BACKPROPAGATION METHOD TO PREDICT RAINFALL LEVELS IN ROKAN HULU DISTRICT
Abstract
Abstract: Rokan Hulu Regency is one of the regencies in Riau Province and has 2 large rivers, namely the Rokan Kanan River and the Rokan Kiri River. When the level of rainfall is high, the river flow overflows and causes flooding in several sub-districts. Climate change that is happening has an impact on changes in rainfall patterns, to overcome the impacts of climate change Rokan Hulu Regency needs to take early steps before a flood disaster occurs. The method used in processing the data is the backpropagation method and data processing using the Matlab software. Data processing was carried out on rainfall data for the last 6 years, from 2015 to 2020, which was sourced from the Rokan Hulu Regency Statistics Agency. Rainfall data from 2015 to 2019 is used as input data, while 2020 is the target. The data processing stage begins with data normalization and determining network training parameters. Artificial neural network research was carried out on rainfall data with a 5-5-1 architecture. The results of testing the rainfall data show prediction results with high accuracy, where the average accuracy rate reaches 98.17% with the highest accuracy of 99.99% while the lowest accuracy is 91.53%. The prediction results show a fairly high level of accuracy so that they can be used as evaluation material.
Keywords: artificial neural network; backpropagation; prediction; rainfall
Abstrak: Kabupaten Rokan Hulu merupakan salah satu kabupaten yang berada di Provinsi Riau dan memiliki 2 aliran sungai besar yaitu sungai rokan kanan dan sungai rokan kiri. Ketika tingkat curah hujan tinggi aliran sungai meluap dan menyebabkan banjir beberapa kecamatan. Perubahan iklim yang terjadi memberikan dampak pada perubahan pola curah hujan, untuk menanggulangi dampak perubahan iklim Kabupaten Rokan Hulu perlu melakukan langkah-langkah dini sebelum terjadi bencana banjir. Metode yang digunakan dalam mengolah data yaitu metode backpropagation dan pengolahan data menggunakan software Matlab. Pengolahan data dilakukan pada data curah hujan selama 6 tahun terakhir yaitu dari tahun 2015 sampai dengan 2020 yang bersumber dari Badan Statistik Kabupaten Rokan Hulu. Data curah hujan tahun 2015 sampai dengan tahun 2019 sebagai data input sedangkan tahun 2020 sebagai target. Tahapan pengolahan data diawali dengan melakukan normalisasi data dan menentukan parameter pelatihan jaringan. Penelitian jaringan saraf tiruan dilakukan pada data curah hujan dengan arsitekur 5-5-1. Hasil pengujian terhadap data curah hujan menunjukkan hasil prediksi dengan akurasi yang tinggi, dimana tingkat akurasi rata-rata mencapai 98,17% dengan akurasi tertinggi sebesar 99,99% sedang akurasi terendah sebesar 91,53%. Hasil prediksi menunjukkan tingkat akurasi yang cukup tinggi sehingga dapat digunakan sebagai bahan evaluasi.
Kata kunci: backpropagation; curah hujan; jaringan saraf tiruan; prediksi
References
N. F. M. and M. U. E G Wahyuni, L M F Fauzan, F Abriyani, “Rainfall edic ion i h back o aga ion me hod Rainfall prediction with backpropagation method,†2018.
J. R. Saragih, M. B. S. Saragih, and A. Wanto, “Analisis Algoritma Backpropagation Dalam Prediksi Nilai Ekspor (Juta Usd),†J. Pendidik. Teknol. dan Kejuru., vol. 15, no. 2, pp. 254–264, 2018, doi: 10.23887/jptk-undiksha.v15i2.14362.
H. Putra and N. Ulfa Walmi, “Penerapan Prediksi Produksi Padi Menggunakan Artificial Neural Network Algoritma Backpropagation,†J. Nas. Teknol. dan Sist. Inf., vol. 6, no. 2, pp. 100–107, 2020, doi: 10.25077/teknosi.v6i2.2020.100-107.
J. R. Saragih, M. B. S. Saragih, and A. Wanto, “Analisis Algoritma Backpropagation Dalam Prediksi Nilai Ekspor (Juta Usd),†J. Pendidik. Teknol. dan Kejuru., vol. 15, no. 2, 2018, doi: 10.23887/jptk-undiksha.v15i2.14362.
K. Kalaiselvi, K. Velusamy, and C. Gomathi, “Financial prediction using back propagation neural networks with opposition based learning,†J. Phys. Conf. Ser., vol. 1142, no. 1, 2018, doi: 10.1088/1742-6596/1142/1/012008.
E. P. Cynthia and E. Ismanto, “Backpropagation Algorithm Artificial Neural Network in Predicting the Availability of Food Commodities in Riau Province,†RABIT J. Teknol. dan Sist. Inf. Univrab, vol. 2, no. 2, pp. 83–98, 2017.
S. Setti and A. Wanto, “Analysis of Backpropagation Algorithm in Predicting the Most Number of Internet Users in the World,†J. Online Inform., vol. 3, no. 2, p. 110, 2019, doi: 10.15575/join.v3i2.205.
Y. A. Lesnussa, C. G. Mustamu, F. Kondo Lembang, and M. W. Talakua, “Application of Backpropagation Neural Networks in Predicting Rainfall Data in Ambon City,†Int. J. Artif. Intell. Res., vol. 2, no. 2, 2018, doi: 10.29099/ijair.v2i2.59.
R. Sovia, M. Yanto, A. Budiman, L. Mayola, and D. Saputra, “Backpropagation neural network prediction for cryptocurrency bitcoin prices,†J. Phys. Conf. Ser., vol. 1339, no. 1, 2019, doi: 10.1088/1742-6596/1339/1/012060.
P. Purnawansyah, H. Sukirno, H. J. Setyadi, K. Wong, R. Alfred, and A. P. Wibawa, “An Inflation Rate Prediction Based on Backpropagation Neural Network Algorithm,†Int. J. Artif. Intell. Res., vol. 3, no. 2, 2019, doi: 10.29099/ijair.v3i2.112.
A. Y. Ghufron Zaida Muflih1, Sunardi2, “JARINGAN SARAF TIRUAN BACKPROPAGATION UNTUK PREDIKSI CURAH HUJAN DI WILAYAH KABUPATEN WONOSOBO Universitas Ahmad Dahlan , Yogyakarta PENDAHULUAN Hujan berperan penting bagi kehidupan , curah hujan yang turun pada suatu wilayah dapat diprediksi namun tidak,†vol. 4, no. 1, pp. 45–56, 2019.
