Seminar Nasional Informatika 2014

ANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA

PROSES PREDIKSI CURAH HUJAN KOTA MEDAN
MENGGUNAKAN METODE BACKPROPAGATION NEURAL
NETWORK
Yudhi Andrian1, M. Rhifky Wayahdi2
1
Dosen Teknik Informatika, STMIK Potensi Utama
2
Mahasiswa Sistem Informasi, STMIK Potensi Utama
1,2
STMIK Potensi Utama, Jl. K.L. Yos Sudarso Km 6,5 No. 3A Tanjung Mulia-Medan
1
yudhi.andrian@gmail.com, 2rhifky.wayahdi@yahoo.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. Salah satu algoritma
inisialisasi bobot yang dapat meningkatkan waktu eksekusi adalah nguyen-widrow. Pada penelitian ini
penulis akan memprediksi curah hujan di Kota Medan dengan metode backpropagation neural network
dengan memadukan algoritma inisialisasi nguyen-widrow pada proses inisialisasi bobotnya. Dari hasil
penelitian diketahui bahwa : pada proses trainning JST, semakin kecil nilai target error maka nilai iterasinya
akan semakin besar dan keakurasiannya juga semakin tinggi, pada kasus prediksi curah hujan di Kota Medan
dengan metode backpropagation neural network, proses training dengan inisialisasi bobot nguyen-widrow
tidak lebih baik dari bobot random, dan tingat keakurasian terbesar pada proses pengujian prediksi curah
hujan di Kota Medan dengan metode backpropagation neural network adalah 43.1 %, dengan target error
0.007.

Kata kunci : Prediksi curah hujan, nguyen-widrow, backpropagation, neural network

1. Pendahuluan algoritma backpropagation yang mengikuti

Dari aspek meteorologis, Indonesia
mempunyai kompleksitas dalam fenomena cuaca
dan iklim. Atmosfer di atas Indonesia sangat
kompleks dan pembentukan awannya sangat unik.
Secara latitudinal dan longitudinal, Indonesia di
bawah kekuasaan sirkulasi ekuatorial dan
monsunal yang berbeda karakteristiknya.
Beberapa kenyataan ini menunjukkan curah hujan
di Indonesia sangat labil, kompleks, dan memiliki
variabilitas yang sangat besar. Sehingga meskipun
ketepatan prediksi sangat penting, namun saat ini
sangat sulit diprediksi secara akurat dengan
metode peramalan tradisional. Bahkan dalam
bidang klimatologi, curah hujan di Indonesia
menjadi salah satu faktor yang paling sulit
diramalkan secara akurat. Perubahan iklim akibat
pemanasan global, mengakibatkan pergantian
musim di Indonesia menjadi tidak teratur [2].
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
Gradient Descent Method [5].
Kharola, Manisha dan Dinesh Kumar (2014)
menggunakan metode backpropagation untuk
memprediksi cuaca, dan menemukan bahwa
proses pelatihan dapat dilakukan dengan cepat.
Hasilnya lebih akurat untuk memprediksi cuaca di
masa depan ketika jumlah iterasi meningkat [3].
Naik, Arti R. dan Prof. S.K.Pathan (2012)
mengusulkan sebuah metode baru prakiraan cuaca
menggunakan jaringan saraf tiruan feed-forward
dan datanya dapat dilatih dengan menggunakan
algoritma Levenberg Marquardt untuk
memprediksi cuaca masa depan. Di antara
beberapa algoritma backpropagation,
backpropagation levenberg adalah yang tercepat
[5].
Mishra, Khushboo, et al. (2014) dalam
penelitiannya tentang kompresi citra mengatakan
bahwa dalam nguyen-widrow semua bobot dalam
jaringan disesuaikan dengan cara yang identik,
sehingga mencegah dan mengurangi kesalahan
fungsi. Bobot biasanya diinisialisasi dengan nilai
kecil yang acak. Hasil menunjukkan bahwa
algoritma yang digunakan (nguyen-widrow) dapat
meningkatkan waktu eksekusi [4].
Metode backpropagation yang telah
dijelaskan di atas dapat diterapkan dalam
memprediksi suatu keadaan yang akan datang.
Sedangkan inisialisasi nguyen-widrow dapat
meningkatkan waktu eksekusi. Pada penelitian ini

