Sistem Prediksi Curah Hujan Bulanan Menggunakan Jaringan Saraf Tiruan Backpropagation

*Sunardi Sunardi  -  Universitas Ahmad Dahlan, Indonesia
Anton Yudhana  -  Universitas Ahmad Dahlan, Indonesia
Ghufron Zaida Muflih  -  Universitas Ahmad Dahlan, Indonesia
Received: 11 Jun 2020; Revised: 29 Oct 2020; Accepted: 1 Nov 2020; Published: 15 Dec 2020; Available online: 15 Dec 2020.
DOI: https://doi.org/10.21456/vol10iss2pp155-162 View
Building a Monthly Rainfall Prediction System Using Backpropagation Artificial Neural Networks
Subject
Type Research Instrument
  View (7MB)    Indexing metadata
CTA Agreement
Subject
Type Research Instrument
  Download (362KB)    Indexing metadata
Open Access
Citation Format:
Abstract
Rainfall has important role for human life. Rainfall information can be used in several fields including agriculture. As a benchmark for planting periods, water infiltration management, and irrigation. The resources for calculating rainfall are rainfall gauges, ground-based radars and remote sensing satellites. Wonosobo area’s rainfall type is monsoon, meaning that it has one wet period and one dry period. It has fluctuating varied rainfall every month and the availability of rainfall data is uncertain each year. As a mountainous area, Wonosobo’s agricultural sector is very dominant for their economic. Weather Observation, especially rainfall, is important because it can be used by related parties, especially in the agricultural sector. In addition, to provide rainfall data in areas with no observation stations. This study aims to design and implement a rainfall prediction system by developing the Waterfall Model Development Life Cycle (SDLC) Software and implementing backpropagation artificial neural networks (ANN). System development using the SDLC waterfall model was chosen because it is simple, easy to understand and implement. ANN backpropagation is applied in the prediction system because of its advantage that can be applied to a problem related to prediction. Testing on the system built for training and validation produces training accuracy of 93.92% with validation of 73.04%, indicating that the system can be used and has been running expectedly. The best ANN architecture was obtained on the test with input layer 3, hidden layer 12, and output 1 values, learning rate 0.5 momentum 0.9. From the SSE 0.1 target, the SSE is 0.302868.

Note: This article has supplementary file(s).

Keywords: Rainfall; Artificial Neural Network (ANN); Backpropagation; Software Development Life Cycle (SDLC); Waterfall;

Article Metrics:

