Seminar Nasional Informatika 0 ANALISIS PENAMBAHAN MOMENTUM PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE 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,5 No. A Tanjung Mulia-Medan yudhi.andrian@gmail.com, purwahasanputra@gmail.com Abstrak Jaringan saraf tiruan (Artificial Neural Network) sebagian besar telah cukup handal dalam pemecahan masalah, salah satunya adalah prediksi curah hujan dengan metode backpropagation. Algoritma momentum merupakan pengembangan dari algoritma backpropagation standar. Algoritma momentum memiliki kesamaan langkah dengan algoritma backpropagation standar tetapi berbeda pada saat umpan mundur (backward propagation). Penambahan momentum dimaksudkan untuk menghindari perubahan bobot yang mencolok akibat adanya data yang sangat berbeda dengan yang lain (outlier). Pada penelitian ini penulis akan menganalisis pengaruh penambahan momentum pada proses prediksi curah hujan di kota medan dengan metode backpropagation neural network. Dari hasil penelitian dapat disimpulkan beberapa hal antara lain : Semakin kecil target error, maka jumlah iterasi akan semakin besar. Semakin kecil target error, maka nilai keakurasiannya cenderung semakin baik (semakin besar). Jumlah iterasi pada proses trainning dengan penambahan momentum lebih kecil dibandingkan dengan tanpa penambahan momentum. Tingkat akurasi tertinggi dicapai pada target error 0.00 yaitu.5%. Kata kunci : momentum, prediksi curah hujan, backpropagation, neural network.. Pendahuluan Indonesia merupakan Negara yang dilewati oleh garis khatulistiwa serta dikelilingi oleh dua samudera dan dua benua. Posisi ini menjadikan Indonesia sebagai daerah pertemuan sirkulasi meridional (Utara-Selatan) dikenal sebagai sirkulasi Hardley dan sirkulasi Zonal (Timur- Barat) dikenal sebagai sirkulasi Walker, dua sirkulasi yang sangat mempengaruhi keragaman iklim di Indonesia. Pergerakan matahari yang berpindah dari.5 0 Lintang Utara ke.5 0 Lintang Selatan sepanjang tahun mengakibatkan timbulnya aktivitas monsoon yang juga ikut dalam mempengaruhi kondisi cuaca. Faktor lain yang diperkirakan ikut berpengaruh terhadap kondisi cuaca di Indonesia ialah gangguan siklon tropis. Maka dari itu pengamatan terhadap kondisi cuaca, Khususnya kondisi curah hujan sangat penting dilakukan[]. Besarnya curah hujan mempunyai peran yang sangat penting. Berdasarkan data curah hujan dapat dilakukan penggolongan iklim menurut perbandingan antara bulan kering dengan jumlah rata-rata bulan basah. Bulan kering terjadi jika curah hujan bulanan kurang dari 0 mm/bulan, sedangkan bulan basah terjadi jika curah hujan bulanan di atas 00 mm/bulan. Memprediksi besarnya curah hujan di suatu tempat, dapat dilakukan dengan menggunakan teknik jaringan saraf 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 []. Gupta Akashap, Gautam Anjali, et al. (0) 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 []. Ch.Jyostha Devi, B.Syam Prasad Reddy, et al. (0) Neural Network yang berguna dalam peramalan cuaca dan kerja yang paling akurat prediksi algoritma yang disebut algoritma propagasi. Sebuah Neural Network -lapis dirancang dan dilatih dengan dataset yang ada dan memperoleh hubungan antara parameter cuaca non-linear. Dimana Neural Network dapat 5
Seminar Nasional Informatika 0 memprediksi cuaca masa depan dengan suhu kurang error []. Dari penelitian sebelumnya belum pernah digunakan penambahan momentum pada proses prediksi curah hujan dengan metode backpropagation. Pada penelitian ini penulis akan menganalisis pengaruh penambahan momentum pada proses prediksi curah hujan di kota medan dengan metode backpropagation neural network.. Neural Network Artificial Neural Network / Jaringan Saraf Tiruan (JST) adalah paradigma pengolahan informasi yang terinspirasi oleh sistem saraf secara biologis, seperti proses informasi pada otak manusia. Elemen kunci dari paradigma ini adalah struktur dari sistem pengolahan informasi yang terdiri dari sejumlah besar elemen pemrosesan