57
Seminar Nasional Informatika 2014
penulis akan memprediksi curah hujan di Kota
Medan dengan metode backpropagation neural
network dengan memadukan algoritma inisialisasi
nguyen-widrow pada proses inisialisasi bobotnya.
Penulis akan menggunakan data curah hujan
tahun 1997 – 2012. Tujuannya adalah untuk
mengetahui apakah algoritma inisialisasi nguyen-
widrow dapat mengurangi waktu pelatihan.
2. Algoritma Nguyen-Widrow
Nguyen-Widrow adalah sebuah algoritma
yang digunakan untuk inisialisasi bobot pada
jaringan saraf tiruan untuk mengurangi waktu
pelatihan. Algoritma inisialisasi nguyen-widrow
adalah sebagai berikut [4]:
a. Set:
n = jumlah unit input
p = jumlah unit tersembunyi
β = faktor skala = 0.7(p)1/n = 0.7
b. Untuk setiap unit tersembunyi (j=1,…,p),
lakukan tahap (c) – (f)
c. Untuk i=1,…,n (semua unit input), vij(old)=
bilangan acak antara -0.5 dan 0.5
d. Hitung nilai ||vj(old)||
e. Inisialisasi ulang bobot-bobot dari unit input
(i=1,…,n)
f. Bias yang dipakai sebagai inisialisasi:
voj = bilangan acak antara –β dan β.
3. Neural Network
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 3, yaitu lapisan
input (input layer), lapisan tersembunyi (hidden
layer), dan lapisan output (ouput layer) [7].
4. Metode Backpropagation
Salah satu algoritma JST adalah propagasi
balik (backpropagation) yaitu JST multi layer
yang mengubah bobot dengan cara mundur dari
lapisan keluaran ke lapisan masukan. Tujuannya
untuk melatih jaringan agar mendapatkan
keseimbangan kemampuan untuk mengenali pola
yang digunakan selama pelatihan serta
kemampuan jaringan untuk memberikan respon
yang benar terhadap pola masukan dengan pola
yang dipakai selama pelatihan [1].
58
Arsitektur backpropagation merupakan
salah satu arsitektur jaringan saraf 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) [6].
Langkah-langkah dalam membangun
algoritma backpropagation adalah sebagai berikut
[7]:
a. Inisialisasi bobot (ambil nilai random yang
cukup kecil).
b. Tahap perambatan maju (forward
propagation)
1) Setiap unit input (X1, i=1,2,3,…,n)
menerima sinyal xi dan meneruskan sinyal
tersebut ke semua unit pada lapisan
tersembunyi.
2) Setiap unit tersembunyi (Z1, j=1,2,3,…,p)
menjumlahkan bobot sinyal input,
ditunjukkan dengan persamaan (1).
(1)
Dan menerapkan fungsi aktivasi untuk
menghitung sinyal output-nya, ditunjukkan
dengan persamaan (2).
(2)
Fungsi aktivasi yang digunakan adalah
fungsi sigmoid, kemudian mengirimkan
sinyal tersebut ke semua unit output.
3) Setiap unit output (Yk, k=1,2,3,…,m)
menjumlahkan bobot sinyal input,
ditunjukkan dengan persamaan (3).
(3)
Dan menerapkan fungsi aktivasi untuk
menghitung sinyal output-nya, ditunjukkan
dengan persamaan (4).
(4)
c. Tahap perambatan balik (backpropagation)
1) Setiap unit output (Yk, k=1,2,3,…,m)
menerima pola target yang sesuai dengan
pola input pelatihan, kemudian hitung
error, ditunjukkan dengan persamaan (5).
(5)
f’ adalah turunan dari fungsi aktivasi.
Kemudian hitung korelasi bobot,
ditunjukkan dengan persamaan (6).
(6)
Dan menghitung koreksi bias, ditunjukkan
dengan persamaan (7).
(7)
Sekaligus mengirimkan δk ke unit-unit
yang ada di lapisan paling kanan.
2) Setiap unit tersembunyi (Zj, j=1,2,3,…,p)
menjumlahkan delta input-nya (dari unit-
unit yang berada pada lapisan di
(8)
 Seminar Nasional Informatika 2014

kanannya), ditunjukkan dengan persamaan banyaknya layar tersembunyi (hidden layer)

