tugas uts JST

[KEMBALI KE MENU SEBELUMNYA]

Sistem Prediksi Tingkat Curah Hujan di Kota Padang Menggunakan JST Berbasis Backpropagation

Dosen : Darwison, M.T

Oleh :

Muhammad Firman Putra Tanjung

1710952018

Jurusan Teknik Elektro

Fakultas Teknik

Universitas Andalas

Padang

2020 

DAFTAR ISI

1. Tujuan
2. Pendahuluan

3. Dasar Teori

4. Prosedur pengerjaan
5. Kesimpulan

6. Link download
7. Referensi

1. Tujuan   [ K E M B A L I ]

Tujuan dari aplikasi UTS ini adalah merancang alat memprediksi curah hujan di Kota Padang, dimana data yang diambil adalah pada tahun 2015 - 2017.

2. Pendahuluan   [ K E M B A L I ]

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, faktor cuaca seperti pola angin dan curah hujan 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.

3. Dasar Teori   [ K E M B A L I ]

Jaringan syaraf tiruan (JST) didefinisikan sebagai suatu sistem pemrosesan informasi yang mempunyai karakteristik menyerupai jaringan syaraf manusia (Hermawan, 2006). Beberapa istilah dalam JST yang sering ditemui adalah sebagai berikut:

1. Neuron atau node atau unit: sel syaraf tiruan yang merupakan elemen pengolahan jaringan syaraf tiruan. Setiap neuron menerima data input, memproses input tersebut kemudian mengirimkan hasilnya berupa sebuah output
2. Jaringan: kumpulan neuron yang saling terhubung dan membentuk lapisan
3. Lapisan tersembunyi (hidden layer): lapisan yang tidak secara langsung berinteraksi dengan dunia luar. Lapisan ini memperluas kemampuan jaringan syaraf tiruan dalam menghadapi masalah-masalah yang kompleks
4. Input: sebuah nilai input yang akan diproses menjadi nilai output
5. Output: solusi dari nilai input
6. Bobot: nilai matematis dari sebuah koneksi antar-neuron
7. Fungsi aktivasi: fungsi yang digunakan untuk meng-update nilai-nilai bobot per-iterasi dari semua nilai input
8. Fungsi aktivasi sederhana adalah mengalikan input dengan bobotnya dan kemudian menjumlahkannya (disebut penjumlahan sigma) berbentuk linier atau tidak linier dan sigmoid

Jaringan syaraf tiruan menyediakan berbagai macam arsitektur jaringan dan pelatihan. Arsitektur jaringan dan pelatihan yang digunakan dapat dipilih agar jaringan syaraf tiruan dapat mempelajari dan menganalisis pola data masa lalu lebih tepat sehingga diperoleh keluaran yang lebih akurat (dengan kesalahan atau error minimum). Arsitektur backpropagation merupakan salah satu arsitektur jaringan syaraf tiruan yang dapat digunakan untuk mempelajari dan menganalisis pola data masa lalu lebih tepat sehingga diperoleh keluaran yang lebih akurat (dengan kesalahan atau error minimum).

4. Prosedur pengerjaan   [ K E M B A L I ]

Mempersiapkan data curah hujan. Dimana data yang digunakan adalah tingkat curah hujan di Kota Padang berdasarkan data Badan Pusat Statistik pada tahun 2015 - 2017. Pada algoritma jaringan syaraf tiruan propagasi balik ini digunakan fungsi aktivasi sigmoid biner di mana fungsi ini bernilai antara 0 s.d 1. Namun fungsi sigmoid biner tersebut sejatinya tidak pernah mencapai angka 0 maupun 1. Oleh sebab itu, data curah hujan perlu dinormalisasi terlebih dahulu salah satu contohnya ke dalam range 0,1 s.d 0,9 menggunakan persamaan berikut ini:

Gambar 1 : Persamaan fungsi sigmoid dalam range 0,1 - 0,9.