yang saling berhubungan (neuron), bekerja serentak untuk menyelesaikan masalah tertentu. Cara kerja JST seperti cara kerja manusia, yaitu belajar melalui contoh. Lapisan-lapisan penyusun JST dibagi menjadi, yaitu lapisan input (input layer), lapisan tersembunyi (hidden layer), dan lapisan output (ouput layer) [].. Metode Backpropagation Backpropagation adalah metode penurunan gradien untuk meminimalkan kuadrat eror keluaran. Ada tiga tahap yang harus dilakukan dalam pelatihan jaringan, yaitu tahap perambatan maju (forward propagation), tahap perambatanbalik, dan tahap perubahan bobot dan bias. Arsitektur jaringan ini terdiri dari input layer, hidden layer, dan output layer []. Aturan pelatihan jaringan backpropagation terdiri dari tahapan, feedforward dan backward propagation. Pada jaringan diberikan sekumpulan contoh pelatihan yang disebut set pelatihan. Set pelatihan ini digambarkan dengan sebuah vector feature yang disebut dengan vector input yang diasosiasikan dengan sebuah output yang menjadi target pelatihannya. Dengan kata lain set pelatihan terdiri dari vektor input dan juga vektor output target. Keluaran dari jaringan berupa sebuah vektor output aktual. Selanjutnya dilakukan perbandingan antara output aktual yang dihasilkan dengan output target dengan cara melakukan pengurangan di antara kedua output tersebut. Hasil dari pengurangan merupakan error. Error dijadikan sebagai dasar dalam melakukan perubahan dari setiap bobot yang ada dengan mempropagasikannya kembali. Setiap perubahan bobot yang terjadi dapat mengurangi error. Siklus setiap perubahan bobot (epoch) dilakukan pada setiap set pelatihan sehingga kondisi berhenti dicapai, yaitu bila mencapai jumlah epoch yang diinginkan atau hingga sebuah nilai ambang yang ditetapkan terlampaui. Algoritma pelatihan jaringan propagasi balik terdiri dari tahapan yaitu []: a. Tahap umpan maju (feedforward). b. Tahap umpan mundur (backpropagation) dan galatnya. c. Tahap peng-update-an bobot dan bias.. Algoritma Momentum Backpropagation Algoritma momentum backpropagation merupakan pengembangan dari algoritma backpropagation standar dimana dalam pembelajarannya menggunakan momentum yang nilai konstanta momentum memiliki rentang 0 sampai. Algoritma momentum backpropagation memiliki kesamaan langkah dengan algoritma backpropagation standar tetapi berbeda pada saat umpan mundur (backward propagation). Berikut adalah algoritma backpropagation [5]. a. Inisialisasi bobot (ambil bobot awal dengan nilai random yang cukup kecil), Epoh = dan MSE =. b. Tentukan Maksimum Epoh, Learning Rate (α), dan Target Error. c. Lakukan langkah ke- sampai berikut selama (Epoh < maksimum epoh) dan (MSE > Target Error). d. Epoh = Epoh +. e. Umpan Maju (feedforward) ) Tiap-tiap unit input (X, i=,,,,n) menerima sinyal x i dan meneruskan sinyal tersebut ke semua unit pada lapisan yang ada di atasnya (lapisan tersembunyi). ) Tiap-tiap unit tersembunyi (Z, j=,,,,p) menjumlahkan bobot sinyal input, ditunjukkan dengan persamaan (). () Lalu gunakan fungsi aktivasi untuk menghitung sinyal outputnya, ditunjukkan dengan persamaan (). () Dan kirimkan sinyal-sinyal tersebut ke semua unit di lapisan atasnya (lapisan output). ) Tiap-tiap unit output (YK, K=,,,..,m) menjumlahkan sinyal-sinyal input berbobot, ditunjukkan dengan persamaan (). () Lalu gunakan fungsi aktivasi untuk menghitung sinyal outputnya, ditunjukkan dengan persamaan (). ()