(8). yang digunakan, dan banyaknya keluaran
yang diinginkan. Data yang digunakan sebagai
masukan sebanyak 8 data (8 tahun) dan data
keluaran atau target adalah data pada tahun
Untuk menghitung informasi error, ke-9 (data input 1997 – 2004 dengan target
kalikan nilai ini dengan turunan dari fungsi 2005). Untuk mengetahui curah hujan pada
aktivasinya, ditunjukkan dengan tahun ke-10 maka data masukannya
persamaan (9). merupakan data pada tahun ke-2 sampai tahun
(9) ke-9 (data input 1998 – 2005 dengan target
2006), demikian seterusnya. Gambar 1
Kemudian hitung koreksi bobot,
menggambarkan desain jaringan saraf tiruan
ditunjukkan dengan persamaan (10).
backpropagation dengan input layer(xi)=8,
(10)
hidden layer(vi)=6, dan output layer(yi)=1.
Setelah itu, hitung juga koreksi bias,
ditunjukkan dengan persamaan (11). Input Layer Hidden Layer Output Layer
(11)
d. Tahap perubahan bobot dan bias x1
1) Setiap unit output (Yk, k=1,2,3,…,m)
dilakukan perubahan bobot dan bias
(j=0,1,2,…,p), ditunjukkan dengan x2 v1
persamaan (12).
(12)
Setiap unit tersembunyi (Zj, j=1,2,3,…,p) x3 v2
dilakukan perubahan bobot dan bias
(i=0,1,2,…,n), ditunjukkan dengan
persamaan (13). x4 v3
(13)
y1
2) Tes kondisi berhenti.
x5 v4
5. Metode Penelitian

Penelitian ini bertujuan untuk menganalisa x6 v5

inisialisasi algoritma nguyen-widrow pada proses
prediksi curah hujan di Kota Medan dengan
jaringan saraf tiruan metode backpropagation.
Penulis ingin mengetahui apakah ada perbedaan
antara inisialisasi bobot menggunakan algoritma
nguyen-widrow dengan inisialisasi bobot secara
random. Apakah pengenalan pola/pelatihan
dengan algoritma nguyen-widrow dapat
mengurangi waktu pelatihan.
Untuk mencapai tujuan tersebut, penulis
akan melakukan perbandingan dengan
menggunakan data sekunder curah hujan bulanan
Kota Medan tahun 1997 – 2012. 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 1997 – 2008 akan digunakan
sebagai data pelatihan selama perancangan
JST sedangkan data tahun 2009 – 2012
digunakan sebagi data pengujian.
b. Desain JST
Desain JST dilakukan untuk prediksi curah
hujan bulanan dimulai dengan menentukan
banyaknya data masukan yang digunakan,
x7 v6
x8
Gambar 1. 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 algoritma nguyen-widrow).
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

59
Seminar Nasional Informatika 2014

191.1 306.7 191.7 196.3 200.5 174 251.4 99.4 62

yang telah dibuat dalam memprediksi data 121.9 121.3 139.2 312.1 206.8 210.8 109.1 261.6 276.8
curah hujan pada tahun tertentu. Sedangkan 342.6 417.6 156.3 282 204.3 145.7 148.3 153.4 195.7
451.1 395.7 382.5 561.5 475.3 290.5 385.6 256.5 294.8
prediksi bertujuan untuk memprediksi data 367.5 733 363.8 471.9 377.5 175.5 271.4 303.3 342.2
curah hujan yang akan datang. 108 467.6 164.3 125.4 141.2 206.4 148.4 374.1 412.5
173.6 342.5 102.2 187.7 166.4 311.4 346.6 218.4 245.7

6. Hasil dan Analisa

Sebelum diproses data dinormalisasi terlebih
dahulu. Normalisasi terhadap data dilakukan agar
Prediksi curah hujan menggunakan metode
keluaran jaringan sesuai dengan fungsi aktivasi
backpropagation neural network dilakukan
yang digunakan. Data-data tersebut dinormalisasi
dengan membagi data menjadi tiga bagian, yaitu
dalam interval [0, 1] karena dalam prediksi curah
: data untuk training/ pelatihan, data untuk
hujan, nilai curah hujan pasti bernilai positif atau
testing/ pengujian, dan data untuk prediksi. Data
0. Selain itu juga terkait fungsi aktivasi yang
yang digunakan adalah data curah hujan Kota
diberikan yaitu sigmoid biner.
Medan tahun 1997 – 2012 (dapat dilihat di
Fungsi sigmoid adalah fungsi asimtotik
Lampiran Tabel 1). Di mana data tahun 1997 –
(tidak pernah mencapai 0 ataupun 1) maka
2008 digunakan sebagai pelatihan, data tahun
transformasi data dilakukan pada interval yang
2009 – 2012 digunakan sebagai pengujian, dan
lebih kecil yaitu [0.1, 0.8], ditunjukkan dengan
tahun 2013 – 2017 data yang akan diprediksi.
persamaan (14).
Pembagian data untuk pelatihan dapat dilihat pada
Tabel 2. (14)

