JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN)

JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN) Marihot TP. Manalu Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma Medan Jln. Sisingamangaraja No.338 Simpang Limun Medan www.stmik-budidarma.ac.id //Email : manalu.marihot@yahoo.co.id ABSTRAK Jaringan Saraf Tiruan merupakan program komputer yang dapat meniru proses pemikiran dan pengetahuan untuk menyelesaikan suatu masalah yang spesifik. Implementasi Jaringan Saraf Tiruan banyak dipandang sebagai cara penyimpanan pengetahuan pada bidang tertentu dalam program computer sehingga keputusan dapat diberikan dalam melakukan penalaran secara cerdas. Salah satu implementasi yang diterapkan jaringan saraf tiruan untuk melakukan prediksi curah hujan.diharapkan dengan sistem ini, masyarakat dapat menyelesaikan masalah tertentu baik sedikit rumit sekalipun tanpa bantuan para ahli dalam bidang tersebut. Sedangkan bagi para ahli, sistem ini dapat digunakan sebagai asisten yang berpengalaman. Aplikasi yang digunakan ini bertujuan untuk memprediksi curah hujan dengan hanya menganalisa data tersebut. Dengan menggunakan metode Backpropagation, maka akan diketahui prediksi curah hujan tersebut. Metode Backpropagation sangat bermanfaat untuk Jaringan Saraf Tiruan memprediksi curah hujan. Kata kunci : Jaringan Syaraf Tiruan, Prediksi Curah Hujan, Backpropagation 1. Pendahuluan 1.1 Latar Belakang Masalah Salah satu cabang dari AI (Artificial Intelligence) adalah apa yang dikenal dengan Jaringan Saraf Tiruan (Artificial Neural Network). Jaringan saraf tiruan merupakan salah satu sistem pemrosesan informasi yang didesain dengan menirukan cara kerja otak manusia dalam menyelesaikan suatu masalah dengan melakukan proses belajar melalui perubahan bobot sinapsisnya. Jaringan saraf tiruan mampu melakukan pengenalan kegiatan berbasis data masa lalu. Data masa lalu akan dipelajari oleh jaringan saraf tiruan sehingga mempunyai kemampuan untuk memberikan keputusan terhadap data yang belum pernah dipelajari. Perkembangan ini seiring dengan munculnya berbagai masalah yang tidak dapat diselesaikan secara efisien oleh proses komputasi konvensional karena algoritma yang ada tidak dapat diformulasikan secara eksplisit dan membutuhkan informasi dalam jumlah yang besar. (Kristanto,2004). Prediksi adalah suatu proses memperkirakan secara sistematis tentang sesuatu yang paling mungkin terjadi di masa depan berdasarkan informasi masa lalu dan sekarang yang dimiliki agar kesalahannya (selisih antara sesuatu yang terjadi dengan hasil perkiraan) dapat diperkecil. Prediksi tidak harus memberikan jawaban secara pasti kejadian yang akan terjadi, melainkan berusaha untuk mencari jawaban sedekat mungkin yang akan terjadi. Kondisi cuaca sangat berpengaruh dalam kehidupan sehari-hari, seperti dalam bidang pertanian, transportasi dan industri. Dalam bidang pertanian, faktor cuaca dijadikan sebagai salah satu pertimbangan dalam penentuan kecocokan jenis tanaman yang akan dibudidayakan. Dalam bidang transportasi, factor cuaca sangat mempengaruhi kelancaran jalur transportasi, baik transportasi laut maupun udara. Sedangkan dalam bidang industri, banyak industri tradisional banyak yang masih bergantung pada kondisi cuaca. Industri itu umumnya membutuhkan panas matahari, antara