PROPOSAL SKRIPSIIMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATIONUNTUK MEMPREDIKSI CUACA(Studi kasus : Kota Bengkulu)
JENJANG STRATA 1
OLEH :SAMUEL AGUS FEBRU HARYANTOG1A009034
PROGRAM STUDI TEKNIK INFORMATIKAFAKULTAS TEKNIKUNIVERSITAS BENGKULU2014A. JUDULImplementasi Jaringan Syaraf Tiruan Backpropagation Untuk Memprediksi Cuaca (studi kasus: Kota Bengkulu)B. LATAR BELAKANGPeramalan adalah perkiraan tentang sesuatu yang akan terjadi pada waktu yang akan datang yang didasarkan pada data yang ada pada waktu sekarang dan waktu lampau (historical data)(Makridakis, 1991). Penggunaan data time series diantaranya ditemukan pada data-data cuaca(meterologi dan klimatologi), pengukuran biologi, astronomi dan financial. Pada bidang cuaca. Data time series diantaranya digunakan untuk merepresentasikan pergerakan nilai-nilai temperatur udara, kelembaban udara, kecepatan angin, dan curah hujan.Informasi cuaca yang di sajikan dalam bentuk time series sangat di perlukan oleh semua orang, di antaranya untuk pertanian. Pertanian sangat bergantung pada kondisi cuaca, oleh sebab itu pemerintah harus memikirkan strategi yang sesuai dalam memperkirakan pola cuaca. Sehingga bisa mengatur, dan mengambil tindakan serta memodifikasi kebijakan yang ada untuk menghindari dampak negatif terhadap sektor perekonomian.Cuaca adalah perilaku yang terjadi pada atmosfer (yang berhubungan dengan Suhu, Tekanan Udara, Angin, Awan, Kelembaban udara, Radiasi, Jarak Pandang/Visibility, dsb) dan berdampak langsung pada aktifitas manusia(BMKG). Pada suatu wilayah, cuaca bisa berubah dalam hitungan menit, jam, hari, dan musim. Jenis-jenis cuaca meliputi hujan, panas, salju, angin, dan badai (Oliver, 2004 dalam Kodoatie, 2010). Sedangkan pola cuaca dalam jangka panjang dan dalam rentang wilayah yang cukup besar biasa di sebut dengan iklim.Provinsi Bengkulu di bagian barat berbatasan langsung dengan Samudera Indonesia dengan garis pantai sepanjang 525 Km dengan dataran yang relatif sempit. Iklim Kota Bengkulu sangat dipengaruhi oleh Samudera Hindia, jika terjadi tekanan rendah di Samudera Hindia, maka Kota Bengkulu akan mengalami hujan yang lebat, bahkan bisa disertai dengan petir dan badai (Akbar, 2005 dalam Herliana, 2010). Curah hujan tinggi seperti yang terjadi pada tanggal 21 Agustus 2005 yang lalu mencapai 143 mm, dan berdasarkan catatan stasiun Klimatologi Pulau Baai Bengkulu sepuluh tahun yang lalu, tepatnya tanggal 28 Agustus1996, juga terjadi curah hujan tinggi, bahkan mencapai 151 mm.Dalam melakukan suatu prediksi dapat di lakukan dengan analisis technical(Riza, LS., 2008). Pendekatan anilisis technical yaitu analisa yang berdasarkan chart/diagram/grafik trend data cuaca masa lampau. Analisis teknis dapat dilakukan dengan menggunakan metode-metode peramalan seperti moving average,, exponential moving average dan autoregressive model (Newbold P dkk, 2007). Selain itu dapat juga menggunakan jaringan syaraf tiruan (Frank R.J dkk,1999) dan fuzzy logic (Aydin I dkk, 2009).Pada penelitian prediksi cuaca ini dilakukan dengan menggunakan Jaringan Syaraf Tiruan. Jaringan saraf tiruan (JST), atau juga disebut simulated neural network (SNN), atau umumnya hanya disebut neural network (NN)), adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan saraf manusia. Jaringan saraf tiruan merupakan sistem adaptif yang dapat mengubah strukturnya untuk memecahkan masalah berdasarkan informasi eksternal maupun internal yang mengalir melalui jaringan tersebut. Secara sederhana, JST adalah sebuah alat pemodelan data statistik non-linier. JST dapat digunakan untuk memodelkan hubungan yang kompleks antara input dan output untuk menemukan pola-pola pada data (Arief Hermawan, 2006).Algoritma Jaringan Syaraf Tiruan sebelumnya telah digunakan dalam prediksi curah