Tabel 2(a). Data input tahun 1997 – 2004 a adalah data minimum, b adalah data maksimum,
dengan target tahun 2005 x adalah data yang akan dinormalisasi, dan x’
1997 1998 1999 2000 2001 2002 2003 2004 2005
106.2 181 315 59 216.5 90.8 169.4 138.8 189.1
adalah data yang telah ditransformasi. Sehingga
96.6 50.2 268.8 86.7 15.1 78.5 85.7 200.8 43.9 dihasilkan data hasil normalisasi yang
134.4 29.4 196.9 182.2 158 96.5 162.6 237.9 62.5
109.8 35.3 322 115 164.8 73.4 285.3 88.5 168.2 ditunjukkan pada Tabel 3.
80.9 133.5 302.6 60.3 252.8 195.2 245.7 68 229.5
175.3 144.6 256.2 191.1 306.7 191.7 196.3 200.5 174
225.8 213 29.9 121.9 121.3 139.2 312.1 206.8 210.8 Tabel 3(a). Data hasil normalisasi tahun 1997
95.7 381 78.6 342.6 417.6 156.3 282 204.3 145.7 – 2004 dengan target tahun 2005
290.6 170.8 407.2 451.1 395.7 382.5 561.5 475.3 290.5
1997 1998 1999 2000 2001 2002 2003 2004 2005
391.1 340.3 204.1 367.5 733 363.8 471.9 377.5 175.5 0.208 0.29 0.438 0.156 0.33 0.191 0.278 0.244 0.299
265.4 275.8 126.4 108 467.6 164.3 125.4 141.2 206.4
0.197 0.146 0.387 0.186 0.107 0.177 0.185 0.312 0.139
182.4 394.2 456.3 173.6 342.5 102.2 187.7 166.4 311.4
0.239 0.123 0.308 0.292 0.265 0.197 0.27 0.353 0.16
0.212 0.129 0.446 0.218 0.273 0.172 0.406 0.188 0.276
0.18 0.238 0.425 0.157 0.37 0.306 0.362 0.166 0.344
Tabel 2(b). Data input tahun 1998 – 2005 0.284 0.25 0.373 0.302 0.429 0.302 0.307 0.312 0.283
dengan target tahun 2006 0.34 0.326 0.124 0.225 0.224 0.244 0.435 0.319 0.323
1998 1999 2000 2001 2002 2003 2004 2005 2006 0.196 0.511 0.177 0.469 0.552 0.263 0.402 0.316 0.251
181 315 59 216.5 90.8 169.4 138.8 189.1 103.9 0.411 0.279 0.54 0.589 0.527 0.513 0.711 0.615 0.411
50.2 268.8 86.7 15.1 78.5 85.7 200.8 43.9 130.5 0.522 0.466 0.316 0.496 0.9 0.492 0.12 0.507 0.284
29.4 196.9 182.2 158 96.5 162.6 237.9 62.5 121.2 0.384 0.395 0.23 0.21 0.607 0.272 0.229 0.246 0.318
35.3 322 115 164.8 73.4 285.3 88.5 168.2 222.5 0.292 0.526 0.594 0.282 0.469 0.203 0.298 0.274 0.434
133.5 302.6 60.3 252.8 195.2 245.7 68 229.5 300.5
144.6 256.2 191.1 306.7 191.7 196.3 200.5 174 251.4
213 29.9 121.9 121.3 139.2 312.1 206.8 210.8 109.1 Tabel 3(b). Data hasil normalisasi tahun 1998 –
381 78.6 342.6 417.6 156.3 282 204.3 145.7 148.3 2005 dengan target tahun 2006
170.8 407.2 451.1 395.7 382.5 561.5 475.3 290.5 385.6
1998 1999 2000 2001 2002 2003 2004 2005 2006
340.3 204.1 367.5 733 363.8 471.9 377.5 175.5 271.4 0.29 0.438 0.156 0.33 0.191 0.278 0.244 0.299 0.205