lain industri genteng, batu bata dan kerupuk. Maka dari itu pengamatan terhadap kondisi cuaca, khususnya kondisi curah hujan sangat penting dilakukan. Jaringan syaraf tiruan terdiri dari beberapa metode, yaitu metode hebb, metode perceptron, metode backpropagation, metode adaline. Dari beberapa metode tersebut yang digunakan untuk memprediksi curah hujan ini adalah metode backpropagation. Pada penelitian sebelumnya telah dipaparkan tentang metode backpropagation oleh Frans Indra Conery Saragih dengan jurnal Jaringan Syaraf Tiruan Memprediksi Ketersediaan Bahan Bakar Solar dengan Menggunakan Metode Backpropagation menyatakan bahwa metode Backpropagation adalah metode penurunan gradient meminimal untuk meminimalkan kuadrat eror keluaran atau algoritma pembelajaran yang terawasi dengan banyak lapisan untuk mengubah bobot-bobot yang terhubung atau neuron-neuron yang ada pada lapisan tersembunyinya. 1.2 Rumusan Masalah Berdasarkan uraian pada latar belakang masalah maka yang menjadi perumusan masalah pada skripsi ini adalah sebagai berikut: 1. Bagaimana proses prediksi curah hujan berdasarkan data yang sebelumnya? 2. Bagaimana menerapkan metode backpropagation untuk memprediksi curah hujan? 3. Bagaimana pengujian prediksi curah hujan dengan software matlab 6.1? 1.4 Tujuan dan Manfaat 1.4.1 Tujuan Adapun yang menjadi tujuan dari penulisan 35

skripsi ini adalah: 1. Menjelaskan proses prediksi curah hujan berdasarkan data yang sebelumnya. 2. Menerapkan metode backpropagation untuk memprediksi curah hujan. 3. Menguji prediksi curah hujan manual dengan software matlab 6.1. 1.4.2 Manfaat Adapun yang menjadi manfaat dari penulisan skripsi ini adalah: 1. Agar BMKG dapat memprediksi curah hujan dari data yang sebelumnya. 2. Menghasilkan aplikasi yang dapat memprediksi curah hujan. 3. Dapat menentukan prediksi curah hujan pada tahun berikutnya. 2. Landasan Teori 2.1 Jaringan Syaraf Tiruan Jaringan saraf tiruan adalah paradigma pengelolaan informasi yang terispirasi sistem saraf secara biologis, seperti proses informasi pada otak manusia. Paradigma adalah struktur sistem pengelolaan informasi terdiri dari sejumlah besar proses pemrosesan yang berhubungan (neuron), bekerja serentak untuk menyelesaikan masalah tertentu. Hal yang sama di utarakan oleh simon Haykin, yang menyatakan bahwa jaringan saraf tiruan adalah sebuah mesin yang dirancang untuk memodelkan cara otak manusia mengerjakan fungsi atau tugas tugas tertentu. 2.2 Arsitektur Jaringan Syaraf Tiruan Arsitektur jaringan saraf tiruan terdiri atas beberapa lapisan yaitu lapisan masukan (input layer), lapisan tersembunyi (hidden layar), dan lapisan keluaran (Output layer). Masing masing lapisan mempunyai jumlah node atau neuron yang berbedabeda. Arsitektur jaringan saraf tiruan dapat diilustrasikan seperti pada gambar ini : Gambar 1: Arsitektur jaringan saraf tiruan Sumber: Diyah Puspitaningrum, 2006 1. Lapisan masukan (input layer) Lapisan merupakan lapisan terdiri dari beberapa neuronyang akan menerima sinyal dari luar kemudian meneruskan ke neuron lain dalam jaringan. 2. Lapisan tersembunyi (hidden layer) Lapisan tersembunyi merupan tiruan dari sel-sel saraf konektor pada jaringan saraf biologis. Tersembunyi berfungsi meningkatkan kemampuan jaringan dalam memecahkan masalah 3. Lapisan keluaran (Output layer) Lapisan keluaran berfungsi menyalurkan sinyal sinyal keluaran hasil pemrosesan jaringan lapisan ini juga terdiri dari sejumlah neuron. (Diyah Puspitaningrum,2006: 9).