAB III RANCANG BANGUN BAB III RANCANG BANGUN 3.1 LANGKAH PENGERJAAN Program identifikasi dengan media biometrik citra iris mata yang menggunakan Metode Jaringan Syaraf Tiruan (JST) terdiri dari dua tahap, yaitu proses pelatihan

Lebih terperinci

PRAKIRAAN CURAH HUJAN BANDARA SYAMSUDIN NOOR DENGAN ALGORITMA NEURAL NETWORK BACKPROPAGATION

PRAKIRAAN CURAH HUJAN BANDARA SYAMSUDIN NOOR DENGAN ALGORITMA NEURAL NETWORK BACKPROPAGATION Technologia Vol 8, No.1, Januari Maret 2017 25 PRAKIRAAN CURAH HUJAN BANDARA SYAMSUDIN NOOR DENGAN ALGORITMA NEURAL NETWORK BACKPROPAGATION Nur Alamsyah (alam@fti.uniska-bjm.ac.id) Wagino (wagino@fti.uniska-bjm.ac.id)

Lebih terperinci

PENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION SKRIPSI

PENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION SKRIPSI PENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION (Studi Kasus : Harga Penutupan Saham Unilever Indonesia Tbk. Periode September

Lebih terperinci

ABSTRAK. Michael Parlindungan ( ) Jurusan Teknik Elektro Universitas Kristen Maranatha

ABSTRAK. Michael Parlindungan ( ) Jurusan Teknik Elektro Universitas Kristen Maranatha PENGENALAN POLA HURUF t DARI TULISAN TANGAN UNTUK MENENTUKAN KARAKTER SESEORANG DENGAN MENGGUNAKAN PRINCIPAL COMPONENT ANALYSIS DAN ALGORITMA BACKPROPAGATION ABSTRAK Michael Parlindungan (0722017) Jurusan

Lebih terperinci

BAB III ANALISIS DAN PERANCANGAN

BAB III ANALISIS DAN PERANCANGAN 32 BAB III ANALISIS DAN PERANCANGAN Pada bab ini akan dibahas tentang analisis sistem melalui pendekatan secara terstruktur dan perancangan yang akan dibangun dengan tujuan menghasilkan model atau representasi

Lebih terperinci

Pemodelan Jaringan Syaraf Tiruan Untuk Memprediksi Awal Musim Hujan Berdasarkan Suhu Permukaan Laut

Pemodelan Jaringan Syaraf Tiruan Untuk Memprediksi Awal Musim Hujan Berdasarkan Suhu Permukaan Laut Tersedia secara online di: http://journal.ipb.ac.id/index.php/jika Volume 1 Nomor 2 Halaman 52-61 ISSN: 2089-6026 Pemodelan Jaringan Syaraf Tiruan Untuk Memprediksi Awal Musim Hujan Berdasarkan Suhu Permukaan

Lebih terperinci

Architecture Net, Simple Neural Net

Architecture Net, Simple Neural Net Architecture Net, Simple Neural Net 1 Materi 1. Perceptron 2. ADALINE 3. MADALINE 2 Perceptron Perceptron lebih powerful dari Hebb Pembelajaran perceptron mampu menemukan konvergensi terhadap bobot yang

Lebih terperinci

Perbandingan Akurasi Backpropagation Neural Network dan ANFIS Untuk Memprediksi Cuaca

Perbandingan Akurasi Backpropagation Neural Network dan ANFIS Untuk Memprediksi Cuaca NATURALA Journal of Scientific Modeling & Computation, Volume 1 No.1 2013 7 ISSN 23030135 Perbandingan Akurasi Backpropagation Neural Network dan ANFIS Untuk Memprediksi Cuaca Candra Dewi 1, M. Muslikh

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 2.1. Barcode Salah satu obyek pengenalan pola yang bisa dipelajari dan akhirnya dapat dikenali yaitu PIN barcode. PIN barcode yang merupakan kode batang yang berfungsi sebagai personal

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 2.1. Pengenalan Pola Pengenalan pola adalah suatu ilmu untuk mengklasifikasikan atau menggambarkan sesuatu berdasarkan pengukuran kuantitatif fitur (ciri) atau sifat utama dari suatu

Lebih terperinci

Pemodelan Sistem dengan Metode Neural Network Back Propagation. Modeling System Using Neural Network Backpropagation

Pemodelan Sistem dengan Metode Neural Network Back Propagation. Modeling System Using Neural Network Backpropagation Pemodelan Sistem dengan Metode Neural Network Back Propagation Modeling System Using Neural Network Backpropagation Dwi Sudarno Putra 1), Toto Sugiarto 1) & Meri Azmi 2) 1) Jurusan Teknik Otomotif Universitas

Lebih terperinci

PENYELESAIAN PERSAMAAN NONLINEAR BERDERAJAT DUA MENGGUNAKAN METODE HOPFIELD MODIFIKASI

PENYELESAIAN PERSAMAAN NONLINEAR BERDERAJAT DUA MENGGUNAKAN METODE HOPFIELD MODIFIKASI Buletin Ilmiah Math. Stat. dan Terapannya (Bimaster) Volume 04, No. 3(2015), hal 353-362. PENYELESAIAN PERSAMAAN NONLINEAR BERDERAJAT DUA MENGGUNAKAN METODE HOPFIELD MODIFIKASI Ikon Pratikno, Nilamsari

Lebih terperinci

ESTIMASI BEBAN PUNCAK ENERGI LISTRIK PADA SISTEM SULUTGO MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN METODE MOVING AVERAGE ABSTRAK