hujan. Peneliti pendahulu (Indrabayu, dkk., 2012), meneliti prediksi curah hujan dengan parameter temperatur dan kelembaban. Dengan menggunakan Radial Basic Function untuk tahun 2009 memiliki keakuratan 81.37 %. Penelitian ini memberikan hasil yang baik, dan pada penelitian ini kelembaban memiliki korelasi yang lebih tinggi terhadap kejadian hujan dibandingkan dengan temperatur.Jaringan syaraf tiruan juga telah digunakan untuk prakiraan cuaca di bandara Abdulrahman Saleh (Risty J. Yuniar, dkk., 2013). Kecepatan angin dan curah hujan merupakan factor yang sangat penting dalam penerbangan. Peneliti menggunakan parameter suhu, kelembaban, dan tekanan udara. Dengan keluaran yang dihasilkan berupa kecepatan angin dan curah hujan. Dan dari grafik hasil prakiraan di ketahui bahwa hasil keluaran prakiraan sudah mendekati nilai target.Metode yang digunakan untuk menganalisa data time series cuaca secara teknis adalah pendekatan dengan konsep data mining. Data mining merupakan analisa data dengan tujuan menyingkap pola yang tersembunyi. Algoritma untuk menyingkap pola yang tersembunyi tersebut diantaranya k-means, fuzzy c-means, self organizing maps (Liao Warren T,2005) dan subsequence matching (Moon, S.Y dkk, 2002).Maka dari itu penulis ingin membuat penelitian untuk tugas akhir dengan judul, Implementasi Jaringan Syaraf Tiruan Backpropagation Untuk Memprediksi Cuaca (studi kasus: Kota Bengkulu).C. PERUMUSAN MASALAHRumusan masalah pada penelitian ini adalah:Bagaimana melakukan prediksi cuaca harian dengan menggunakan jaringan syaraf tiruan ?D. BATASAN MASALAHBatasan masalah pada penelitian ini adalah :1. Data yang akan di gunakan adalah data klimatologi harian Kota Bengkulu tahun 2008 2013 menurut hasil pengamatan Badan Meteorologi Klimatologi Geofisika (BMKG) stasiun Fatmawati Bengkulu.2. Keluaran yang akan di hasilkan adalah prediksi cuaca hari ini dan esok hari.E. TUJUAN PENELITIANPenelitian ini bertujuan untuk melakukan prediksi cuaca harian dengan menggunakan jaringan syaraf tiruan.F. MANFAAT PENELITIANManfaat penelitian ini adalah :Memberikan sebuah model alternatife prediksi cuaca, sehingga bisa membantu prakrirawan cuaca (forecaster) dalam membuat suatu prakiraan/prediksi cuaca.G. TINJAUAN PUSTAKAa. Time seriesTime series atau runtun waktu adalah himpunan observasi data teruru tdalam waktu (Hanke&Winchern, 2005). Metode time series adalah metode peramalan dengan menggunakan analisa pola hubungan antara variabel yang akan dipekirakan dengan variabel waktu. Peramalan suatu data time series perlu memperhatikan tipe atau pola data. Secara umum terdapat empat macam pola datatime series, yaitu horizontal, trend, musiman, dan siklis (Hanke dan Wichren,2005). Pola horizontal merupakan kejadian yang tidak terduga dan bersifat acak, tetapi kemunculannya dapat mempengaruhi fluktuasi data time series. Pola trend merupakan kecenderungan arah data dalam jangka panjang, dapat berupa kenaikan maupun penurunan.Pola musiman merupakan fluktuasi dari data yang terjadi secara periodik dalam kurun waktu satu tahun, seperti triwulan, kuartalan,bulanan, mingguan, atau harian.Sedangkan pola siklis merupakan fluktuasi dari data untuk waktu yang lebih dari satu tahun.b. Jaringan syaraf tiruanJaringan saraf tiruan (JST), atau juga disebut simulated neural network (SNN), atau umumnya hanya disebut neural network (NN)), adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan saraf manusia. Jaringan saraf tiruan merupakan sistem adaptif yang dapat mengubah strukturnya untuk memecahkan masalah berdasarkan informasi eksternal maupun internal yang mengalir melalui jaringan tersebut. Secara sederhana, JST adalah sebuah alat pemodelan data statistik non-linier. JST dapat digunakan untuk memodelkan hubungan yang kompleks antara input dan output untuk menemukan pola-pola pada data (Arief Hermawan, 2006).