Seminar Nasional Informatika 0 f. Umpan Mundur (Momentum Backpropagation) ) Tiap-tiap unit output (Y k, k=,,,,m) menerima pola target yang sesuai dengan pola input pelatihan, kemudian hitung error, ditunjukkan dengan persamaan (5). (5) jk = - z j k = k Kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai Wjk), ditunjukkan dengan persamaan (). jk + jk () Dilakukan sebanyak jumlah lapisan tersembunyi ke lapisan tersembunyi sebelumnya. ) Tiap-tiap unit tersembunyi (Zj, j=,,,..,p) menjumlahkan delta input (dari unit-unit yang berada pada lapisan di atasnya), ditunjukkan dengan persamaan (). Kalikan ini dengan turunan dari fungsi aktivasi error, ditunjukkan dengan persamaan (). ij = j - j j - x j Kemudian hitung korelasi bobot (yang nantinya akan digunakan untuk memperbaiki nilai Vij), ditunjukkan dengan persamaan (). () () () Hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai bij), ditunjukkan dengan persamaan (0). ( 0) µ merupakan konstanta dari momentum dengan rentang [0.]. g. Perbaikan bobot ) Tiap-tiap unit output (Yk, k=,,,..,m) memperbaiki bias dan bobotnya (j=0,,,..p), ditunjukan dengan persamaan (). ( ) 5. Metode Penelitian Penelitian ini untuk menganalisa penambahan momentum pada proses prediksi curah hujan di Kota Medan dengan jaringan saraf tiruan metode backpropagation. Penulis ingin mengetahui apakah ada perbedaan antara penambahan momentum dengan metode backpropagation standar. Untuk mencapai tujuan tersebut, penulis akan melakukan perbandingan dengan menggunakan data skunder curah hujan bulanan Kota Medan tahun -0. Data bersumber dari BMKG Stasiun Polonia Kota Medan. Prediksi curah hujan dengan backpropagation neural network digunakan langkah-langkah sebagai berikut: a. Memisahkan data yang akan digunakan sebagai data pelatihan dan data uji. Data curah hujan tahun 00 akan digunakan sebagai data pelatihan selama perancangan JST sedangkan data tahun 00 0 digunakan sebagi data pengujian. b. Desain JST Desain JST dilakukan untuk prediksi curah hujan 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 data ( tahun) dan data keluaran atau target adalah data pada tahun ke- (data input 00 dengan target 005). Untuk mengetahui curah hujan pada tahun ke-0 maka data masukannya merupakan data pada tahun ke- sampai tahun ke- (data input 005 dengan target 00), demikian seterusnya. Desain JST ditunjukkan pada gambar. ) Tiap-tiap unit tersembunyi (Zj, j=,,,..p) memperbaiki bias dan bobotnya (i=0,,,..n), ditunjukkan dengan persamaan (). ( ) ) Hitung nilai MSE, ditunjukkan dengan persamaan (). ( )
Seminar Nasional Informatika 0 Input Layer x Hidden Layer Output Layer backpropagation neural network, maka dilakukan beberapa pengujian. Pengujian pertama peneliti melakukan pelatihan dengan jumlah hidden, alpha, target error 0,00, max. epoh 50, dan momentum 0,5. Data input ditunjukkan pada Tabel : x x x x 5 x x x v v v v v 5 v y Tabel (a) Data input tahun sampai 00 dengan target 005. ata Input Tahun Sampai 00 dengan Target 005 0. 5 5.5 0..... 50... 5..5 5. 00...... 5.5...5 0. 5. 5.. 5..5. 0..5 0. 0. 5. 5. 5..5 5.. 5.. 0... 00.5 5...... 0. 0. 5.... 5. 0. 5. 0. 0. 0. 5. 5..5 5.5 5. 0.5. 0. 0..5...5 5.5 5. 5.. 0.. 5.. 0... 5...5 0.... Gambar. Desain Backpropagation Neural Network c. Pengenalan pola (pelatihan) Pengenalan pola dilakukan dengan cara penyesuaian nilai bobot (dalam penelitian ini nilai bobot ditentukan secara random dan menggunakan penambahan momentum). 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 target error. d. Pengujian dan prediksi Pengujian dilakukan bertujuan untuk mengetahui tingkat keakuratan sistem JST yang telah dibuat dalam memprediksi data curah hujan pada tahun tertentu. Sedangkan prediksi bertujuan untuk memprediksi data curah hujan yang akan datang.. Hasil dan Pembahasan Dalam penelitian ini akan dilakukan prediksi curah hujan bulanan di Kota Medan, data yang digunakan sebagai input adalah data bulanan selama 5 tahun terahir. Untuk mengetahui apakah penambahan momentum pada proses prediksi curah hujan dengan metode Tabel (b) Data input tahun sampai 005 dengan target 00. ata Input Tahun Sampai 005 dengan Target 00 5 5.5 0.... 0. 50... 5..5 5. 00.. 0.5... 5.5...5. 5. 5.. 5..5..5.50. 0. 5. 5.5. 00.5.5.5.. 0... 00.5 5...... 0. 0.0.... 5. 0. 5.. 0.0. 5. 5..55.5 5. 0.55. 0.0..5...5 5.5. 5.. 0..5.. 0...5...5 0..... Tabel (c) Data input tahun sampai 00 dengan target 00. Data Input Tahun Sampai 00 dengan Target 00 5 5.5 0.... 0.... 5..5 5.00.. 0.5... 5.5...5.. 5.. 5..5..5. 0. 0.5. 5. 5..5 00.50. 5.. 0...00.5 5..