ESTIMASI BEBAN PUNCAK ENERGI LISTRIK PADA SISTEM SULUTGO MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN METODE MOVING AVERAGE ABSTRAK ESTIMASI BEBAN PUNCAK ENERGI LISTRIK PADA SISTEM SULUTGO MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN METODE MOVING AVERAGE Liberty A. Tarigan 1), Tritiya A. R. Arungpadang 2),Johan S. C. Neyland 3) Jurusan

Lebih terperinci

Analisis Korelasi Suhu Muka Laut dan Curah Hujan di Stasiun Meteorologi Maritim Kelas II Kendari Tahun

Analisis Korelasi Suhu Muka Laut dan Curah Hujan di Stasiun Meteorologi Maritim Kelas II Kendari Tahun Analisis Korelasi Suhu Muka Laut dan Curah Hujan di Stasiun Meteorologi Maritim Kelas II Kendari Tahun 2005 2014 Rizka Erwin Lestari 1, Ambinari Rachmi Putri 2, Imma Redha Nugraheni Sekolah Tinggi Meteorologi

Lebih terperinci

BAB II MODEL NEURON DAN ARSITEKTUR JARINGAN

BAB II MODEL NEURON DAN ARSITEKTUR JARINGAN BAB II MODEL NEURON DAN ARSITEKTUR JARINGAN Neuron adalah unit pemroses informasi yang menjadi dasar dalam pengoperasian JST. Neuron terdiri dari 3 elemen: Himpunan unit2 yang dihubungkan dengan jalus

Lebih terperinci

BAB 2 KONSEP DASAR PENGENAL OBJEK

BAB 2 KONSEP DASAR PENGENAL OBJEK BAB 2 KONSEP DASAR PENGENAL OBJEK 2.1 KONSEP DASAR Pada penelitian ini, penulis menggunakan beberapa teori yang dijadikan acuan untuk menyelesaikan penelitian. Berikut ini teori yang akan digunakan penulis

Lebih terperinci

Iklim / Climate BAB II IKLIM. Climate. Berau Dalam Angka 2013 Page 11

Iklim / Climate BAB II IKLIM. Climate. Berau Dalam Angka 2013 Page 11 BAB II IKLIM Climate Berau Dalam Angka 2013 Page 11 Beraua dalam Angka 2013 Page 12 Kondisi iklim di Berau sangat dipengaruhi oleh kondisi iklim di Samudra Pasifik. Secara umum iklim akan dipengaruhi oleh

Lebih terperinci

JARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA

JARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA JARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA Dahriani Hakim Tanjung STMIK POTENSI UTAMA Jl.K.L.Yos Sudarso Km 6.5 Tanjung Mulia Medan notashapire@gmail.com Abstrak

Lebih terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang Masalah

BAB I PENDAHULUAN 1.1 Latar Belakang Masalah 1 BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Dalam pemasaran atau pengantaran produk ke beberapa customer, terdapat banyak alternatif jalan yang bisa ditempuh sales untuk sampai ke semua customer tersebut.

Lebih terperinci

MATERI DAN METODE. Cara Pengambilan Data

MATERI DAN METODE. Cara Pengambilan Data MATERI DAN METODE Lokasi dan Waktu Penelitian ini dilaksanakan di Laboratorium Lapang Bagian Ilmu Produksi Ternak Perah, Fakultas Peternakan Institut Pertanian Bogor. Penelitian dilaksanakan selama dua

Lebih terperinci

Analisis Kondisi Atmosfer Pada Saat Kejadian Banjir Bandang Tanggal 2 Mei 2015 Di Wilayah Kediri Nusa Tenggara Barat

Analisis Kondisi Atmosfer Pada Saat Kejadian Banjir Bandang Tanggal 2 Mei 2015 Di Wilayah Kediri Nusa Tenggara Barat Analisis Kondisi Atmosfer Pada Saat Kejadian Banjir Bandang Tanggal 2 Mei 2015 Di Wilayah Kediri Nusa Tenggara Barat Oleh: Drs. Achmad Sasmito dan Rahayu Sapta Sri S, S.Kel Perekayasa dan Peneliti di Pusat

Lebih terperinci

Analisis Jaringan Saraf Tiruan Model Perceptron Pada Pengenalan Pola Pulau di Indonesia

Analisis Jaringan Saraf Tiruan Model Perceptron Pada Pengenalan Pola Pulau di Indonesia Jurnal Ilmiah Teknologi dan Informasi ASIA (JITIKA) Vol.11, No.1, Februari 2017 ISSN: 0852-730X Analisis Jaringan Saraf Tiruan Model Perceptron Pada Pengenalan Pola Pulau di Indonesia Muhammad Ulinnuha

Lebih terperinci

1.1. Jaringan Syaraf Tiruan

1.1. Jaringan Syaraf Tiruan BAB I PENDAHULUAN 1.1. Jaringan Syaraf Tiruan Jaringan Syaraf Tiruan (JST) adalah sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi yang digambarkan sebagai berikut

Lebih terperinci

1 PENDAHULUAN 1.1 Latar Belakang

1 PENDAHULUAN 1.1 Latar Belakang 1 PENDAHULUAN 1.1 Latar Belakang Curah hujan merupakan faktor yang berpengaruh langsung terhadap perubahan cuaca yang semakin memburuk. Curah hujan merupakan total air hujan yang terjatuh pada permukaan

Lebih terperinci