PENGARUH FITUR KELEMBABAN TERHADAP AKURASI ALGORITMA EVOLVING NEURAL NETWORK PREDIKSI CURAH HUJAN

Seminar Nasional Teknologi Informasi dan Multimedia 2015

ISSN : 2302-3805

STMIK AMIKOM Yogyakarta, 6-8 Februari 2015

PENGARUH FITUR KELEMBABAN TERHADAP AKURASI ALGORITMA EVOLVING NEURAL NETWORK PREDIKSI CURAH HUJAN Bambang Lareno1), Liliana Swastina), Feiliana Tan3) STMIK Indonesia Banjarmasin Jl. Pangeran Hidayatullah – Jembatan Banua Anyar, Banjarmasin Email : [email protected]), [email protected]), [email protected] 3)

Abstrak Penambahan fitur kelembaban berpengaruh terhadap akurasi BackPropagation Neural Network (BPNN). Penelitian lebih lanjut pengaruh fitur kelembaban terhadap akurasi prediksi curah hujan, khususnya ketika menggunakan pendekatan algoritma genetika perlu dilakukan. Penelitian ini menggunakan algoritma Evolving Neural Network (ENN) sebagai pendekatan untuk memprediksi curah hujan. Pengolahan dan perhitungan data menggunakan MatLab. Parameter yang akan digunakan dalam penelitian ini adalah Waktu, Curah hujan, dan Kelembaban. Hasil penelitian juga dibandingkan dengan hasil pengujian BPNN dan prediksi BMKG. Hasil penelitian yang dilakukan menunjukkan bahwa penambahan fitur dapat memperbaiki akurasi neural network. Khususnya, penerapan ENN dengan tambahan fitur kelembaban mengalami perbaikan akurasi 1,95% - 6,10%, dengan rata-rata perbaikan 3,96% pada arsitektur 4-2-1 dan 2,42% pada 4-4-1. Kata kunci: curah hujan, kelembaban, evolving neural network, prediksi rentet waktu. 1. Pendahuluan Informasi cuaca dan iklim adalah salah satu bahan pertimbangan bagi pemerintah, baik pada waktu sebelum maupun selama melakukan kegiatan. Hal ini muncul karena informasi cuaca/ iklim mempunyai nilai ekonomi dalam berbagai kegiatan, mulai dari pertanian sampai dengan pengendalian banjir. Selain itu, informasi cuaca/ iklim mempunyai peran dalam memantau anomali/ perubahan iklim secara global sebagai dampak peningkatan aktivitas manusia [1]. Dari data-data yang diperoleh tersirat bahwa prediksi curah hujan saat ini belum begitu akurat. Prakiraan yang sering diberikan secara berkala untuk umum adalah prakiraan cuaca, bukan besaran curah hujan, sehingga para pengguna data meminta prakiraan curah hujan secara khusus. Terutama karena berkaitan dengan musim tanam, perkiraan debit sungai intake air baku PDAM, hingga upaya pengendalian banjir. Pada bulan Maret 2011, di Kalimantan Selatan, di dapatkan data verifikasi Prakiraan Curah Hujan sebagai berikut: Sesuai dengan prakiraannya sebesar 74.5 % dan Menyimpang dari prakiraannya

sebesar 25.5 %. Secara rata-rata akurasi BMKG 81,23%. [2] Data curah hujan biasanya tercatat secara harian. Dengan demikian sebenarnya data curah hujan termasuk data rentet waktu, sehingga dapat dianalisa dan diprediksi dengan pendekatan statistik [3] dan atau softcomputing seperti neural network. Zhi-liang Wang dan Hui-hua Sheng mengusulkan penerapan General Regression Neural Network (GRNN) untuk memprediksi curah hujan tahunan di Zhengzhou. Mereka membuktikan bahwa GRNN memiliki kelebihan ketika proses fitting dan prediksi dibandingkan dengan Backpropagation Neural Network (BP-NN) dan metode stepwise regression analysis (SRA). Hasil simulasi GRNN untuk curah hujan tahunan lebih baik dengan akurasi yang lebih tinggi daripada BP-NN [4]. Yuhui Wang, Yunzhong Jiang, Xiaohui Lei, dan Wang Hao melatih Neural network untuk peramalan hidrologi berupa curah hujan dan aliran air di permukaan tanah. Mereka mengusulkan neural network yang pembobotannya menggunakan backpropagation dibantu dengan analisis wavelet. Strategi tersebut diimplementasikan menggunakan simulated annealing. Model untuk pembobotan neural network ini lebih akurat dibandingkan dengan algoritma BP biasa [5]. Dengan demikian, salah satu pendekatan untuk menetapkan nilai bobot pada neural network adalah algoritma optimasi. Algoritma genetika juga dapat digunakan sebagai pendekatan. Algoritma ini, selain PeiChann Chang and Yen-Wen Wang [6] untuk perhitungan produksi papan PCB, juga telah diterapkan oleh Li Chungui, Xu Shu’an, dan Wen Xin untuk prediksi arus lalu lintas [7]. Ganji Huang dan Lingzhi Wang melatih Neural network untuk peramalan hidrologi [8]. Ketiga penelitian tersebut mengusulkan neural network yang berevolusi. Model ini menyerap beberapa manfaat dari algoritma genetika dan neural network. Hasil perbandingan menunjukkan bahwa model yang disarankan dapat meningkatkan akurasi prediksi. Penelitian Liliana, dkk [9] telah mengkonfirmasi peningkatan tersebut. Namun perlu di teliti lebih lanjut, apakah masih ada ruang untuk meningkatkan akurasi prediksi. Di sisi lain, memetakan dan menghitung korelasi antara besaran curah hujan terhadap suhu dan curah hujan