Seminar Nasional Informatika 0..... 0. 0. 0..... 5. 0. 5.. 5. 0. 5. 5..5 5.5 5. 0.5 5. 5.5 0..5...5 5.5. 0.. 0.. 5.. 0... 5...5 0...... Tabel (d) Data input tahun 000 sampai 00 dengan target 00. ata Input Tahun 000 Sampai 00 dengan Target 00 5.5 0.... 0.... 5..5 5. 00.. 0.5... 5.5...5... 5.. 5..5..5. 0. 5. 5. 5..5 00.5 0..5. 0... 00.5 5...... 0. 0. 0..... 5. 0. 5.. 5. 5. 5. 5..5 5.5 5. 0.5 5. 5.5..5...5 5.5. 0.. 0.. 5..0....5..5 0......5. Selanjutnya adalah proses normalisasi. Normalisasi terhadap data dilakukan agar keluaran jaringan sesuai dengan fungsi aktivasi yang digunakan. Data-data tersebut dinormalisasi dalam interval [0, ] karena dalam prediksi curah hujan nilai curah hujan pasti 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 ) maka transformasi data hendaknya dilakukan pada interval yang lebih kecil yaitu [0., 0.] ditunjukkan dengan persamaan. () 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. Tabel (a) Data hasil normalisasi tahun - 00 dengan target tahun 005. Data Hasil Normalisasi 00 0 00 00 00 00 005 0.0 0. 0. 0.5 0. 0. 0. 0. 0. 0 0. 5 0. 5 0. 0.0 0 0. 0. 0. 0. 50. 0. 0. 0. 0. 0. 0. 0.0.5 0.5 0 5 0 5 0. 0. 0. 0. 0. 0. 0.0. 0. 5 5 5 5 0. 0. 0. 0.5 0. 0.0 0.0.5 0. 0. 0.5 0.50 0.0 0. 0.0 0.00. 0. 0 5 0. 0. 0. 0. 0. 0. 0.0. 0. 5 5 5 5 5 0. 0.5 0. 0. 0.55 0. 0.00. 0.5 0. 0. 0.50 0.5 0.5 0.5 0.0.5 0. 5 0 0.5 0. 0.5 0. 0. 0. 0.0.50 0. 0. 0. 0.0 0.0 0.0 0. 0.0. 0. 5 0. 0.5 0.5 0. 0. 0.0 0.0. 0. 5 Tabel (b) Data hasil normalisasi tahun - 005 dengan target tahun 00. Data Hasil Normalisasi 000 00 00 00 00 005 00 0. 0. 0.55 0. 0. 0. 0. 0.05 0 0 0. 0. 0. 0. 0.0 0. 0. 0. 0. 5 5 0. 0. 0.0 0. 0. 0. 0. 0.50.5 0. 5 0 5 0. 0. 0. 0. 0. 0.0 0.0. 0. 5 5 5 5 0. 0. 0.5 0. 0.0 0. 0.0. 0. 5 0.5 0. 0.0 0. 0.0 0.0 0.0. 0. 0 5 0. 0. 0.5 0. 0. 0. 0.0. 0. 5 5 5 5 0.5 0. 0. 0.55 0. 0.0 0.0.5 0.5 0. 0.5 0.5 0.5 0.5 0. 0.0. 0.5 0 5 0 5 0. 0. 0. 0. 0. 0. 0.500. 0.0 5 0. 0. 0.0 0.0 0. 0. 0.0. 0.5 5 0.5 5 0 0.5 0. 0. 0.0 0. 0. 0. 0. Tabel (c) Data hasil normalisasi tahun - 00 dengan target tahun 00. Data Hasil Normalisasi 00 0 00 00 00 00 005 00 00 0. 0.5 0. 0. 0. 0. 0. 0. 0. 5 0. 0.0 0 0. 0. 5 0. 0.05 0. 0. 0. 0.0 0. 0.5 0. 0. 0.5 0.50. 0.5
Seminar Nasional Informatika 0 0 5 0. 0. 0. 0. 0.0 0. 0.. 0. 5 5 5 0. 0.5 0. 0.0 0. 0. 0.. 0.55 5 0. 0.0 0. 0.0 0.0 0. 0.. 0.00 5 0. 0. 0. 0. 0. 0. 0.. 0. 5 5 5 5 0. 0. 0.55 0. 0.0 0. 0.5.5 0.5 0.5 0.5 0.5 0.5 0. 0. 0..5 0. 0 5 0 5 0. 0. 0. 0. 0. 0.50 0..0 0.5 5 5 0. 0.0 0.0 0. 0. 0. 0..5 0.50 0 0.5 0. 0. 0.0 0.0 0. 0.. 0. Tabel (d) Data hasil normalisasi tahun 000-00 dengan target tahun 00. Data Hasil Normalisasi 000 00 00 00 00 005 00 00 00 0.55 0. 0.0 0. 0. 0. 