IMPLEMENTASI BACKPROPAGATION NEURAL NETWORK DALAM PRAKIRAAN CUACA DI DAERAH BALI SELATAN

E-Jurnal Matemata Vol. 5 (4), November 2016, pp. 126-132 ISSN: 2303-1751 IMPLEMENTASI BACKPROPAGATION NEURAL NETWORK DALAM PRAKIRAAN CUACA DI DAERAH BALI SELATAN I Made Dw Udayana Putra 1, G. K. Gandhad 2, Luh Putu Ida Harn 3 1 Jurusan Matemata FMIPA Unverstas Udayana [dwudayana@gmal.com] 2 Jurusan Matemata FMIPA Unverstas Udayana [gandhadg@yahoo.com] 3 Jurusan Matemata FMIPA Unverstas Udayana [balldah@gmal.com] Correspondng Author ABSTRACT Weather nformaton has an mportant role n human lfe n varous felds, such as agrculture, marne, and avaton. The accurate weather forecasts are needed n order to mprove the performance of varous felds. In ths study, use artfcal neural networ method wth bacpropagaton learnng algorthm to create a model of weather forecastng n the area of South Bal. The am of ths study s to determne the effect of the number of neurons n the hdden layer and to determne the level of accuracy of the method of artfcal neural networ wth bacpropagaton learnng algorthm n weather forecast models. Weather forecast models n ths study use nput of the factors that nfluence the weather, namely ar temperature, dew pont, wnd speed, vsblty, and barometrc pressure.the results of testng the networ wth a dfferent number of neurons n the hdden layer of artfcal neural networ method wth bacpropagaton learnng algorthms show that the ncrease n the number of neurons n the hdden layer s not drectly proportonal to the value of the accuracy of the weather forecasts, the ncrease n the number of neurons n the hdden layer does not necessarly ncrease or decrease value accuracy of weather forecasts we obtan the best accuracy rate of 51.6129% on a networ model wth three neurons n the hdden layer. Keywords : Artfcal neural networ method, Bac propagaton algorthm, Weather forecastng 1. PENDAHULUAN Cuaca mempunya peranan pentng bag ehdupan manusa dalam menalan atvtas terutama atvtas d tempat terbua. Informas cuaca sangat bermanfaat bag berbaga bdang, antara lan bdang pertanan, elautan, dan penerbangan. Bdang pertanan membutuhan nformas cuaca agar dapat menentuan pola musm tanam pertanan, nformas cuaca dalam bdang elautan bermanfaat untu menentuan watu berlayar yang tepat bag nelayan untu mencar an d laut, dan nformas cuaca dalam bdang penerbangan bermanfaat untu mencegah teradnya ecelaaan pesawat yang dabatan oleh fator cuaca. Praraan cuaca yang aurat sangat dbutuhan agar dapat menngatan nera dar bdang-bdang tersebut. Salah satu metode yang dapat dgunaan dalam membuat praraan cuaca adalah arngan syaraf truan arena metode arngan syaraf truan dapat memberan lasfas dar suatu cuaca (Ernawat, 2009). Jarngan syaraf truan merupaan salah satu bagan dar metode ecerdasan buatan, dmana metode n merepresentasan cara era ota manusa untu menyelesaan suatu masalah lasfas (Hermawan, 2006). Salah satu algortma dar arngan syaraf truan yang dapat dgunaan dalam menyelesaan masalah lasfas adalah algortma bac-propagaton. Bacpropagaton merupaan algortma yang menggunaan metode pembelaaran yang terawas dan termasu arngan banya lapsan. Pada arngan bacpropagaton terdapat tga lapsan, yatu lapsan nput, lapsan tersembuny, dan lapsan output. Setap lapsan 126

