Perbandingan JST Metode Backpropagation dan Metode Radial Basis dalam Memprediksi Curah Hujan Harian Bandara Internasional Minangkabau

Abstract

Telah dilakukan prediksi curah hujan harian menggunakan jaringan syaraf tiruan dengan beberapa fungsi pelatihan backpropagation dan radial basis. Penelitian ini menggunakan data curah hujan harian dari Badan Meteorologi Klimatologi dan Geofisika Stamet Kelas II Bandara Internasional Minangkabau Padang Pariaman dari tahun 2008 sampai tahun 2018. Penelitian ini bertujuan untuk membandingkan kinerja prediksi curah hujan jaringan syaraf tiruan Backpropagation dan Radial Basis dan menentukan arsitektur jaringan syaraf tiruan terbaik untuk prediksi curah hujan di Bandara Internasional Minangkabau. Untuk metode backpropagation optimisasi dilakukan terhadap jumlah lapisan tersembunyi, jumlah neuron pada lapisan tersembunyi, fungsi transfer, fungsi latih dan jumlah data masukan pada data latih. Untuk metode radial basis optimisasi dilakukan pada jumlah neuron lapisan tersembunyi, jumlah data masukan pada data latih dan nilai spread. Dari penelitian ini ditemukan hasil terbaik untuk metode backpropagationadalah dengan menggunakan fungsi latih trainlm dan arsitektur (60-70-6-1) dengan tingkat ketepatan prediksi 86,4876%. Untuk metode radial basis hasil terbaiknya diperoleh nilai spread 0,01 dengan arsitektur (60-120-1) dan tingkat ketepatan prediksi 95,3107%. Dengan demikian dapat disimpulkan metode paling bagus untuk prediksi curah hujan harian pada daerah Bandara Internasional Minangkabau adalah metode radial basis. Research on daily rainfall predictions have made by using artificial neural networks with some backpropagation and radial basis training functions. This study used daily rainfall data from the Meteorology Climatology and Geophysics Agency in Class II of the Minangkabau International Airport Padang Pariaman from 2008 to 2018. The purposes of the study is to compare the predicted performance of rainfall in Backpropagation and Radial Neural Networks and determine which one the best artificial neural network architecture for rainfall predictions at Minangkabau International Airport is. For the backpropagation method, optimization is performed on the number of hidden layers, the number of neurons in the hidden layer, the transfer function, the training function and the amount of input data on the training data. For the radial basis optimization method is performed on the number of hidden layer neurons, the amount of input data on the training data and the spread value. From this study found the best results for the backpropagation method were obtained with trainlm and architectural training functions (60-70-6-1) with a prediction accuracy level of 86.4876%. The best results for the radial basis method by value of a spread is 0.01 with architecture (60-120-1) and a predictive accuracy rate of 95.3107%. Thus the best method for the prediction of daily rainfall in the area of the Minangkabau International Airport is the radial basis method.

Penerapan Algoritma Backpropagation Neural Network dalam Memprediksi Curah Hujan Harian Kota Bandung

“…Pendahuluan Letak wilayah Indonesia yang terletak pada wilayah ekuatorial berpotensi mengalami penguapan dalam jumlah yang besar sehingga pada musim kemarau tetap terjadi hujan di wilayah Indonesia. Intensitas curah hujan yang tinggi di Indonesia juga disebabkan oleh faktor lain, yaitu Indonesia yang merupakan negara yang memiliki luas daratan lebih minim dibandingkan dengan luas lautan atau dikenal dengan negara kepulauan [5].…”

Backpropagation and Radial Basis Function Methods for Predicting Rainfall in Sukabumi City Using Artificial Neural Networks: A Comparative Analysis

“…This position makes Indonesia the confluence of the Meridian (North-South) Circulation known as the Hadley Circulatory and the Neotropical (East-West) Circulation known as the Walker Circulation, which significantly impacts Indonesia's regional climatic variety. The sun's passage from 23.5 degrees north latitude to 23.5 degrees south latitude over the course of the year causes the lunar activity to influence climatic variety [1], [2].…”