(Budiyanto, 2000 dalam Maria Agustin, 2012), menjelaskan bagaimana jaringan syaraf tiruan dapat digunakan dalam proses data mining, dengan karateristik jaringan syaraf tiruan. Terutama informasi tentang aturan yang terkandung dapat diprediksi dan dijelaskan dari data. Dengan hasil akhir adalah bahwa jaringan syaraf tiruan backpropagation perlu diberi beberapa fungsi pembatas agar proses dapat diarahkan untuk keperluan pembentukan relasi logika. Hasil penerapan fungsi pembatas terlihat bahwa proses pertama pembelajaran tidak terganggu dan ekstrasi nilai logika dapat dilakukan. Hasil ekstrasi menunjukan bahwa dengan pemaksaan bobot pembelajaran menuju nilai mutlak (0,1, dan -1) memberikan hasil yang baik.c. Jaringan syaraf tiruan backpropagationSecara umum proses JST terbagi menjadi 2 bagian yaitu training dan testing. Training merupakan proses pembelajaran dari sistem jaringan syaraf yang mengatur nilai input serta bagaimana pemetaannya pada output sampai diperoleh model yang sesuai sedangkan testing merupakan proses pengujian ketelitian dari model yang sudah diperoleh dari proses training. JST Backpropagation melatih jaringan untuk mendapatkan keseimbangan antara kemampuan jaringan dalam mengenali pola yang digunakan selama training serta kemampuan jaringan untuk memberikan respon yang benar terhadap pola input yang serupa (tetapi tidak sama) dengan pola yang dipakai selama training. Training pada Backpropagation meliputi 3 fase yaitu sebagai berikut :a. Fase I : Propagasi Maju (Feed Forward) Selama propagasi maju, nilai pada input (xi) dan output dari setiap unit lapisan tersembunyi (zj) akan dipropagasikan ke lapisan tersembunyi menggunakan fungsi aktivasi yang ditentukan. Demikian seterusnya hingga menghasilkan nilai output pada jaringan (yk). Berikutnya, nilai output dari jaringan (yk) dibandingkan dengan target yang harus dicapai (tk). Selisih tk - yk adalah error yang terjadi. Jika kesalahan ini lebih kecil dari batas toleransi, maka iterasi dihentikan. Akan tetapi jika kesalahan lebih besar dari batas toleransi, maka bobot setiap garis dalam jaringan akan dimodifikasi untuk mengurangi kesalahan yang terjadi.b. Fase II : Propagasi Mundur (Backpropagation) Berdasarkan kesalahan tk - yk, dihitung faktor k (k = 1 , 2 , ..., m) yang dipakai untuk mendistribusikan kesalahan di unit yk ke semua unit tersembunyi yang terhubung langsung dengan yk. k juga dipakai untuk mengubah bobot garis yang berhubungan langsung dengan unit output. Dengan cara yang sama, dihitung faktor j di setiap unit di lapisan tersembunyi sebagai dasar perubahan bobot semua di lapisan di bawahnya. Demikian seterusnya hingga semua faktor di unit tersembunyi yang berhubungan langsung dengan unit input dihitung.c. Fase III : Perubahan Bobot Setelah semua faktor dihitung, bobot semua garis dimodifikasi bersamaan. Perubahan bobot suatu garis didasarkan atas faktor neuron di lapisan atasnya.d. Unified Modelling Language (UML)Unified Modelling Language (UML) adalah sebuah bahasa yang telah menjadi standar dalam industri untuk visualisasi, merancang dan mendokumentasikan sistem perangkat lunak.Tidak ada orang, bahkan para pembuat UML, mengerti atau menggunakan semuanya.Kebanyakan orang menggunakan sebagian kecil UML dan bekerja menggunakannya sesuai dengan kebutuhan masing - masing. Berikut ini akan dijelaskan 4 dari 13 diagram UML yang ada.0. Usecase diagram Usecase diagram menggambarkan fungsionalitas yang diharapkan dari sebuah sistem. Yang ditekankan adalah apa yang diperbuat sistem, dan bukan bagaimana.Sebuah usecase merepresentasikan sebuah interaksi antara aktor dan sistem.Usecase merupakan sebuah pekerjaan tertentu, misalnya login ke sistem, meng-create sebuah daftar belanja, dan sebagainya.