Putra, I M.D.U., G. K. Gandhad, L.P.I. Harn Implementas Bacpropagaton Neural Networ dar arngan meml satu atau lebh neuron (Hermawan, 2006). Lapsan nput terdr dar neuron-neuron yang merupaan nput dar arngan berupa fator-fator yang memengaruh cuaca yatu suhu udara, tt embun, ecepatan angn, ara pandang, dan teanan udara. Lapsan output merupaan solus dar arngan d mana neuron dar lapsan output bersan output dar arngan yatu hasl praraan cuaca. Jumlah neuron pada lapsan nput tergantung pada banyanya nput dar arngan dan umlah neuron pada lapsan output uga tergantung pada banyanya output dar arngan, aan tetap untu umlah neuron pada lapsan tersembuny tda dapat dtentuan secara langsung sehngga perlu dlauan analss untu menentuan umlah neuron pada lapsan tersembuny. Peneltan terat arngan syaraf truan algortma pembelaaran bacpropagaton dlauan oleh Pryanta untu mempraraan huan haran d daerah Kuta Selatan Bal. Pada peneltan tersebut, output yang dhaslan hanya dua eadan, yatu huan dan tda huan (Pryanta, 2014). Pada peneltan n dgunaan metode arngan syaraf truan algortma pembelaaran bacpropagaton untu mempraraan cuaca d daerah Bal Selatan output 15 eadan cuaca yatu cerah, cerah berawan, cerah berawan awan cumulonmbus (CB), berawan, berawan awan cumulonmbus (CB), bada guntur, huan rngan, huan rngan awan cumulonmbus (CB), huan sedang, huan sedang awan cumulonmbus (CB), huan lebat, huan lebat awan cumulonmbus (CB), huan rngan bada guntur, huan sedang bada guntur dan huan lebat bada guntur. Informas cuaca awan cumulonmbus (CB) sangat dteanan pada peneltan n arena awan cumulonmbus (CB) n sangat berbahaya dalam suatu penerbangan, mengngat banya ecelaaan pesawat yang dabatan oleh awan cumulonmbus (CB). 2. BACKPROPAGATION Bacpropagaton adalah salah satu algortma pada arngan syaraf truan yang serng dgunaan dalam mencar bobot optmal. Pada arngan bacpropagaton terdapat pola nput dan pola output yang dngnan. Pada saat arngan dberan suatu pola, nla bobotbobot dubah agar dapat memperecl perbedaan antara pola output dar arngan dan pola output yang dngnan. Pelathan arngan dlauan berulang-ulang sampa semua pola output dar arngan dapat mengenal pola output yang dngnan (Hermawan, 2006). 2.1 Insalsas Bobot Awal Insalsas bobot awal dar algortma n dperoleh dar proses aca atau dngan menggunaan algortma Nguyen-Wdrow. Algortma Nguyen-Wdrow merupaan algortma optmas nla bobot dan bas awal dar arngan bacpropagaton sehngga proses belaar arngan untu mencapa bobot optmal menad lebh cepat dbandngan pengn-salsasan secara random/aca. Algortma nsalsas Nguyen-Wdrow adalah (Fausett, 1994): 1. Tentuan: n = umlah neuron nput p = umlah neuron pada lapsan tersembuny = fator sala nla 0,7 n p 2. Insalsas bobot-bobot ( v (lama)) menggunaan nla aca antara -0,5 dan 0,5. 3. Htung v v v v 2 2 2 1 2 n 4. Bobot yang dpaa sebaga nsalsas v ( lama) v v Nla bas yang dgunaan, antara dan. v 0 blangan aca 2.2 Fungs Atvas Fungs atvas yang dgunaan dalam bacpropagaton harus memenuh tga syarat, yatu ontnu, terdeferensal mudah, dan merupaan fungs tda turun (Fausett, 1994). 127