275.8 126.4 108 467.6 164.3 125.4 141.2 206.4 148.4 0.146 0.387 0.186 0.107 0.177 0.185 0.312 0.139 0.235
394.2 456.3 173.6 342.5 102.2 187.7 166.4 311.4 346.6
0.123 0.308 0.292 0.265 0.197 0.27 0.353 0.16 0.224
0.129 0.446 0.218 0.273 0.172 0.406 0.188 0.276 0.336
0.238 0.425 0.157 0.37 0.306 0.362 0.166 0.344 0.422
Tabel 2(c). Data input tahun 1999 – 2006 0.25 0.373 0.302 0.429 0.302 0.307 0.312 0.283 0.368
dengan target tahun 2007 0.326 0.124 0.225 0.224 0.244 0.435 0.319 0.323 0.211
1999 2000 2001 2002 2003 2004 2005 2006 2007 0.511 0.177 0.469 0.552 0.263 0.402 0.316 0.251 0.254
315 59 216.5 90.8 169.4 138.8 189.1 103.9 169.6 0.279 0.54 0.589 0.527 0.513 0.711 0.615 0.411 0.516
268.8 86.7 15.1 78.5 85.7 200.8 43.9 130.5 8.6 0.466 0.316 0.496 0.9 0.492 0.12 0.507 0.284 0.39
196.9 182.2 158 96.5 162.6 237.9 62.5 121.2 62.3 0.395 0.23 0.21 0.607 0.272 0.229 0.246 0.318 0.254
322 115 164.8 73.4 285.3 88.5 168.2 222.5 277.2 0.526 0.594 0.282 0.469 0.203 0.298 0.274 0.434 0.473
302.6 60.3 252.8 195.2 245.7 68 229.5 300.5 330.2
256.2 191.1 306.7 191.7 196.3 200.5 174 251.4 99.4
29.9 121.9 121.3 139.2 312.1 206.8 210.8 109.1 261.6 Tabel 3(c). Data hasil normalisasi tahun 1999
78.6 342.6 417.6 156.3 282 204.3 145.7 148.3 153.4 – 2006 dengan target tahun 2007
407.2 451.1 395.7 382.5 561.5 475.3 290.5 385.6 256.5
1999 2000 2001 2002 2003 2004 2005 2006 2007
204.1 367.5 733 363.8 471.9 377.5 175.5 271.4 303.3
0.438 0.156 0.33 0.191 0.278 0.244 0.299 0.205 0.278
126.4 108 467.6 164.3 125.4 141.2 206.4 148.4 374.1 0.387 0.186 0.107 0.177 0.185 0.312 0.139 0.235 0.1
456.3 173.6 342.5 102.2 187.7 166.4 311.4 346.6 218.4 0.308 0.292 0.265 0.197 0.27 0.353 0.16 0.224 0.159
Tabel 2(d). Data input tahun 2000 – 2007 0.446 0.218 0.273 0.172 0.406 0.188 0.276 0.336 0.397
0.425 0.157 0.37 0.306 0.362 0.166 0.344 0.422 0.455
dengan target tahun 2008 0.373 0.302 0.429 0.302 0.307 0.312 0.283 0.368 0.2
2000 2001 2002 2003 2004 2005 2006 2007 2008 0.124 0.225 0.224 0.244 0.435 0.319 0.323 0.211 0.379
59 216.5 90.8 169.4 138.8 189.1 103.9 169.6 126.7 0.177 0.469 0.552 0.263 0.402 0.316 0.251 0.254 0.26
86.7 15.1 78.5 85.7 200.8 43.9 130.5 8.6 16.2 0.54 0.589 0.527 0.513 0.711 0.615 0.411 0.516 0.374
182.2 158 96.5 162.6 237.9 62.5 121.2 62.3 126.8 0.316 0.496 0.9 0.492 0.12 0.507 0.284 0.39 0.425
115 164.8 73.4 285.3 88.5 168.2 222.5 277.2 146 0.23 0.21 0.607 0.272 0.229 0.246 0.318 0.254 0.504
60.3 252.8 195.2 245.7 68 229.5 300.5 330.2 172.5 0.594 0.282 0.469 0.203 0.298 0.274 0.434 0.473 0.332