Gambar. Use Case Diagram0. Class diagram Class adalah sebuah spesifikasi yang jika diinstansiasi akan menghasilkan sebuah objek dan merupakan inti dari pengembangan dan desain berorientasi objek. Class menggambarkan keadaan (atribut/properti) suatu sistem, sekaligus menawarkan layanan untuk memanipulasi keadaan tersebut (metoda/fungsi).Class diagram menggambarkan struktur dan deskripsi class, package dan objek beserta hubungan satu sama lain seperti containment, pewarisan, asosiasi, dan lain-lain.
Gambar. Class Diagram (http://www.ibm.com/developerworks/rational/library/content/RationalEdge/sep04/bell/)0. Activity diagram Activity diagram menggambarkan berbagai alir aktivitas dalam sistem yang sedang dirancang, bagaimana masing-masing alir berawal, decision yang mungkin terjadi, dan bagaimana mereka berakhir. Activitydiagram juga menggambarkan proses paralel yang mungkin terjadi pada beberapa eksekusi.Activity diagram merupakan state diagram khusus, dimana sebagian besar state adalah action dan sebagian besar transisi di-trigger oleh selesainya state sebelumnya (internalprocessing). Oleh karena itu activity diagram tidak menawarkan behaviorinternal sebuah sistem (dan interaksi antar subsistem) secara eksak, tetapi lebih menggambarkan proses-proses dan jalur-jalur aktivitas dari level atas secara umum.
Gambar. Activity Diagram (Pender, 2002)0. Sequence diagramSequence diagram menggambarkan interaksi antar objek di dalam dan di sekitar sistem (termasuk pengguna, display, dan sebagainya) berupa message yang digambarkan terhadap waktu. Sequence diagram terdiri atar dimensi vertikal (waktu) dan dimensi horizontal (objek-objek yang terkait). Sequence diagram biasa digunakan untuk menggambarkan skenario atau rangkaian langkah-langkah yang dilakukan sebagai respons dari sebuah event untuk menghasilkan output tertentu.
Gambar. Sequence Diagram (http://en.wikipedia.org/wiki/Sequence_diagram)e. Mean Square ErrorMean Squared Error (MSE) adalah metode untuk mengevaluasi metode peramalan. Masing-masing kesalahan atau sisa dikuadratkan. Kemudian dijumlahkan dan ditambahkan dengan jumlah observasi. Pendekatan ini mengatur kesalahan peramalan yang besar karena kesalahan-kesalahan itu dikuadratkan. Metode itu menghasilkan kesalahan-kesalahan sedang yang kemungkinan lebih baik untuk kesalahan kecil, tetapi kadang menghasilkan perbedaan yang besar. Pada MSE tidak menggunakan harga mutlak (absolute) pada error prediksi, tetapi menggunakan nilai pangkat dua (square). Keuntungan penggunaan pangkat dua adalah nilai error prediksi yang diperoleh lebih besar dibandingkan dengan nilai absolute. Rumus MSE adalah sebagai berikut:
f. Penelitian terkaita. Prediksi Curah Hujan Dengan Jaringan Syaraf Tiruan, oleh Indrabayu, dkk., Prosiding, Jurusan Teknik Elektro, Fakultas Teknik, Universitas Hasanuddin, pada tahun 2012. Dengan menggunakan Radial Basic Function untuk tahun 2009 hasil prediksi memiliki keakuratan 81.37 %. Penelitian ini memberikan hasil yang baik, dan pada penelitian ini kelembaban memiliki korelasi yang lebih tinggi terhadap kejadian hujan dibandingkan dengan temperatur.b. Perbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh Dengan Algoritma Neural Network Backpropagation, oleh Risty Jayanti Yuniar, dkk., Program Magister, Fakultas Teknik, Universitas Brawijaya, pada tahun 2013. Kecepatan angin dan curah hujan merupakan faktor yang sangat penting dalam penerbangan. Peneliti menggunakan parameter suhu, kelembaban, dan tekanan udara. Dengan keluaran yang dihasilkan berupa kecepatan angin dan curah hujan. Dan dari grafik hasil prakiraan di ketahui bahwa hasil keluaran prakiraan sudah mendekati nilai target.c. Weather Classification and Forecasting using Backpropagation Feed-forward Neural Network, oleh Arti R. Naik dan Prof. S.K.Pathan, Department of Computer Tecnology, Smt. Kashibai Navale College of Engineering (SKNCOE), Pune, India, pada tahun 2012. Penelitian ini menawarkan metode baru dalam prakiraan cuaca menggunakan Feed-forward Algorithm Neural Network dan data di latih menggunakan Algoritma Backpropagation Neural Network untuk melakukan prediksi cuaca dan mengklasifikasikannya. Dan juga menyajikan review aplikasi jaringan syaraf tiruan dalam klasifikasi cuaca dan prediksi cuaca. Beberapa model peramalan cuaca yang sudah ada memiliki keterbatasan. Ketepatan prediksi cuaca sangat di butuhkan oleh banyak sektor, seperti pertanian. Dari hasil penelitian ini Algoritma backpropagation neural network lebih cepat dalam melakukan prakiraan cuaca dibandingkan dengan algoritma lain dan akan lebih baik di saat mendatang di gunakan untuk area yang lebih luas.