E-Jurnal Matemata Vol. 5 (4), November 2016, pp. 126-132 ISSN: 2303-1751 Fungs atvas yang palng serng dgunaan dalam arngan syaraf truan adalah fungs sgmod bner dan ddefnsan sebaga berut. 1 f x 1 x e dan turunannya x f x f x f 1 Fungs sgmod bner mempunya nla masmum satu. Sehngga untu pola nput dan output nla lebh besar dar satu harus dtransformas agar setap polanya meml range nla yang sama fungs sgmod bner. 2.3 Algortma Pelathan Bacpropagaton Berut adalah algortma pelathan bacpropagaton (Hermawan, 2006): (1) Insalsas bobot awal blangan aca ecl. (2) Tentuan masmum teras, Target error yang dngnan, dan Learnng rate. (3) Bla onds berhent bernla FALSE, eraan langah-langah berut: 1. Untu setap pasangan elemen pelathan, eraan: Feedforward: a. Setap neuron nput x 1,2,3,,n, mendapat snyal x dan dterusan e semua neuron pada lapsan tersembuny. b. Setap neuron pada suatu lapsan tersembuny z 1,2,3,, p, menumlahan snyal-snyal nput berbobot: z _ net v 0 n 1 x v menerapan fungs atvas, htung snyal output pada lapsan tersembuny: z f z _ net selanutnya rman snyal tersebut e semua neuron d lapsan output. c. Setap neuron output y 1,2,3,,m, menumlahan snyalsnyal nput berbobot: y _ net w 0 p 1 menerapan fungs atvas, htung snyal output pada lapsan output: y f y _ net Catatan: langah (b) dlauan sebanya umlah lapsan tersembuny. Bacpropagaton: d. Setap neuron output y 1,2,3,,m, menerma target pola output yang beratan pola nput pelathan. Htung error pada lapsan output: t y f y _ net t z w adalah target output yang dharapan. Selanutnya htung perubahan bobot (dgunaan untu memperba nla bobot w ): w z Htung uga perubahan bobot bas (dgunaan untu memperba nla bobot w 0 ): w 0 Krman n e neuron pada lapsan tersembuny. e. Setap neuron pada lapsan tersembuny z 1,2,3,, p, menumlahan fator delta pada lapsan tersembuny : _ net m 1 w nla n dalan turunan dar fungs atvasnya dan dgunaan untu menghtung nformas error pada lapsan tersembuny: _ net f z _ net 128

Putra, I M.D.U., G. K. Gandhad, L.P.I. Harn Implementas Bacpropagaton Neural Networ selanutnya htung perubahan bobot (dgunaan untu memper-ba nla bobot v ) v x Selanutnya htung perubahan bobot bas (dgunaan untu memperba nla bobot v 0 ): v 0 Perubahan bobot f. Setap neuron output y 1,2,3,,m, memperbaharu bobot dan basnya 0,1,2,,, p: w w w setap neuron pada lapsan tersembuny z, memper-baharu bobot dan basnya 0, v v v 1,2,,n : 2. Tes onds berhent Konds penghentan yang dgunaan dalam algortma n adalah umlah masmum teras dan target error. Pelathan aan dhentan apabla umlah teras pelathan melebh umlah teras masmum atau a error yang dperoleh dalam pelathan lebh ecl dar target error. Pada tahap perubahan bobot dapat dmodfas menambahan momentum agar lebh cepat mencapa eonvergenan. Kecepatan overgens uga dapat dtngatan memodfas learnng rate menad adaptve dmana learnng rate aan berubah-ubah selama proses pelathan. Ja selsh antara error yang dperoleh dan error sebelumnya melebh nla masmum enaan nera maa nla bobot-bobot yang baru dabaan, dan nla leranng rate dturunan cara mengalan nla penurunan leranng rate. Sebalnya a selsh error yang dperoleh dan error sebelumnya urang dar masmum enaan nera, semua nla bobot yang baru aan dsmpan, dan nla learnng rate dtngatan cara mengalan nla enaan learnng rate (Hermawan, 2006). Setelah pelathan, dlauan penguan arngan bacpropagaton hanya menggunaan tahap feedforward menggunaan bobot yang dperoleh dar proses pelathan. 