0.05 0.0.0 0. 0.0 0. 0.5 0. 0. 0. 0. 0.0 0. 0.5 0. 0.0 0.5 0.5 0..5 0.05 5 0. 0. 0. 0.05 0. 0. 0. 0. 0.5 5 5 0.5 0. 0.0 0. 0.5 0. 0. 0.55 0. 0.0 0. 0.0 0.0 0. 0. 0. 0.00 0.5 5 0.5 0. 0. 0.5 0. 0. 0. 0. 0. 5 0. 0.55 0. 0.0 0. 0.5 0.5 0.5 0.0 0.5 0.5 0.5 0.0 0.5 0. 0.5 0. 0. 5 0. 0. 0. 0. 0.50 0. 0.0 0.55 0. 0.0 0.0 0. 0. 0. 0. 0.5 0.50 0.5 0. 0. 0.0 0. 0. 0. 0. 0. 0. Setelah data dinormalisasi, maka akan di generate bobot input ke hidden awal, bias input ke hidden, bobot hidden ke output, dan bias hidden ke output. Data bobot digenerate secara acak antara interval 0 sampai dengan. Tabel menunjukkan hasil generate nilai bobot. Tabel. Hasil generate Nilai Bobot Bobot Input Ke Hidden Awal 0.5 0. 0. 0. 0.5 0. 0.00 0.0 0.0 0.5 0.0 0.0 5 0. 0.5 0. 0. 0.5 0.0 0. 0. 0. 0. 0.0 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.55 5 0. 0. 0. 0. 0. 0.05 0. 0. 0.00 0. 0.05 0.05 5 0. Data Input Ke Hidden 0. 0.0 0. 0. 0.50 5 0. Bobot Input Ke Hidden 0. 0.00 0. 0.00 0.0 0. Bias Hidden Ke Output 0. Tahap selanjutnya adalah trainning. Proses training dilakukan sampai error yang dihasilkan sesuai atau lebih kecil dari target error. Gambar merupakan grafik penurunan kuadrat error hasil trainning dengan bobot random yang telah digenerate tanpa penambahan momentum (backpropagation standar), dimana target error 0.0 dan jumlah hidden layer. Gambar. Penurunan kuadrat error backpropagation tanpa penambahan momentum Pada gambar menunjukkan bahwa target error dicapai pada iterasi ke. Pengujian berikutnya dilakukan dengan penambahan momentum pada proses perubahan bobotnya. Penurunan kuadrat error hasil trainning dengan bobot random yang telah digenerate dengan penambahan momentum ditunjukkan pada gambar. 0
Seminar Nasional Informatika 0 curah hujan di kota Medan dapat dilihat pada tabel 5. Gambar. Penurunan kuadrat error backpropagation dengan penambahan momentum. Gambar menunjukkan bahwa target error dicapai pada iterasi ke 0. Jumlah iterasi lebih kecil dari proses trainning dengan bobot random yang telah digenerate tanpa penambahan momentum (backpropagation standar). Pengujian berikutnya adalah dilakukan bebepara kali proses trainning dan pengujian/testing dengan jumlah hidden dan target error yang divariasikan. Hasil dari pengujian ini dapat dilihat pada tabel. Tabel. Data hasil pengujian perbedaan penambahan momentum dengan backpropagation standar. Targ et error Tanpa Momentum Dengan Penambahan Momentum Itera si Keakurasi an Itera si Keakurasi an 0.0. % 0 0. % 0.00. % 5 5.5 % 0.00 5. %.0 % 0.00 0.00 500. % 0.5% 000.5 % 05.5 % Pada tabel dapat dilihat bahwa target error yang berbeda akan menghasilkan jumlah iterasi yang