PREDIKSI CUACA PADA DATA TIME SERIES MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK (BPNN)
Abstract
Perubahan cuaca yang ekstrim dapat menimbulkan bencana. Kerugian akibat bencana alam ini dapat kita minimalisir apabila ada persiapan yang matang dalam menghadapi kemungkinan terjadinya bencana alam. Dan persiapan yang matang dalam menghadapi bencana alam tentunya didasarkan pada pengetahuan tentang prediksi kapan dan dimana bencana alam tersebut akan terjadi. Perubahan cuaca ini dapat diprediksi berdasarkan data cuaca di masa lampau. Data pada penelitian kali ini bersumber dari database Badan Meteorologi, Klimatologi dan Geofisika(BMKG). Kemudian dilakukan preprocessing, berupa cleansing dan penyesuaian data. Backpropagation neural network (BPNN) merupakan algoritma yang dipakai penulis dalam melakukan forecasting terkait perubahan kondisi cuaca. Backpropagation neural network (BPNN) pada penelitian ini dibangun dengan menggunakan library keras dan Tensorflow. Bahasa pemrograman yang digunakan pada penelitian kali ini adalah python dan dengan menggunakan tools jupyter notebook. Model yang digunakan adalah menggunakan 1 input layer, 6 hidden layer dan 1 output layer. Sedangkan untuk epochs yang digunakan berjumlah 10000. Dan model evaluasi dengan Mean Squared Error (MSE) Hasil dari penelitian ini berbentuk grafik per parameter cuaca di wilayah Bandung pada tahun 2021.
Kata kunci— backpropagation neural network, cuaca, time series, machine learning
Downloads
References
Craft, E. D. (2003). An Economic History of Weather Forecasting. The American Historical Review, 37(2), 350.
Dewi, C., & Muslikh, M. (2013). Perbandingan Akurasi Backpropagation Neural Network dan ANFIS Untuk Memprediksi Cuaca. Journal of Scientific Modeling & Computation, 1(1), 7–13.
Fayyad, U., Piatetsky-Shapiro, G., & Smyth, P. (2015). From Data Mining to Knowledge Discovery in Databases. Lecture Notes in Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 9078(3), 637–648.
Hansun, S. (2013). Peramalan Data IHSG Menggunakan Metode Backpropagation. IV(1), 26–30.
Heizer, J., & Render, B. (2009). Principios de Administración de Operaciones. PEARSON EDUCACIÓN.
Holsheimer, M., & Siebes, A. P. J. M. (1994). Data Mining: the search for knowledge in databases.
Hornik, K. (2017). Introductory Time Series with R | Paul
S.P. Cowpertwait | Springer.
Kholis, I., & Rofii, A. (2017). ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK PADA SISTEM PENGENALAN WAJAH BERBASIS PRINCIPAL COMPONENT. 2(1), 1–12.
Murray R. Spiegel. (1975). Schaum’s Outline of Theory and Problems of Probability and Statistics.pdf.
Nagabhushana, S. (2006). Data Warehousing OLAP and Data Mining. In NEW AGE INTERNATIONAL (P) LIMITED, PUBLISHERS.
Zaccone, G., Karim, R., & Menshawy, A. (2017). Deep Learning with TensorFlow