2.4 Penguuran Ketepatan Model Praraan Menguur etepatan model praraan dapat dhtung persamaan berut (Whdhash, Gurtman, & Supro, 2012): total praraan yang benar auras 100% total praraan 3. METODE PENELITIAN Peneltan n menggunaan data seunder, yang ddapat dar webste ogmet.com. Data yang dgunaan dalam peneltan n yatu ecepatan angn (not), ara pandang (meter), suhu udara ( o C), tt embun ( o C), teanan udara (mlbar) dan cuaca d daerah Bal Selatan. Data pada peneltan n dbag menad dua, yatu data pelathan yang dtetapan dar 1 Desember 2013 sampa 31 Januar 2014 dan data penguan yang dtetapan dar 1 Desember 2014 sampa 31 Januar 2015. Pemlhan perode data pada bulan-bulan tersebut darenaan pada bulan-bulan tersebut cuaca yang terad cuup bervaratf. Pada peneltan n ten analss data yang dgunaan adalah sebaga berut: 1. Menentuan banyanya neuron pada lapsan nput. Banyanya neuron yang dgunaan pada lapsan nput adalah lma buah neuron arena umlah nput yang dgunaan sebanya lma buah nput berupa fator yang memengaruh cuaca yatu suhu udara, tt embun, ecepatan angn, teanan udara, dan ara pandang. 2. Menganalss banyanya neuron pada lapsan tersembuny. Jumlah neuron pada lapsan tersembuny harus urang dar dua al umlah neuron pada lapsan nput (Yohannes & Mahmudy, 2015). Jumlah neuron pada lapsan nput adalah lma buah, sehngga dua al umlah neuron pada lapsan nput adalah 10. Oleh arena tu umlah neuron pada lapsan tersembuny harus urang dar 10 buah neuron. Pada 129

E-Jurnal Matemata Vol. 5 (4), November 2016, pp. 126-132 ISSN: 2303-1751 peneltan n umlah neuron pada lapsan tersembuny aan danalss dar satu buah neuron hngga 10 buah neuron. 3. Menentuan umlah neuron pada lapsan output. Output yang dhaslan adalah 15 eadan cuaca yatu cuaca cerah, cerah berawan, cerah berawan awan cumulonmbus (CB), berawan, berawan awan cumulonmbus (CB), bada guntur, huan rngan, huan rngan awan cumulonmbus (CB), huan sedang, huan sedang awan cumulonmbus (CB), huan lebat, huan lebat awan cumulonmbus (CB), huan rngan bada guntur, huan sedang bada guntur dan huan lebat bada guntur. Output aan dbuat dalam empat buah neuron. Empat buah neuron pada lapsan output masng-masng aan bersan satu dgt blangan bner sehngga aan ada empat dgt blangan bner, dmana ombnas empat dgt blangan bner aan menghaslan 16 ombnas blangan bner. Oleh arena tu, 15 eadan cuaca aan dbuat e dalam empat buah neuron. 4. Insalsas bobot dan bas awal menggunaan algortma Nguyen-Wdrow. 5. Melauan pelathan arngan terhadap datadata pelathan. 6. Melauan penguan arngan menggunaan data-data penguan. Proses penguan arngan hanya menggunaan tahap feed-forward dan menggunaan bobotbobot yang dperoleh dar proses pelathan. 7. Valdas model praraan cuaca. Tahap n dlauan untu mengetahu persentase etepatan model praraan cuaca. 