Perbaikan Prakiraan Cuaca Bandara Abdulrahman Saleh Malang Menggunakan Neural Network Multilayer dengan Algoritma Backpropagation
| Main Author: | Yuniar, RistyJayanti |
|---|---|
| Format: | Thesis NonPeerReviewed |
| Terbitan: |
, 2013
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/155441/ |
Daftar Isi:
- Cuaca merupakan salah satu faktor yang sangat penting dalam penerbangan. Rekomendasi kelayakan penerbangan dipengaruhi oleh curah hujan dan kecepatan angin. Prediksi cuaca merupakan suatu usaha manusia untuk melihat perkembangan kondisi udara yang lalu, sekarang, dan yang akan datang khususnya dalam kaitan mengantisipasi kondisi yang terjadi. Salah satu metode prakiraan yang dapat diaplikasikan dengan baik adalah neural network . Sistem kepakaran neural network mempunyai kelebihan mampu beradaptasi dalam pembelajaran dan mampu menyederhanakan sistem komplek. Neural network mampu melakukan pemodelan non linier tanpa mengetahui hubungan antara input dan variabel output sehingga pemodelan ini lebih umum dan fleksibel untuk prakiraan. Penelitian ini bertujuan untuk memprakirakan kecepatan angin dan curah hujan di Bandara Abdulrahman Saleh Malang menggunakan neural network multilayer dengan algoritma backpropagation. Data penelitian yang digunakan adalah data tahun 2007-2012. Parameter yang digunakan dalam penelitian ini terdiri dari tiga input yakni, suhu udara ( 0 C), kelembaban udara (%), tekanan udara(mb) dan dua output yakni, kecepatan angin (m/s) dan curah hujan (mm). Kondisi curah hujan di Indonesia mengalami kondisi trend (musim) yaitu musim hujan dan musim kemarau. Pada saat musim kemarau pola data curah hujan cenderung statis (tetap). Kondisi ini mengakibatkan jaringan sulit untuk melakukan proses training karena data input jaringan adalah pola acak. Dalam penelitian ini digunakan dua pola input data curah hujan. Pola pertama menggunakan input curah hujan dalam 12 bulan (musim kemarau dan musim hujan). Pola kedua menggunakan input curah hujan dalam 6 bulan (musim kemarau atau musim hujan). Pola input kedua menghasilkan nilai prosentase error yang lebih kecil daripada pola pertama. Proses training menghasilkan arsitektur terbaik dengan