ANALISIS PREDIKSI CURAH HUJAN MENGGUNAKAN METODE JARINGAN SARAF TIRUAN BACKPROPAGATION DI KABUPATEN MUARO JAMBI

Rustan Rustan, Tika Restianingsih, Ester Kristianti

Abstract


Rainfall is one of the important natural factors influencing flood and drought conditions, and directly affects regional water resources and agricultural production. In general, weather conditions in a place and time tend to vary, so information about weather conditions is needed through rainfall predictions. The prediction method used is the backpropagation artificial neural network (ANN) method which is arranged according to the learning algorithm that will be used. This study uses four stages, namely data collection, data preprocessing, data processing, and research data analysis. The secondary data used is rainfall from 2014-2022 in Muaro Jambi Regency. Based on the results of testing the number of neurons in the hidden layer, it shows that the more the number of neurons, the higher the error value generated. This is because the training function used is saturated. Where the training function used has parameters that can increase and decrease the value of the learning rate. Next, compare the predictions for 2022 between BMKG data and predictions for ANN backpropagation. Based on the analysis of predictions for 2022 for rainfall and humidity, an average accuracy of 97.82% is obtained. This shows that the result of the ANN method is quite good in predicting rainfall.

Keywords


Prediction; Rainfall; Artificial Neural Network; Backpropagation

References


1. Chen, X., Lin, G., & Fu, Z. (2007). Long‐range correlations in daily relative humidity fluctuations: A new index to characterize the climate regions over China. Geophysical research letters, 34(7).

2. Crabbe, M. J. C. (2008). Climate change, global warming and coral reefs: Modelling the effects of temperature. Computational Biology and Chemistry, 32(5), 311–314.

3. Murphy, B. F., & Timbal, B. (2008). A review of recent climate variability and climate change in southeastern Australia. International Journal of Climatology: A Journal of the Royal Meteorological Society, 28(7), 859–879.

4. Helfer, F., Lemckert, C., & Zhang, H. (2012). Impacts of climate change on temperature and evaporation from a large reservoir in Australia. Journal of hydrology, 475, 365–378.

5. Pascawati, N. A., Satoto, T. B. T., Wibawa, T., Frutos, R., & Maguin, S. (2019). Dampak Potensial Perubahan Iklim Terhadap Dinamika Penularan Penyakit DBD Di Kota Mataram. Balaba: Jurnal Litbang Pengendalian Penyakit Bersumber Binatang Banjarnegara, 49–60.

6. Jain, S. K., & Kumar, V. (2012). Trend analysis of rainfall and temperature data for India. Current Science, 37-49.

7. Chaniago, R., & Wardani, K. R. R. (2014). Prediksi Cuaca Menggunakan Metode Case Based Reasoning dan Adaptive Neuro Fuzzy Inference System. Jurnal Informatika, 12(2), 90–95.

8. Kurniawan, T., Hanafi, L., & Apriliani, E. (2014). Penerapan Metode Filter Kalman Dalam Perbaikan Hasil Prediksi Cuaca Dengan Metode ARIMA. Jurnal Sains Dan Seni ITS, 3(2), A28–33.

9. Dwirani, F. (2019). Menentukan stasiun hujan dan curah hujan dengan metode polygon thiessen daerah kabupaten lebak. Jurnal Lingkungan Dan Sumberdaya Alam (JURNALIS), 2(2), 139–146.

10. Desvina, A. P., & Ratnawati, R. (2015). Penerapan Model Vector Autoregressive (Var) Untuk Peramalan Curah Hujan Kota Pekanbaru. SITEKIN: Jurnal Sains, Teknologi dan Industri, 11(2), 151–159.

11. Prawaka, F., Zakaria, A., & Tugiono, S. (2016). Analisis Data Curah Hujan yang Hilang Dengan Menggunakan Metode Normal Ratio, Inversed Square Distance, dan Cara Rata-Rata Aljabar (Studi Kasus Curah Hujan Beberapa Stasiun Hujan Daerah Bandar Lampung). Jurnal Rekayasa Sipil dan Desain, 4(3), 397–406.

12. Mirawati, T. D., Yasin, H., & Rusgiyono, A. (2013). Prediksi Curah Hujan dengan Metode Kalman Filter (studi kasus di Kota Semarang Tahun 2012). Jurnal Gaussian, 2(3), 239–248.

13. Fauziah, N., Wahyuningsih, S., & Nasution, Y. N. (2016). Peramalan Mengunakan Fuzzy Time Series Chen (Studi Kasus: Curah Hujan Kota Samarinda). Jurnal Statistika Universitas Muhammadiyah Semarang, 4(2).

14. Saragih, I. J. A., Rumahorbo, I., Yudistira, R., & Sucahyono, D. (2020). Prediksi Curah Hujan Bulanan Di Deli Serdang Menggunakan Persamaan Regresi Dengan Prediktor Data Suhu Dan Kelembapan Udara. Jurnal Meteorologi Klimatologi dan Geofisika, 7(2), 6–14.