H. METODOLOGI PENELITIANPenelitian yang akan penulis laksanakan merupakan penelitian terapan. Penelitian terapan adalah satu jenis penelitian yang hasilnya dapat secara langsung diterapkan untuk memecahkan permasalahan yang dihadapi.Penelitian ini menguji manfaat dari teori-teori ilmiah serta mengetahui hubungan empiris dan analisis dalam bidang-bidang tertentu. Penelitian terapan lebih difokuskan pada pengetahuan teoretis dan praktis dalam bidang-bidang tertentu bukan pengetahuan yang bersifat universal misalnya bidang kedokteran, pendidikan, atau teknologi (Direktorat Tenaga Kependidikan Direktorat Jenderal Peningkatan Mutu Pendidik dan Tenaga Kependidikan Departemen Pendidikan Nasional, 2008).Jenis penelitian ini merupakan penelitian terapan karena data-data informasi di gunakan untuk menyelesaikan masalah yaitu prediksi cuaca. Penelitian terapan ini bertujuan akan di menganalisis hasil penerapan algoritma Jaringan Syaraf Tiruan Backpropagation di dalam memprediksi pola cuaca hari ini dan cuaca hari esok.a. Sumber data1. Data sekunderData sekunder adalah data yang sudah jadi atau dipublikasikan untuk umum oleh instansi atau lembaga yang mengumpulkan, mengolah dan menyajikan. Data sekunder dapat dipakai sebagai pelengkap untuk mendukung informasi dari data primer yang dikumpulkan oleh peneliti.(Joko, P, 2008:17). Pada penelitian ini data yang akan di gunakan adalah data hasil pengamatan yang telah dilakukan oleh Badan Meteorologi Klimatologi dan Geofisika (BMKG) Provinsi Bengkulu Stasiun Pulau Baai. Adapun contoh data skunder yang diperoleh adalah :1. Data curah hujan harian2. Data temperatur3. Data kelembaban2. Data literaturData literatur di dapatkan dengan cara studi pustaka, yaitu mencari informasi tentang curah hujan di Badan Meteorologi Klimatologi dan Geofisika (BMKG). Dan juga dengan mencari sumber-sumber tertulis yang menjelaskan tentang pola cuaca, curah hujan, temperatur, kelembaban, jaringan syaraf tiruan, backpropagation, dan prediksi data time series.b. Sarana pendukung1. Perangkat Keras (Hardware) yang digunakan antara lain:1. Satu unit laptop Toshiba Satellite L510 dengan spesifikasi Intel Pentium(R) Dual-Core CPU Processor T4500, @ 2.30 GHz 2.30 GHz , Memory 1024 Mb, Hardisk 250 GB.2. Keyboard 3. Mouse2. Perangkat lunak (software):1. Sistem operasi Microsoft Windows 7 Ultimate.2. Netbeansc. Unified Modelling LanguageUnified Modelling Language (UML) adalah sebuah bahasa yang telah menjadi standar dalam industri untuk visualisasi, merancang dan mendokumentasikan sistem perangkat lunak. Tidak ada orang, bahkan para pembuat UML, mengerti atau menggunakan semuanya. Kebanyakan orang menggunakan sebagian kecil UML dan bekerja menggunakannya sesuai dengan kebutuhan masing - masing. Berikut ini akan dijelaskan 4 dari 13 diagram UML yang ada.1. Usecase diagram 2. Class diagram 3. Activity diagram4. Sequence diagramd. Pengujian sistem Black boxBlack Box testing merupakan strategi testing dimana hanyamemperhatikan/memfokuskan kepada faktor fungsionalitas dan spesifikasi perangkat lunak. Berbeda dengan white box, black box testing tidak membutuhkan pengetahuan mengenai, alur internal (internal path), struktur atau implementasi dari software under test (SUT).Black box melakukan pengujian pada : Fungsi-fungsi yang salah atau hilang. Kesalahan interface. Kesalahan dalam struktur data atau akses database eksternal. Kesalahan performa. Kesalahan inisialisasi dan terminasi