\ 2.3 Algoritma Backpropagation Algoritma pelatihan jaringan syaraf perambatan galat mundur terdiri atas dua langkah, perambatan maju dan perambatan mundur. Langkah perambatan maju dan peramabatan mundur ini dilakukan pada jaringan untuk setiap pola yang diberikan selama jaringan mengalami pelatihan (Badrul Anwar, 2011). 1. Inisialisasi bobot (ambil nilai random yang cukup kecil). 2. Tahap perambatan maju(forward propagation) a. Setiap unit input (X 1, i=1,2,3,,n) menerima sinyal x i dan meneruskan sinyal tersebut ke semua unit pada lapisan tersembunyi. b. Setiap unit tersembunyi (Z 1, j=1,2,3,,p) menjumlahkan bobot sinyal input, z_in j = v 0j n + x i v ij (9) i=1 Dan menerapkan fungsi aktivasi untuk menghitung sinyal output-nya, ditunjukkan z j = f z in j (10) Fungsi aktivasi yang digunakan adalah fungsi sigmoid, kemudian mengirimkan sinyal tersebut ke semua unit output. c. Setiap unit output (Y k, k=1,2,3,,m) menjumlahkan bobot sinyal input, y_in k p = w 0k + z i w jk (11) i=1 Dan menerapkan fungsi aktivasi untuk menghitung sinyal output-nya, ditunjukkan dengan persamaan (4). y k = f y in k (12) 3. Tahap perambatan balik (back propagation) a. Setiap unit output (Y k, k=1,2,3,,m) menerima pola target yang sesuai dengan pola input pelatihan, kemudian hitung error, δ k = t k y k f y in k (13) f adalah turunan dari fungsi aktivasi. Kemudian hitung korelasi bobot, ditunjukkan 36

w kj = αδ k z j (14) Dan menghitung koreksi bias, ditunjukkan w 0k = αδ k (15) Sekaligus mengirimkan δ k ke unit-unit yang ada di lapisan paling kanan. b. Setiap unit tersembunyi (Z j, j=1,2,3,,p) menjumlahkan delta input-nya (dari unit-unit yang berada pada lapisan di kanannya), δ_in j m = δ k w jk (16) k=1 Untuk menghitung informasi error, kalikan nilai ini dengan turunan dari fungsi aktivasinya, ditunjukkan dengan persamaan berikut: δ j = δ in j f z in j (17) Kemudian hitung koreksi bobot, ditunjukkan v jk = αδ j x i (18) Setelah itu, hitung juga koreksi bias, v 0j = αδ j (19) 4. Tahap perubahan bobot dan bias a. Setiap unit output (Y k, k=1,2,3,,m) dilakukan perubahan bobot dan bias (j=0,1,2,,p), ditunjukkan dengan persamaan berikut: w jk baru = w jk lama + w jk (20) Setiap unit tersembunyi (Z j, j=1,2,3,,p) dilakukan perubahan bobot dan bias (i=0,1,2,,n), ditunjukkan dengan persamaan berikut: v ij baru = v ij lama + v ij (21) b. Tes kondisi berhenti. 2.4 Curah Hujan Curah hujan adalah jumlah air yang jatuh di permukaan tanah datar selama periode tertentu yang diukur dengan satuan tinggi milimeter (mm) di atas permukaan horizontal. Indonesia merupakan negara yang memiliki angka curah hujan yang bervariasi dikarenakan daerahnya yang berada pada ketinggian yang berbeda-beda. Curah hujan 1 (satu) milimeter, artinya dalam luasan satu meter persegi pada termpat yang datar tertampung air setinggi satu milimeter atau tertampung air sebanyak satu liter. (Indrabayu,2012). 3. Analisa dan Pembahasan 3.1 Analisa Masalah Data yang digunakan adalah data bulanan tahun 2012-2014, yaitu : 1. Data masuk dengan 36 input yang berasal dari bulan Januari 2012 sampai dengan desember 2014. 