Article Info
Section: Research Articles
Language: EN; ID
In Vol 10, No 2 (2020): Volume 10 Nomor 2 Tahun 2020
Statistics: 57 35
Others articles
Perancangan Sistem Informasi Konsultasi Akademik Berbasis Website Sistem Informasi Geografis Berbasis Web untuk Pemetaan Sebaran Alumni Menggunakan Metode K-Means Kajian Algoritma Sequential Pattern Mining Dan Market Basket Analysis Dalam Pengenalan Pola Belanja Customer Untuk Layout Toko Sistem Informasi Pengukuran Kinerja Pada Perkebunan Kelapa Sawit Dengan Menggunakan Metode Balanced Scorecard Sistem Pendukung Keputusan Pemilihan Siswa Berprestasi Berbasis Website dengan Metode Simple Additive Weighting Implementasi Metode Dempster Shafer Pada Sistem Pakar Diagnosa Gangguan Kepribadian
  1. Azka, M.A., Prabu, A.S., Andreas, K.S., dan Imma, R.N., 2018. Uji akurasi produk estimasi curah hujan satelit Gpm Imerg di Surabaya, Indonesia. Jurnal Sains & Teknologi Modifikasi Cuaca 19(2),83.
  2. Fadlil, A., Rusydi, U., and Sapriani, G., 2019. Mushroom Images Identification Using Orde 1 Statistics Feature Extraction with Artificial Neural Network Classification Technique. Journal of Physics: Conference Series 1373(1),1–9.
  3. Haviluddin, H., Zainal, A., Awang, H.K., dan Dedy, C., 2016. Prediksi Kedatangan Turis Asing Ke Indonesia Menggunakan Backpropagation Neural Networks. Jurnal Teknologi Dan Sistem Komputer 4(4),485–90.
  4. Hermawan, A., 2006. Jaringan Saraf Tiruan Teori Dan Aplikasi. edited by S. Suyantoro. Yogyakarta: Andi Offset.
  5. Kalaksita, Rr. Sekar dan Irhamah, I., 2016. Peramalan curah hujan harian di stasiun Ahmad Yani Kota Semarang menggunakan Adaptive Neuro Fuzzy Inference System (ANFIS). Jurnail Sains Dan Seni ITS 5(2),498–503.
  6. Maesaroh, S., Dini, R., dan Arsul, 2017. Rancang bangun sistem informasi kepegawaian (simpeg) dengan sdlc metode Waterfall studi kasus di Kantor Bkpld Kabupaten Tasikmalaya. Tedc 11(2),197–202.
  7. Manalu, Marihot, T.P., 2016. Jaringan syaraf tiruan untuk memprediksi curah hujan Sumatera Utara dengan metode Back Propagation (Studi Kasus : BMKG Medan). JURIKOM (Jurnal Riset Komputer) 3(1),35–40.
  8. Midyanti, Dwi, M., Rahmi, H., dan Syamsul, B., 2016. Prediksi curah hujan bulanan stasiun meteorologi supadio Kubu Raya menggunakan jaringan syaraf tiruan Backpropagation. in Seminar Nasional II Penerapan Ilmu Pengetahuan dan Teknologi. Tanjungpura, Universitas Tanjungpura.
  9. Misnawati, Rizaldi, B., Tania, J., dan Akhmad, F., 2018. Perbandingan Metodologi Koreksi Bias Data Curah Hujan CHIRPS. LIMNOTEK - Perairan Darat Tropis Di Indonesia 25(1),18–29.
  10. Mulsandi, A., Aries, K., dan Achmad, Z., 2018. Perbaikan prediksi cuaca numerik kejadian curah hujan lebat terkait dengan kejadian longsor di Banjarnegara menggunakan asimilasi data satelit. Jurnal Sains & Teknologi Modifikasi Cuaca 19(2),51.
  11. Nasution, D.A., Hidayah, H.K., dan Nurul, C., 2019. Perbandingan normalisasi data untuk klasifikasi wine menggunakan Algoritma K-NN. Computer Engineering, Science and System Journal 4(1),78.
  12. Nugroho, A.C., 2019. Rancang bangun sistem informasi manajemen surat tugas berbasis web menggunakan waterfall model. Jurnal Informatika: Jurnal Pengembangan IT(JPIT) 04(02),146–51.
  13. Nurhani, L., Aris, G., Septi, A., dan Iskandar, F., 2018. Jaringan syaraf tiruan dengan metode backpropagation untuk memprediksi jumlah mahasiswa baru. Pp. 25–30 in Seminar Nasional Teknologi Informasi dan Multimedia. Yogyakarta: Universitas Amikom Yogyakarta.

Last update: 2021-01-15 15:32:24

No citation recorded.

Last update: 2021-01-15 15:32:24

No citation recorded.

Penulis yang mengirimkan naskah harus memahami dan menyetujui bahwa jika diterima untuk dipublikasikan, hak cipta dari artikel adalah milik JSINBIS dan Universitas Diponegoro sebagai penerbit jurnal.

Hak cipta (copyright) meliputi hak eksklusif untuk mereproduksi dan memberikan artikel dalam semua bentuk dan media, termasuk cetak ulang, foto, mikrofilm dan setiap reproduksi lain yang sejenis, serta terjemahan. Penulis mempunyai hak untuk hal-hal berikut:

  1. menggandakan seluruh atau sebagian materi yang dipublikasikan untuk digunakan oleh penulis sendiri sebagai bahan pengajaran di kelas atau bahan presentasi lisan dalam berbagai forum;
  2. menggunakan kembali sebagian atau keseluruhan materi sebagai bahan kompilasi bagi karya tulis penulis;
  3. membuat salinan dari bahan yang dipublikasikan untuk didistribusikan di lingkungan institusi tempat penulis bekerja. 

JSINBIS dan Universitas Diponegoro serta Editor melakukan segala upaya untuk memastikan bahwa tidak ada data, pendapat atau pernyataan yang salah atau menyesatkan yang dipublikasikan di jurnal ini. Isi artikel yang diterbitkan di JSINBIS adalah tanggung jawab tunggal dan eksklusif dari masing-masing penulis.