di mana:
X’ = data hasil normalisasi
X = data asli/data awal
a = nilai maksimum data asli
b = nilai minimum data asli
Data curah hujan asli dan setelah dinormalisasi tampak pada gambar di bawah ini:

Gambar 2 : Data Tingkat curah hujan di Kota Padang 2015 - 2017 (sebelum dinormalisasi)

Gambar 3 : Data Tingkat curah hujan di Kota Padang 2015 - 2017 (setelah dinormalisasi)

Pada contoh ini, penggunaan data masukan JST untuk prediksi adalah sebagai berikut:

Gambar 4 : Data masukan dan target dalam penggunaan data input JST

Data latih menggunakan data curah hujan pada bulan ke-1 s.d bulan ke-24 (tahun 2015-2016) sedangkan data uji menggunakan data curah hujan pada bulan ke-13 s.d bulan ke-36 (tahun 2016-2017). Pola data masukan untuk proses pelatihan dan pengujian jaringan ditunjukkan pada gambar di bawah ini:

Gambar 5 : Data latih percobaan

Gambar 6 : Data uji percobaan

Setelah data latih dan data uji disiapkan dalam format xlsx (excel), dilakukan pemrograman untuk melakukan pelatihan jaringan. Arsitektur jaringan syaraf tiruan yang digunakan pada contoh ini adalah 12-10-1 yang artinya terdiri dari 12 nilai masukan (data curah hujan 12 bulan), 10 neuron pada hidden layer, dan satu nilai keluaran yaitu data curah hujan pada bulan berikutnya. Sehingga menghasilkan tampilan proses pelatihan jaringan seperti pada gambar berikut :

Gambar 7 : Hasil iterasi Neural Network Training

Pada pelatihan ini error goal (MSE) sebesar 0,00098434 dicapai pada epoch yang ke-211 seperti ditunjukkan pada gambar di bawah ini :

Gambar 8 : Pelatihan MSE

Grafik perbandingan keluaran JST (prediksi curah hujan) adalah sebagai berikut :

Gambar 9 : Perbandingan keluaran JST

5. Kesimpulan   [ K E M B A L I ]

Nilai koefisien korelasi dan nilai MSE yang dihasilkan pada proses pengujian menunjukkan bahwa jaringan syaraf tiruan propagasi balik cukup baik untuk memprediksi curah hujan. Kedua nilai tersebut dapat ditingkatkan performansinya dengan cara memperbanyak data latih serta mengubah-ubah parameter yang mempengaruhi performansi jaringan seperti error goal, jumlah epoch, arsitektur jaringan, jenis fungsi aktivasi, dll.

6. Link Download   [ K E M B A L I ]

Download source code, disini .

7. Referensi   [ K E M B A L I ]

• Cici Oktaviani dan Afdal, 2013, "Prediksi Curah Hujan Bulanan Menggunakan Jaringan Syaraf Tiruan dengan Beberapa Fungsi Pelatihan Backpropagation", Jurnal Fisika Unand. 2(4) : 228-237. Available : http://jfu.fmipa.unand.ac.id/index.php/jfu/article/download/49/48 , diakses tanggal 18 Juni 2019.
• Siang J.J., 2005, Jaringan Syaraf Tiruan dan Pemrograman Menggunakan MATLAB, Andi, Yogyakarta.
• https://pemrogramanmatlab.com/
• Minarti dan Iman, S.B., 2011, Prediksi Terjadinya Hujan Harian dengan Metode Jaringan Syaraf Tiruan di Stasiun Meteorologi Bandara Minangkabau, Jurnal Poli Rekayasa Vol.6, No.2, Jurusan Teknik Informatika Institut Teknologi Padang.
• Jumlah Curah Hujan Menurut Bulan di Kota Padang, Available : https://padangkota.bps.go.id/dynamictable/2018/08/28/241/jumlah-curah-hujan-menurut-bulan-di-kota-padang-2010-2017.html , diakses tanggal 20 Juni 2019