2. Data bersumber dari BMKG Wilayah I Medan. Data asli yang diperoleh dari BMKG Wilayah I Medan. Kemudian dilakukan pemilihan arsitektur yang tepat pada jaringan saraf tiruan untuk mendapatkan hasil prediksi yang optimal. Setelah arsitektur jaringan ditentukan maka dilakukan dilakukan proses training, dimana sistem akan dilatih sehingga dapat mengenali pola pasangan data input dan data target. Testing dilakukan untuk mengetahui apakah sistem mampu memberikan hasil yang benar terhadap pasangan data input dan target yang pernah dilatih kedalam sistem. Dilakukan denormalisasi dari data yang telah di normalisasi untuk menjadi nilai output dari jaringan. 3.2 Normalisasi Data Data yang digunakan dalam penelitian ini merupakan data curah hujan tahun 2012-2014. Data kemudian disusun dan dipilih variabel faktor-faktor dengan record data yang memiliki informasi paling lengkap. Data tersebut kemudian akan di bagi menjadi 2 bagian, yaitu data pelatihan (training), data pengujian (testing). Sebanyak 80% data digunakan untuk proses training dan 20% data digunakan untuk proses testing. Jika fungsi aktifasi dengan menggunakan sigmoid biner (range 0 sampai range 1), maka data harus ditransformasikan [0,1]. Tapi akan lebih baik di transformasikan pada range [0,1 0,8] karena fungsi sigmoid nilainya tidak pernah 0 ataupun 1. Untuk mentransformasikan dengan dengan rumus: 0.8(x a) x = + 0.1 b a Dimana: x = Hasil normalisasi x = Data awal a = Nilai minimal data awal b = Nilai maximal data awal Dari persamaan diatas maka dapat ditentukan : 1. 73,8 = Data minimal awal 2. 604,7 = Data maximal awal Normalisasi: 1. Januari 2012 0.8 112,2 73,8 = 0,200 2. Februari 2012 0.8 266,7 73,8 =0,491 3. Maret 2012 0.8 124,4 73,8 =0,223 4. April 2012 0.8 262,3 73,8 =0,384 5. Mei 2012 37

0.8 363,7 73,8 =0,536 4. Implementasi dan Pengujian 4.1 Pelatihan dan Pengujian Data dengan Matlab Dalam melakukan pelatihan dan pengujian hasil dari pengolahan data jumlah curah hujan, maka pengolahan data tersebut juga akan diujikan ke dalam sistem komputerisasi. Software yang akan digunakan dalam pengujian data proses penentuan jumlah curah hujan pada bulan berikutnya tersebut yaitu dengan memanfaatkan software Matlab 6.1. 4.2 Pelatihan Pertama dengan 12 Pelatihan dan 12 Pengujian Langkah pertama yang harus dilakukan untuk metode backpropagation dengan Matlab 6.1 adalah dengan membuat inisialisasi jaringan. Namun sebelumnya data yang akan diujikan haruslah dibagi menjadi dua (2) bagian, di mana bagian pertama adalah untuk data pelatihan dan bagian kedua adalah untuk data pengujian. Tabel data yang akan dilatih dan diujikan dapat dilihat pada tabel 1 dan tabel 2seperti berikut: Tabel 1: Data Curah Hujan Kota Medan Tahun 2012-2014 Curah Hujan Kota Medan (mm) Bulan Tahun Tahun Tahun 2012 2013 2014 Januari 112,2 118,5 210,9 Februari 266,7 199,3 190,3 Maret 124,4 73,8 203,1 April 262,3 150 375,1 Mei 363,7 96,4 310,1 Juni 121,8 121 146,6 Juli 122,6 172,8 134,2 Agustus 138,3 213,5 423,6 September 244,4 180,6 286,4 Oktober 296,6 345 525,7 November 226,2 83 604,7 Desember 160,8 488,6 273 Tabel 3: Data Pengujian Prediksi Curah Hujan Pola X 1 X 2 X 3 X 4 X 5 X 6 X 7 X 8 X 9 X 10 X 11 X 12 Target 13 0,167 0,289 0,100 0,214 0,134 0,171 0,249 0,310 0,260 0,508 0,113 0,725 0,306 14 0,289 0,100 0,214 0,134 0,171 0,249 0,310 0,260 0,508 0,113 