60
 Seminar Nasional Informatika 2014

Tabel 3(d). Data hasil normalisasi tahun 2000 – 0.378 0.3781 0.2884 0.3452 0.0352 0.305
0.4162 0.1741 0.2884 0.3452 0.0352 0.305
2007 dengan target tahun 2008 0.2054 0.1427 0.3421 0.2915 0.1733 0.1439
2000 2001 2002 2003 2004 2005 2006 2007 2008
0.3637 0.3945 0.3238 0.4437 0.5985 0.1168
0.156 0.33 0.191 0.278 0.244 0.299 0.205 0.278 0.23
0.186 0.107 0.177 0.185 0.312 0.139 0.235 0.1 0.108 0.3047 0.4689 0.1341 0.2402 0.0699 0.5146
0.292 0.265 0.197 0.27 0.353 0.16 0.224 0.159 0.231 0.2963 0.0076 0.3161 0.045 0.0677 0.4113
0.218 0.273 0.172 0.406 0.188 0.276 0.336 0.397 0.252 Bias input ke hidden
0.157 0.37 0.306 0.362 0.166 0.344 0.422 0.455 0.281 0.1422 0.0228 0.1479 0.191 0.1505 0.4743
0.302 0.429 0.302 0.307 0.312 0.283 0.368 0.2 0.159 Bobot hidden ke output
0.225 0.224 0.244 0.435 0.319 0.323 0.211 0.379 0.396
0.4899 0.2007 0.1391 0.0802 0.0814 0.3233
0.469 0.552 0.263 0.402 0.316 0.251 0.254 0.26 0.307
0.589 0.527 0.513 0.711 0.615 0.411 0.516 0.374 0.416 Bias hidden ke output 0.367
0.496 0.9 0.492 0.12 0.507 0.284 0.39 0.425 0.468
0.21 0.607 0.272 0.229 0.246 0.318 0.254 0.504 0.546
0.282 0.469 0.203 0.298 0.274 0.434 0.473 0.332 0.362 Proses training dengan menggunakan bobot
nguyen-widrow pada tabel 5 menghasilkan
Setelah proses normalisasi dilakukan, kuadrat error=0.01 pada iterasi ke-74. Penurunan
selanjutnya dilakukan proses inisialisasi bobot. kuadrat error dapat dilihat pada Gambar 3.
Proses inisialisasi bobot dikelompokkan menjadi
dua bagian, yaitu inisialisasi bobot random dan
inisialisasi bobot menggunakan algoritma nguyen-
widrow.
Langkah pertama akan dilakukan uji coba
dengan menggunakan bobot yang digenerate
secara random dengan hidden layer=6. Bobot
random yang telah digenerate dapat dilihat pada
Tabel 4.

Tabel 4. Generate bobot random Gambar 3. Penurunan kuadrat error iterasi

Bobot input ke hidden awal
0.3528 0.2667 0.2898 0.1448 0.151 0.3874 ke-74
0.007 0.3804 0.4072 0.3545 0.0227 0.207
0.4313 0.3952 0.1868 0.481 0.4357 0.0281
Pada pengujian awal ini didapatkan hasil
0.4748 0.182 0.2624 0.3836 0.0268 0.2962 bahwa jumlah iterasi pada proses tranning dengan
0.2344 0.1491 0.3113 0.3239 0.1319 0.1397
0.4149 0.4123 0.2946 0.493 0.4555 0.1134
menggunakan bobot random lebih cepat
0.3476 0.49 0.122 0.2669 0.0532 0.4997 dibandingkan dengan penggunaan bobot nguyen-
0.3381 0.0079 0.2876 0.05 0.0515 0.3394
Bias input ke hidden widrow. Selanjutnya dilakukan bebepara kali
0.1422 0.0228 0.1479 0.191 0.1505 0.4743 proses trainning dan pengujian/testing dengan
Bobot hidden ke output
0.4899 0.2007 0.1391 0.0802 0.0814 0.3233 menggunakan bobot random dan bobot nguyen-
Bias hidden ke output 0.367 widrow, dimana jumlah hidden layer tetap yaitu 6
dan nilai target error yang bervariasi. Hasil dari
Proses training dengan menggunakan bobot pengujian ini dapat dilihat pada tabel 6.
random pada tabel 4 menghasilkan kuadrat
error=0.01 pada iterasi ke-66. Penurunan kuadrat Tabel 6. Perbandingan hasil pengujian bobot
error dapat dilihat pada Gambar 2. random dengan bobot nguyen-widrow
Target Bobot random Bobot nguyen-widrow
error Iterasi Keakurasian Iterasi keakurasian
0.09 2 3.12 % 2 2.96 %
0.06 2 3.12 % 2 2.96 %
0.03 3 3.37 % 3 3.33 %
0.01 66 25 % 74 24.9 %
0.009 87 33.08 % 96 33.06 %
0.008 186 41.65 % 194 41.92 %
0.007 4691 42.75 % 5155 43.1 %
Rata-
719.57 21.73 % 789.43 21.75 %
rata

