Analisis Laju Pembelajaran Pada Backpropagation Dalam Memprediksi Bencana Alam Akibat Cuaca Ekstrim
DOI:
https://doi.org/10.52072/unitek.v16i1.553Kata Kunci:
Learning Rate, Backpropagation, Predictions, Natural Disasters, Extreme WeatherAbstrak
Jaringan Syaraf Tiruan merupakan metode komputasi yang didasarkan pada model matematika yang memiliki struktur seperti syaraf dan operasi yang menyerupai otak manusia. Backpropagation merupakan algoritma pada JST yang cocok dijadikan untuk memprediksi, terutama memprediksi bencana alam akibat cuaca ekstrim. Data cuaca yang digunakan merupakan data yang continue atau terus menerus dengan priode harian. Algoritma Backpropagation dibentuk dengan membuat generalisasi aturan pelatihan dengan cara menambahkan lapisan tersembunyi. Selain itu Backpropagation akan merubah bobot untuk mengurangi perbedaan antara output jaringan dan target output. Sehingga pada jaringan yang dilatih mendapatkan keseimbangan atara kemampuan jaringan untuk mengenali pola yang digunakan selama pelatihan serta kemampuan jaringan untuk memberikan respon yang benar terhadap pola masukan serupa dengan pola yang dipakai selama pelatihan dan mencapai error yang dituju. Laju pembelajaran yang dikenal juga dengan laju pembelajaran adalah salah satu parameter yang digunakan dalam melakukan training atau pembelajaran pada Backpropagation. Laju pembelajaran adalah salah satu parameter yang mempengaruhi proses pembelajaran pada Backpropagation. Laju pembelaran menunjukkan berapa cepat suatu jaringan dapat mengenali target. Hasil beberapa pelatihan didapat bahwa arsitektur yang terdiri dari 15 hidden layer dan laju pembelajaran sebesar 0,2 menghasilkan 232 epoch dan MSE 0,0000972. Pada proses pengujian data Backpropagation dapat memprediksi bencana alam akibat cuaca ekstrim dengan keakuratan sampai 96,83%.
Unduhan
Referensi
Damayanti, Fera. 2017. “Penerapan Jaringan Syaraf Tiruan Metode Backropagation Dalam Mengklasifikasi Pasien Pasca Operasi Kanker Paru.” Prosiding SNASTIKOM 2017 24–29.
Efendi, Indra, and Zulfani Sesmiarni. 2022. “Pentingnya Metodologi Penelitian Dalam Pendidikan Islam.” Jurnal Penelitian Ilmu Pendidikan Indonesia 1(2):59–68.
Fera Damayanti, and Rismayanti Rismayanti. 2022. “Optimasi Fungsi Pembelajaran Backpropagation Dalam Mengklasifikasikan Pasien Kanker Paru Pasca Operasi.” Jurnal Unitek 15(1):49–58. doi: 10.52072/unitek.v15i1.335.
Hardinata, Jaya Tata, Harly Okprana, Agus Perdana Windarto, and Widodo Saputra. 2019. “Analisis Laju Pembelajaran Dalam Mengklasifikasi Data Wine Menggunakan Algoritma Backpropagation.” J-SAKTI (Jurnal Sains Komputer Dan Informatika) 3(2):422. doi: 10.30645/j-sakti.v3i2.161.
Jaya, Hendra, Drs Sabran, M. Pd, Muh Ma, Yasser A. Djawad, M. Sc, A. Ilham, Ansari Saleh Ahmar, S. Si, and M. Sc. 2018. Kecerdasan Buatan. Vol. 53.
Nafi’iyah, Nur, Ahmad Ahmad Salaffudin1, and Nur Qomariyah Nawafilah. 2020. “Algoritma Backpropagation Untuk Memprediksi Korban Bencana Alam.” Smatika Jurnal 9(02):77–81. doi: 10.32664/smatika.v9i02.400.
Nugroho, Sugeng. 2019. “Analisis Iklim Ekstrim Untuk Deteksi Perubahan Iklim Di Sumatera Barat.” Jurnal Ilmu Lingkungan 17(1):7. doi: 10.14710/jil.17.1.7-14.
Suryadi, Sudi. 2019. “Implementasi Normalisasi Dalam Perancangan Database Relational.” U-NET Jurnal Teknik Informatika 3(2):20–26. doi: 10.52332/u-net.v3i2.7.
Wanto, Anjar, Nlwsr Ginantra, N. Nurmawati, Gita Widi Bhawika, G. S. Achmad Daengs, P. Purwantoro, A. Abdussakir, and T. Taufiqurrahman. 2019. “Analysis of the Backpropagation Algorithm in Viewing Import Value Development Levels Based on Main Country of Origin.” Journal of Physics: Conference Series 1255(1). doi: 10.1088/1742-6596/1255/1/012013.
Windarto, Agus Perdana, Muhammad Ridwan Lubis, and Solikhun. 2018. “Model Arsitektur Neural Network Dengan Backpropogation Pada Prediksi Total Laba.” Kumpulan Jurnal Ilmu Komputer 05(02):147–58.