0,725 0,306 0,275 15 0,100 0,214 0,134 0,171 0,249 0,310 0,260 0,508 0,113 0,725 0,306 0,275 0,294 16 0,214 0,134 0,171 0,249 0,310 0,260 0,508 0,113 0,725 0,306 0,275 0,294 0,554 17 0,134 0,171 0,249 0,310 0,260 0,508 0,113 0,725 0,306 0,275 0,294 0,554 0,456 18 0,171 0,249 0,310 0,260 0,508 0,113 0,725 0,306 0,275 0,294 0,554 0,456 0,209 19 0,249 0,310 0,260 0,508 0,113 0,725 0,306 0,275 0,294 0,554 0,456 0,209 0,191 20 0,310 0,260 0,508 0,113 0,725 0,306 0,275 0,294 0,554 0,456 0,209 0,191 0,627 21 0,260 0,508 0,113 0,725 0,306 0,275 0,294 0,554 0,456 0,209 0,191 0,627 0,420 22 0,508 0,113 0,725 0,306 0,275 0,294 0,554 0,456 0,209 0,191 0,627 0,420 0,780 23 0,113 0,725 0,306 0,275 0,294 0,554 0,456 0,209 0,191 0,627 0,420 0,780 0.900 24 0,725 0,306 0,275 0,294 0,554 0,456 0,209 0,191 0,627 0,420 0,780 0.900 0,400 4.3 Pelatihan Data dengan Model 12-3-1 Data yang akan diolah menggunakan matlab dengan pola arsitektur 12 3 1, dengan data pelatihan sebanyak 12 nilai jumlah curah hujan pada tabel 1 dari nomor 13 sampai dengan 24. Adapun langkah-langkah pengolahan data menggunakan matlab ditetapkan sebagai berikut: a. Menetapkan Bobot Awal Bobot awal lapisan input ke lapisan tersembunyi pertama seperti yang terdapat pada tabel 2 Tabel 3 Bobot Awal Lapisan Input Ke Lapisan Tersembunyi Pola 12-3-1 Z 1 Z 2 Z 3 X 1 3.8196-2.0933 0.8312 X 2-0.1173 3.0053 2.0114 X 3-0.3644-3.6980 2.4666 X 4-0.3917 0.7503 1.8962 X 5 2.9883 1.5484-2.1027 X 6-0.8694 3.6840 3.5242 X 7-0.8273 3.3302-3.7373 X 8-1.3566 2.6493-4.1433 X 9-3.3295-2.5145-2.5468 X 10 0.9570-1.9272-2.5460 X 11-3.6696 1.7142-0.3811 X 12 3.2691-0.2362-0.5646 Bobot bias awal lapisan input ke lapisan tersembunyi adalah sebagai berikut: -1.9696-1.5926 2.5468 Bobot awal lapisan tersembunyi ke lapisan output adalah sebagai berikut: 2.1209 0.1541-1.8215 Bobot bias awal lapisan tersembunyi ke lapisan output adalah sebagai berikut: 0.0000 b. Menetapkan Parameter Yang digunakan 38

Sebelum data diuji dalam proses pelatihan, maka perlu ditetapkan terlebih dahulu parameterparameter yang perlukan dalam proses pelatihan. Adapun parameter-parameter yang diperlukan adalah sebagai berikut: >>net.trainparam.lr=0.1; Parameter ini digunakan untuk menentukan laju pemahaman (α = learning rate). Default =0.01, semakin besar nilai α, maka semakin cepat pula proses pelatihan. Akan tetapi jika nilai α terlalu besar, maka algoritma menjadi tidak stabil mencapai titik minimum lokal. >>net.trainparam.goal=0.01; Parameter ini digunakan untuk menentukan batas nilai MSE agar iterasi dihentikan. Iterasi akan berhenti jika MSE < batas yang ditentukan dalam net.trainparam.goal atau jumlah epoch yang telah ditentukan dalam net.trainparam.epochs. >>net.trainparam.show=1000; Parameter ini digunakan untuk menampilkan frekuensi perubahan MSE (default : setiap 25 epoch). >>net.trainparam.epochs=50000; Parameter ini digunakan untuk menentukan jumlah epoch maksimum pelatihan. c. Melihat Keluaran yang Dihasilkan Untuk melihat hasil yang dikeluarkan oleh jaringan dapat menggunakan perintah sebagai berikut: >>[a,pf,af,e,perf]=sim(net,p,[],[],t) Setelah dilakukan perulangan maka ditemukan error minimum pada epoch 4318 seperti pada gambar 2 di bawah ini : Gambar 2 : Pelatihan Pola 12-3-1 Mencapai Goal 4.4 Hasil Implementasi Implementasi yang