Dari hasil pengujian pada tabel 6 didapatkan

Gambar 2. Penurunan kuadrat error dari bahwa pada inisialisasi bobot random jumlah
training dengan menggunakan bobot random iterasi paling kecil ada pada target error 0.09 dan
Selanjutnya sebagai perbandingan dilakukan 0.06 dengan jumlah iterasi=2 dengan tingkat
uji coba dengan menggunakan bobot nguyen- keakurasian=3.12% dan jumlah iterasi paling
widrow dengan hidden layer=6. Bobot yang besar ada pada target error 0.007 dengan jumlah
dihasilkan dari algoritma inisialisasi nguyen- iterasi=4691 dengan tingkat
widrow ditunjukkan pada Tabel 5. keakurasian=42.75%. Sedangkan pada inisialisasi
bobot nguyen-widrow jumlah iterasi paling kecil
Tabel 5. Inisialisasi bobot nguyen-widrow sama seperti inisialisasi bobot random yaitu
Bobot input ke hidden awal iterasi ke-2 namun dengan tingkat
0.3092 0.2552 0.3185 0.1303 0.1984 0.399
0.0061 0.364 0.4475 0.319 0.0298 0.2132 keakurasian=2.96% dan jumlah iterasi paling

61
Seminar Nasional Informatika 2014

besar ada pada target error 0.007 dengan tingkat baik dari bobot random, hal ini dapat dilihat
keakurasian=43.1%. Ini berarti semakin kecil dari proses training dengan bobot nguyen-
nilai target error maka nilai iterasinya akan widrow lebih lama dibandingkan proses
semakin besar dan keakurasiannya juga semakin training dengan bobot random.
tinggi. c. Tingat keakurasian terbesar pada proses
Dari hasil pengujian pada tabel 6 juga dapat pengujian prediksi curah hujan di Kota Medan
dilihat bahwa proses training dengan bobot dengan metode backpropagation neural
nguyen-widrow lebih lama dibandingkan dengan network adalah 43.1 %, dengan target error
bobot random. Hal ini berarti bahwa pada kasus 0.007.
prediksi curah hujan di Kota Medan dengan
metode backpropagation neural network, proses Daftar Pustaka:
training dengan inisialisasi bobot nguyen-widrow
tidak lebih baik dari bobot random. [1] Ihwan, Andi, 2013, Metode Jaringan Saraf
Proses terakhir yaitu melakukan prediksi Tiruan Propagasi Balik untuk Estimasi Curah
curah hujan untuk beberapa tahun berikutnya Hujan Bulanan di Ketapang Kalimantan
dengan mengambil nilai bobot hasil inisialisasi Barat, Prosiding Semirata FMIPA
nguyen-widrow dengan keakurasian 43.1 %. Hasil Universitas Lampung.
prediksi dapat dilihat pada Tabel 7. [2] Indrabayu, et al., 2011, Prediksi Curah Hujan
di Wilayah Makasar Menggunakan Metode
Tabel 7. Hasil prediksi curah hujan 2013-2017 Wavelet-Neural Network, Jurnal Ilmiah
Tahun
2013 2014 2015 2016 2017
“Elektrikal Enjiniring” UNHAS, Vol. 09, No.
Bulan
02, Agustus.
1 116 136.4 147.5 165.6 150.3
2 107.9 89.6 101 108.8 102.4 [3] Kharola, Manisha and Dinesh Kumar, 2014,
3 149.9 134.4 173.8 203 178.1 Efficient Weather Prediction By Back-
4 214.2 196 160.5 153.6 137
5 314.2 285.6 232.2 238.2 174 Propagation Algorithm, IOSR Journal of
6 133.7 104.1 112.3 129.3 139.5 Computer Engineering (IOSR-JCE), Volume
7 189.3 230 198 175.6 169.9