e. Prosedur kerjaTahapan-tahapan yang akan dilakukan pada penelitian ini adalah sebagai berikut :
Gambar. Diagram alir proses penelitianI. JADWAL PENELITIANNoKegiatanBulan
Des2014Jan 2015Feb2015Maret 2015Apr2015Mei 2015Jun 2015
1.Pengajuan Judul Proposal
2.Penyusunan Proposal
3.Seminar Proposal
4.Perbaikan Proposal
5.Pengumpulan Data
6.Analisis dan Perancangan Sistem
7.Pembuatan Coding
8.Implementasi danPengujian Unit
9.Integrasi dan Pengujian
10.Analisis Hasil
11.Seminar Hasil
12.Sidang Hasil
J. DAFTAR PUSTAKAAgustin, Maria. 2012. Penggunaan Jaringan Syaraf Tiruan Backpropagation Untuk Seleksi Penerimaan Mahasiswa Baru Pada Jurusan Teknik Computer Di Politeknik Negeri Sriwijaya. Program Pascasarjana, Magister Sistem Informasi, Universitas Diponegoro : Semarang.
Arief Hermawan. 2006. Jaringan Syaraf Tiruan. Yogyakarta:Andi
Aydin, I., Karakose, M. and Akin, E.. 2009. The Prediction Algorithm Based on Fuzzy Logic Using Time Series Data Mining Method. World Academy of Science, Engineering and Technology.
Hanke, J.E., & D. W. Wicern. 2005. Business Forecasting, 8th ed. Ney Jersey: Pearson Prentice Hall.
Herliana, Arif Ismul Hadi, Suwarsono. 2010. Analisis Karakteristik Intensitas Curah Hujan Di Kota Bengkulu. Jurusan Fisika, Fakultas MIPA, Universitas Bengkulu : Bengkulu.
http://en.wikipedia.org/wiki/Sequence_diagram (diakses pada 5 desember 2014)
http://www.ibm.com/developerworks/rational/library/content/RationalEdge/sep04/bell/ (diakses pada 10 desember 2014)
Indrabayu, Nadjamudin h., M. Saleh Pallu, Andani Achmad, Fikha C.L. 2012. Prediksi Curah Hujan Dengan Jaringan Syaraf Tiruan. Jurusan Teknik Elektro, Fakultas Teknik, Universitas Hasanuddin : Makassar.
Joko P, A. 2008. Analisis Kerentanan Banjir di Daerah Aliran SungaiSengkarang Kabupaten Pekalongan Provinsi Jawa Tengah DenganBantuan Sistem Informasi Geografis.Fakultas Geografi UMS :Surakarta
Makridakis, S, dkk. 1991. Metode dan Aplikasi Peramalan. Edisi kedua. Jakarta:Erlangga.
Naik, Arti R., Prof. S. K. Pathan. 2012. Weather Classification and Forecasting using Backpropagation Feed-forward Neural Network. Department of Computer Tecnology, Smt. Kashibai Navale College of Engineering (SKNCOE), Pune: India.
Kodoatie, Robert J., Roestam Sjarief. 2010. Tata Ruang Air. Penerbit Andi : Jogjakarta.
Riza, Lala Septem. 2008. Prediksi Data Time Series Dengan Menggunakan Algoritma Ant System (Studi Kasus Prediksi Harga Saham). Program Studi Teknik Elektro, Institut Teknologi Bandung : Bandung.Wong, L.P., Low, M.Y.H.,Chong, S.C. 2008. A Bee Colony Algorithm for Traveling Salesman Problem.IEEE Computer Society.
Yuniar, Risty J., Didik Rahadi S., Onny S. 2013. Perbaikan Metode Prakiraan Cuaca Bandara Abdulrahmah Saleh Dengan Algoritma Neural Network Backpropagation. Program Magister Fakultas Teknik, Universitas Brawijaya : Malang.
20
Mulai
Identifikasi masalah
Penentuan tujuan
Pengumpulan data
Perancangan sistem
Pembuatan perangkat lunak (programming)
Input data cuaca harian kota bengkulu yang akan di jadikan pembelajaran pada pelatihan
Pengujian perangkat lunak
Kesimpulan
Selesai