dilakukan menggunakan aplikasi perangkat lunak matlab 6.1 metode jaringan syaraf tiruan dalam prediksi curah hujan ini memiliki 2 bagian proses yaitu : Proses input data yang terdiri dari 12 (dua belas) buah variabel dan 1 (satu) variabel target yang diambil dari laporan jumlah curah hujan. Proses penentuan hasil data yang diolah yang mencakup proses merefresentasi data pengajuan serta mentransformasikan data tersebut ke fungsi aktivasi sigmoid biner, menghitung nilai bobot tersebut kedalam tahapan Backpropagation. Proses pengujian dilakukan dengan menggunakan software aplikasi Matlab 6.1. Model Jaringan Syaraf yang digunakan adalah 12-3-1, model 12-4-1, model 12-5-1, model 12-6-1. Untuk hasil perbandingan pengujian yang lebih rinci dapat dilihat pada tabel 4. Tabel 4 Hasil Pengujian Sistem Dari keempat model yang digunakan penulis dalam proses pelatihan system jaringan Syaraf Tiruan dengan algoritma backpropagation dengan menggunakan matlab 6.1 dengan sampel data jumlah curah hujan setiap bulannya dalam kurun waktu 3 tahun yang di ubah menjadi pola pelatihan sebanyak 12 testing dan 12 training, maka penulis menyimpulkan bahwa model terbaik adalah model 12-6-1 dengan proses perulangan (epoch) pada saat pelatihan dengan epoch=1263 dan pencapaian MSE pada saat pelatihan dengan MSE = 0.13567829. Adapun data perbandingan dari masing-masing model dapat di lihat sebagai berikut: 39

Tabel 5. Perbandingan MSE dari Empat Pola yang Diuji 12-3-1 12-4-1 12-5-1 12-6-1 MSE 0.15182418 0.16154537 0.16536920 0.13567829 5. Kesimpulan dan Saran 5.1 Kesimpulan Dari hasil penulisan dan analisa dari bab-bab sebelumnya, maka dapat diambil kesimpulan, dimana kesimpulan tersebut kiranya dapat berguna bagi para pembaca, sehingga penulisan skripsi ini dapat lebih bermanfaat. Adapun kesimpulan-kesimpulan tersebut adalah sebgai berikut. 1. Untuk dalam memprediksi curah hujan dari data sebelumnya supaya pihak BMKG Medan bisa terbantu dengan hasil prediksi. 2. Penerapan metode Backpropagation yaitu untuk Memprediksi curah hujan dengan data yang sebelumnya. 3. Data jumlah curah hujan diuji menggunakan jaringan syaraf tiruan sudah memperoleh goal yang diharapkan berdasarkan beberapa pola yang paling bagus menggunakan software Matlab 6.1. 5.2 Saran Penulis juga memiliki beberapa saran untuk para pembaca. Adapun saran-saran yang dapat penulis berikan antara lain 1. Untuk pengembangan lebih lanjut, prediksi yang terbaik perlu adanya data minimal 2-5 sebelumnya agar bisa dilakukan pelatihan menggunakan Jaringan Syaraf Tiruan dengan metode Backpropagation. 2. Untuk pengembangan lebih lanjut, metode Backpropagation menggunakan software matlab untuk menghasilkan pola terbaik. 3. Untuk pengembangan lebih lanjut, pola atau pengujian minimal harus dengan 4 kali pengujian supaya hasil output atau eror terkecil bisa memperoleh prediksi yang akurat. Daftar Pustaka 1. http://id.wikipedia.org/wiki/curah hujan/2012/11/27/. 2. http://konversi.wordpress.com/2012/11/27/predi ksi/. 3. T. Sutojo, Edy Mulyanto, Jaringan Saraf Tiruan, 2011 4. Muhammad arhani, Anita desiani, Jaringan Saraf Tiruan, 2005 5. Anwar, Badrul, Algoritma Metode Backpropagation, 2011 6. Kiki, Sri Kusumadewi Arsitektur jaringan Backpropagation,2010 7. http://www.mathworks.com.wahana Komputer Pengolahan Image dengan Matlab 40