8 150.1 154 197 252.2 255.7 16, Issue 3, Ver. IV, June.
9
10
258.1
293.5
229.9
268.8
245.5
250.1
210.4
219.9
162
218
[4] Mishra, Khushboo, et al, 2014, Image
11 248.5 298.7 233.3 175.7 199 Compression Using Multilayer Feed Forward
12 241 197.6 159 122 154.4
Rata-rata 201.367 193.758 184.183 179.525 170.025
Artificial Neural Network with Nguyen
Widrow Weight Initialization Method,
Dari tabel 7 hasil prediksi curah hujan tahun International Journal of Emerging
2013-2017, diperkirakan bahwa curah hujan rata- Technology and Advanced Engineering,
rata pertahun akan semakin turun dari tahun 2013 Volume 4, Issue 4, April.
sampai tahun 2017. Tahun 2013 rata-rata curah [5] Naik, Arti R. and S.K.Pathan, 2012, Weather
hujan adalah 201.367, sedangkan pada tahun 2017 Classification and Forecasting using Back
rata-rata curah hujan adalah 170.025. Propagation Feed-forward Neural Network,
International Journal of Scientific and
7. Kesimpulan Research Publications, Volume 2, Issue 12,
December.
Dari hasil penelitian dapat diambil beberapa [6] Oktaviani, Cici dan Afdal, 2013, Prediksi
kesimpulan antara lain: Curah Hujan Bulanan Menggunakan
a. Pada proses trainning JST, semakin kecil nilai Jaringan Syaraf Tiruan dengan Beberapa
target error maka nilai iterasinya akan Fungsi Pelatihan Backpropagation, Jurnal
semakin besar dan keakurasiannya juga Fisika Unand, Vol. 2, No. 4, Oktober.
semakin tinggi [7] Sutojo, T., et al, 2010, Kecerdasan Buatan,
b. Pada kasus prediksi curah hujan di Kota Yogyakarta: Andi Offset.
Medan dengan metode backpropagation
neural network, proses training dengan Lampiran:
inisialisasi bobot nguyen-widrow tidak lebih Data curah hujan Kota Medan tahun 1997 – 2012

62
 Seminar Nasional Informatika 2014

Tabel 1. Data curah hujan Kota Medan tahun 1997 – 2012

Bln 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012
1 106.2 181 315 59 216.5 90.8 169.4 138.8 189.1 103.9 169.6 126.7 196 166.1 155.9 62
2 96.6 50.2 268.8 86.7 15.1 78.5 85.7 200.8 43.9 130.5 8.6 16.2 95.4 30.2 81.1 93
3 134.4 29.4 196.9 182.2 158 96.5 162.6 237.9 62.5 121.2 62.3 126.8 342.6 142.8 289.2 202
4 109.8 35.3 322 115 164.8 73.4 285.3 88.5 168.2 222.5 277.2 146 223.8 65.4 215.1 206
5 80.9 133.5 302.6 60.3 252.8 195.2 245.7 68 229.5 300.5 330.2 172.5 466.7 129 217.3 515
6 175.3 144.6 256.2 191.1 306.7 191.7 196.3 200.5 174 251.4 99.4 62 77.7 156.4 128 57
7 225.8 213 29.9 121.9 121.3 139.2 312.1 206.8 210.8 109.1 261.6 276.8 191.5 219.5 138.5 279
8 95.7 381 78.6 342.6 417.6 156.3 282 204.3 145.7 148.3 153.4 195.7 306 382.3 283.3 160
9 290.6 170.8 407.2 451.1 395.7 382.5 561.5 475.3 290.5 385.6 256.5 294.8 386 89.4 262.7 242
10 391.1 340.3 204.1 367.5 733 363.8 471.9 377.5 175.5 271.4 303.3 342.2 340.2 161.3 417.7 339
11 265.4 275.8 126.4 108 467.6 164.3 125.4 141.2 206.4 148.4 374.1 412.5 130.6 246.4 232.9 300
12 182.4 394.2 456.3 173.6 342.5 102.2 187.7 166.4 311.4 346.6 218.4 245.7 46.1 159.2 169.3 270

63