4. HASIL DAN PEMBAHASAN 4.1 Praraan Cuaca Metode Jarngan Syaraf Truan Penerapan metode arngan syaraf truan algortma pembelaaran bacpropagaton pada data cuaca d daerah Bal Selatan menggunaan fungs atvas sgmod bner. 4.2 Transformas Data Fungs atvas sgmod bner meml nla masmum satu, pada peneltan n mengunaan data nla lebh dar satu, maa data harus dtransformas e selang [0,1 0,9] terlebh dahulu agar data tersebut meml range yang sama range nla dar fungs sgmod bner. 4.3 Pola Output Output atau target yang dngnan pada peneltan n berupa cuaca d daerah Bal Selatan dan terbag dalam 15 pola. lma belas pola output d buat dalam empat buah neuron pada lapsan output. Empat buah neuron pada lapsan output bersan empat dgt blangan bner dmana masng-masng neuron bersan satu dgt blangan bner. Pola dar output atau target yang dngnan dapat dlhat pada Tabel 1. Tabel 1 Pola output atau target No Cuaca Pola Output 1 Cerah 0000 2 Cerah Berawan 0001 3 Berawan 0010 4 Cerah Berawan dg Awan CB 0011 5 Berawan dg Awan CB 0100 6 Bada Guntur 0101 7 Huan Rngan 0110 8 Huan Sedang 0111 9 Huan Rngan dg Awan CB 1000 10 Huan Sedang dg Awan CB 1001 11 Huan Rngan dg Bada Guntur 1010 12 Huan Sedang dg Bada Guntur 1011 13 Huan Lebat 1100 14 Huan Lebat dg Awan CB 1101 15 Huan Lebat dg Bada Guntur 1110 4.4 Pelathan Jarngan Tahap pelathan arngan merupaan proses pembelaaran terhadap pola data yang aan denal. Tahap pelathan arngan dlauan dalam beberapa tahap, antara lan nsalsas bobot dan bas awal menggunaan algortma Nguyen-Wdrow, emudan dlath algortma pembelaaran bacpropagaton. 130

Putra, I M.D.U., G. K. Gandhad, L.P.I. Harn Implementas Bacpropagaton Neural Networ Tahap pelathan arngan menggunaan algortma pembelaaran bacpropagaton momentum dan adaptve learnng rate. Pelathan arngan dlauan menggunaan Matlab 7.8.0 (R2009a). Proses pelathan dlauan menggunaan data-data pelathan target error dtentuan sebesar 0,01; untu nla learnng rate dtentuan sebesar 0,1; untu nla momentum dtentuan sebesar 0,9 dan masmum teras dtentuan 1.000.000 teras. Pada proses pelathan, nla learnng rate bersfat adaptve yang berubah-ubah selama proses pelathan. Ja selsh antara error yang dperoleh dan error sebelumnya melebh nla masmum enaan nera maa nla bobotbobot yang baru dabaan, dan nla leranng rate dturunan cara mengalan nla penurunan leranng rate dmana nla penurunan lernng rate yang dtentuan sebesar 0,7. Sebalnya a selsh error yang dperoleh dan error sebelumnya urang dar ma-smum enaan nera, semua nla bobot yang baru aan dsmpan, dan nla learnng rate dtngatan cara mengalan nla enaan learnng rate dmana nla enaan lernng rate yang dtentuan sebesar 1,05. Nla masmum enaan nera dtentuan sebesar 1,04. Proses pelathan arngan aan berhent apabla umlah teras telah melebh batas masmum yang dtentuan yatu 1.000.000 teras, atau pelathan aan dhentan a target error yang dtentuan telah tercapa. Tahap pelathan arngan aan menghaslan nla bobot dan bas yang aan dgunaan pada tahap penguan arngan. 