15. Utomo, M. C. C., Mahmudy, W. F., Anam, S., & Brawijaya, F. U. (2017). Kombinasi Logika Fuzzy dan Jaringan Syaraf Tiruan untuk Prakiraan Curah Hujan Timeseries di Area Puspo–Jawa Timur. Jurnal teknologi Informasi dan Ilmu komputer, 4(3), 160–167.

16. Simbolon, D. A., Hartama, D., & Anggraini, F. (2019). Penerapan Jaringan Saraf Tiruan Dalam Memprediksi Gizi Balita Pada Puskesmas Siantar Utara Kota Pematangsiantar. Brahmana: Jurnal Penerapan Kecerdasan Buatan, 1(1), 48–54.

17. Hartanti, O. D. (2014). Perbandingan Hasil Peramalan dengan Metode Double Exponential Smoothing Holt dan Metode Jaringan Syaraf Tiruan. Jurnal Biometrika dan Kependudukan, 3(2), 144.

18. Oktaviani, C., & Afdal, A. (2013). Prediksi Curah Hujan Bulanan menggunakan Jaringan Syaraf Tiruan dengan Beberapa Fungsi Pelatihan Backpropagation (Studi Kasus: Stasiun Meteorologi Tabing Padang, Tahun 2001-2012). Jurnal Fisika Unand, 2(4).

19. Muflih, G. Z., Sunardi, S., & Yudhana, A. (2019). Jaringan Saraf Tiruan Backpropagation untuk Prediksi Curah Hujan di Wilayah Kabupaten Wonosobo. MUST: Journal of Mathematics Education, Science and Technology, 4(1), 45–56.

20. Firdausa, F. (2020). Simulasi Curah Hujan Bulanan Kota Palembang dengan Jaringan Syaraf Tiruan. PADURAKSA: Jurnal Teknik Sipil Universitas Warmadewa, 9(2), 143–150.

21. Supriyanto, Y., Ilhamsyah, M., & Enri, U. (2022). Prediksi Harga Minyak Kelapa Sawit Menggunakan Linear Regression Dan Random Forest. Jurnal Ilmiah Wahana Pendidikan, 8(7), 178–185.

22. Putra, I. G. S., & Septiani, R. (2016). Analisis Perbandingan Model Zmijewski dan Grover Pada Perusahaan Semen Di BEI 2008-2014. Jurnal Riset Akuntansi dan Keuangan, 4(3), 1143–1154.

23. Sun, W., & Huang, C. (2020). A carbon price prediction model based on secondary decomposition algorithm and optimized back propagation neural network. Journal of Cleaner Production, 243, 118671.

24. Darmawan, I. B., Maimunah, M., & Whidiasih, R. N. (2018). Identifikasi Warna Kerabang Telur Ayam Ras Menggunakan Jaringan Syaraf Tiruan. PIKSEL: Penelitian Ilmu Komputer Sistem Embedded and Logic, 6(2), 189–200.

25. Lahmiri, S. (2011). A comparative study of backpropagation algorithms in financial prediction. International Journal of Computer Science, Engineering and Applications (IJCSEA), 1(4), 15–21.

26. Riyanto, E. (2017). Peramalan Harga Saham Menggunakan Jaringan Syaraf Tiruan Secara Supervised Learning Dengan Algoritma Backpropagation. Jurnal Informatika Upgris, 3(2).

27. Guntoro, I., Midyanti, D. M., & Hidayati, R. (2022). Penerapan Dropout Pada Jaringan Saraf Tiruan Backpropagation Dalam Mengklasifikasi Tingkat Fine Fuel Moisture Code (Ffmc) Untuk Kebakaran Hutan Dan LahaN. Coding Jurnal Komputer dan Aplikasi, 10(01), 114–123.

28. Ashar, N. M., Cholissodin, I., & Dewi, C. (2018). Penerapan Metode Extreme Learning Machine (ELM) Untuk Memprediksi Jumlah Produksi Pipa Yang Layak (Studi Kasus Pada PT. KHI Pipe Industries). Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN, 2548, 964X.

29. Adi, S. (2017). Sistem Informasi Untuk Prediksi Keamanan Pembiayaan Nasabah Bank Syariah XYZ. Data Manajemen dan Teknologi Informasi (DASI), 18(1), 1–7.

30. Dewi, C., & Muslikh, M. (2013). Perbandingan Akurasi Backpropagation Neural Network dan ANFIS Untuk Memprediksi Cuaca. Journal of Natural A, 1(1), 7–13.

31. Rahmadani, N. (2019). Prediksi Ketinggian Gelombang Laut Menggunakan Jaringan Saraf Tiruan Backpropagation. Doctoral dissertation, Universitas Brawijaya.




DOI: http://dx.doi.org/10.31258/jkfi.20.1.31-38

Refbacks

  • There are currently no refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.

Indexing by:

  

 

Image