Analisis Laju Pembelajaran Pada Backpropagation Dalam Memprediksi Bencana Alam Akibat Cuaca Ekstrim

Abstract

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%.