berbeda pula. Semakin kecil target error, maka jumlah iterasi akan semakin besar. Pada tabel dapat dilihat juga bahwa ketika target error semakin kecil, maka nilai keakurasiannya cenderung semakin baik (semakin besar). Pada tabel dapat dilihat juga bahwa dengan penambahan momentum, maka jumlah iterasi yang dihasilkan lebih kecil dibandingkan dengan jumlah iterasi yang dihasilkan tanpa penambahan momentum. Target error 0.00 memiliki nilai akurasi yang lebih baik dibandingkan dengan pengujian lainnya yaitu.5%. Tahap terakhir yaitu melakukan prediksi curah hujan untuk beberapa tahun berikutnya dengan mengambil nilai akurasi tertinggi dari hasil pengujian yaitu.5%. Hasil prediksi Tabel 5. Hasil prediksi tahun 0, tahun 0, tahun 05, tahun 0, dan tahun 0. Tahun 0 0 05 0 0 Bulan 0..5 5.. Bulan.. 0.. Bulan 5.5 0.. Bulan.5... 5. Bulan 5. 00. 5.. 5. Bulan.. 0. Bulan... 0.5 5. Bulan.5... 5. Bulan.. 55. 0. Bulan 0.. 5. 0.. 0 Bulan. 0. 5.. Bulan 55... 50 Rata- Rata 0. 0.... Dari hasil prediksi yang telah dilakukan dapat dilihat bahwa pada tahun 0 jumlah curah hujan rata-rata sebesar 0., lebih besar dari tahun-tahun berikutnya. Tahun 0 rata-rata curah hujan adalah 0., sedangkan pada tahun 0 rata-rata curah hujan adalah... Kesimpulan Dari hasil dan penelitian dapat disimpulkan beberapa hal sebagai berikut:. Target error yang berbeda akan menghasilkan jumlah iterasi yang berbeda pula. Semakin kecil target error, maka jumlah iterasi akan semakin besar.. Semakin kecil target error, maka nilai keakurasiannya cenderung semakin baik (semakin besar).. Jumlah iterasi pada proses trainning dengan penambahan momentum lebih kecil dibandingkan dengan tanpa penambahan momentum.. Tingkat akurasi tertinggi dicapai pada target error 0.00 yaitu.5%. Daftar Pustaka [] Akashdeep, et al., 0, Time Series Analysis of Forecasting Indian Rainfall, International Journal of Inventive Engineering and Sciences (IJIES) ISSN: -5, Volume-, Issue-, May 0. [] Ch.Jyosthna Devi, et al, 0, ANN Approach for Weather Prediction using Back Propagation, International Journal of Engineering Trends and Technology-
Seminar Nasional Informatika 0 VolumeIssue-0. [] Indrabayu, et al., 0, Prediksi Curah Hujan dengan Jaringan Saraf Tiruan, Prosiding 0. [] Indrabayu, et al., 0, Prediksi Curah Hujan di Wilayah Makasar Menggunakan Metode Wavelet-Neural Network, Jurnal Ilmiah Elektrikal Enjiniring UNHAS, Vol. 0, No. 0, Agustus. [5] Nurcahaya, Pradana, T.P., et al, 0, Pemanfaatn Seed Region Growing Segmentation dan Momentum Backpropagation Neural Network Untuk Klasifikasi Jenis Sel Darah Putih. [] Sutojo, T., et al, 00, Kecerdasan Buatan, Yogyakarta: Andi Offset.