4.5 Penguan Jarngan Tahap penguan arngan dgunaan untu mengu valdas data yang telah dlauan pada tahap pelathan memasuan data baru yang belum pernah dlath sebelumnya untu mengetahu nla auras yang dhaslan. Data yang dgunaan pada tahap penguan arngan n adalah data penguan. Tahap penguan arngan dlauan menggunaan nla bobot dan bas yang dperoleh dar tahap pelathan arngan. Pada tahap penguan arngan n hanya menggunaan tahap feedforward pada algortma pembelaaran bacpropagaton. Hasl yang ddapat pada tahap n adalah output berupa praraan cuaca. Setelah dperoleh hasl praraan cuaca, emudan dhtung auras ete-patan eadan cuaca yang sebenarnya hasl praraan cuaca meng-gunaan arngan syaraf truan algortma pembelaaran bacpropagaton.. Auras hasl praraan cuaca da-pat dlhat pada Tabel 2. No Tabel 2. Auras hasl praraan cuaca Jumlah Neuron pada Lapsan Input Jumlah Neuron pada Lapsan Tersembuny Jumlah Neuron pada Lapsan Output Auras (%) 1 5 1 4 45,1613 2 5 2 4 39,5161 3 5 3 4 51,6129 4 5 4 4 45,9677 5 5 5 4 44,3548 6 5 6 4 34,6774 7 5 7 4 41,9355 8 5 8 4 40,7258 9 5 9 4 40,3226 10 5 10 4 46,7742 Penambahan umlah neuron pada lapsan tersembuny tda berbandng lurus nla auras hasl praraan cuaca. Nla auras tertngg terad pada model arngan tga buah neuron pada lapsan tersembuny nla auras sebesar 51,6129% sedangan nla auras terendah dperoleh pada model arngan enam buah neuron pada lapsan tersembuny nla auras sebesar 34,6774%. Model arngan satu buah neuron pada lapsan tersembuny mendapatan nla auras sebesar 45,1613%, namun terad penurunan nla auras pada model arngan dua buah neuron pada lapsan tersembuny yang mendapatan nla auras sebesar 39,5161%. Pada model arngan tga buah neuron mendapatan nla auras sebesar 51,6129% dmana terad penngatan 131

E-Jurnal Matemata Vol. 5 (4), November 2016, pp. 126-132 ISSN: 2303-1751 nla auras dar nla auras model arngan dua buah neuron pada lapsan tersembuny. Hal n menandaan bertambahnya umlah neuron pada lapsan tersembuny tda serta merta menngatan atau menurunan nla auras praraan cuaca yang dperoleh metode arngan syaraf truan algortma pembelaaran bacpropagaton. Warna dan Testur Menggunaan Fuzzy Neural Networ. JIKA, 71-77. Yohannes, E., & Mahmudy, W. F. (2015). Penentuan Upah Mnmum Kota Berdasaran Tngat Inflas Menggunaan Bacpropagaton Neural Networ (BPNN). Jurnal Tenolog Informas dan Ilmu Komputer (JTIIK), 33-40. 5. KESIMPULAN Berdasaran hasl dan pembahasan, dapat desmpulan sebaga berut: 1. Penambahan umlah neuron pada lapsan tersembuny tda berbandng lurus nla auras hasl praraan cuaca. Bertambahnya umlah neuron pada lapsan tersembuny tda serta merta menngatan atau menurunan nla auras praraan cuaca yang dperoleh metode arngan syaraf truan algortma pembelaaran bacpropagaton. 2. Hasl praraan cuaca d daerah Bal Selatan menggunaan metode a-rngan syaraf truan algortma pembelaaran bacpropagaton dperoleh tngat auras praraan cuaca terba sebesar 51,6129% pada model arngan tga buah neuron pada lapsan tersembuny. DAFTAR PUSTAKA Ernawat, S. (2009). Aplas Hopfeld Neural Networ untu Praraan Cuaca. Meteorolog dan Geofsa, 151-175. Fausett, L. (1994). Fundamentals of Neural Networ. New Yor: Prentce Hall. Hermawan, A. (2006). Jarngan Syaraf Truan Teor dan Aplas. Yogyaarta: ANDI. Pryanta, I. B. (2014). Penerapan Algortma Geneta pada Jarngan Syaraf Truan dalam Praraan Huan Haran d Daerah Kuta Selatan Provns Bal. Srps. Program Stud Ten Informata Jurusan Ilmu Komputer Faultas Matemata dan Ilmu Pengetahuan Alam, Unverstas Udayana. But Jmbaran. Whdhash, R. N., Gurtman, S., & Supro, P. T. (2012). Klasfas Kematangan Buah Manggs Espor dan Loal Berdasaran 132