3.8-49

Seminar Nasional Teknologi Informasi dan Multimedia 2015

ISSN : 2302-3805

STMIK AMIKOM Yogyakarta, 6-8 Februari 2015

terhadap kelembaban, didapatkan hasil masing masing 0,1345 dan 0,7288. (gambar 1 dan gambar 2) 29,00

y = 2E-07x2 - 0,0017x + 27,069 R² = 0,1345

28,50

28,00

27,50

Selatan. Data primer berupa data hasil komputasi algoritma prediksi. Data yang didapatkan dari instasi terkait masih berupa data yang terdiri dari berbagai parameter, sehingga harus direkapitulasi terlebih dahulu. Rekapitulasi tersebut dilakukan dengan memperhatikan kebutuhan. Data hasil proses ini adalah data dengan atribut: Waktu, Curah hujan dan Kelembaban. Tiap baris data adalah data setiap bulan selama 10 tahun, sehingga tersedia 120 baris data.

27,00

2.2. Model yang diusulkan

26,50

Berdasarkan penelitian sebelumnya [9], nilai akurasi prediksi data rentet waktu yang menggunakan algoritma Evolving Neural Network (ENN) dinyatakan lebih baik dari BPNN sehingga metode yang diusulkan adalah metode perbandingan akurasi prediksi curah hujan Evolving Neural Network (ENN) tanpa fitur kelembaban dan ENN dengan fitur kelembaban. Model ini juga dibandingkan dengan algoritma BPNN dengan perlakukan sama. Sehingga dapat diketahui apakah penambahan fitur dapat meningkatkan akurasi ENN.

26,00

25,50

25,00 -

100,00

200,00

300,00

400,00

500,00

600,00

700,00

Gambar 1. Korelasi curah hujan dan suhu 95,00

90,00

85,00

2.2.1 Evolving Neural Network Evolving Neural Network adalah sebuah cara pembobotan antar neuron pada layer berbeda dengan menggunakan prinsip algoritma genetika (GA). Gambar 3, menjelaskan struktur algoritma ENN [10]:

y = 3E-07x3 - 0,0003x2 + 0,1119x + 74,297 R² = 0,7288

80,00

75,00

70,00

65,00

60,00 -

100,00

200,00

300,00

400,00

500,00

600,00

700,00

Gambar 2. Korelasi curah hujan dan kelembaban Dari hasil ini dapat diambil kesimpulan bahwa meskipun suhu dan kelembaban berpengaruh terhadap besaran curah hujan, namun hanya penambahan fitur kelembaban yang berpotensi menambahkan tingkat akurasi prediksi besaran curah hujan. Berdasarkan hal tersebut, maka penelitian ini bertujuan untuk menguji apakah fitur kelembaban dapat meningkatkan akurasi algoritma Evolving Neural Network (ENN) untuk prediksi curah hujan. Penelitian ini memakai data metode penelitian eksperimen komparasi, yang terdiri: (1) Metode Pengumpulan data dan pengolahan data awal, (2) Metode yang diusulkan, (3) Eksperimen dan pengujian model, (4) Hasil eksperimen dan (5) Evaluasi dan validasi hasil. 2. Pembahasan 2.1. Pengumpulan dan pengolahan data awal Penelitian ini memakai data curah hujan dan kelembaban yang didapatkan dari BMKG – Stasiun Klimatologi Banjarbaru, Kalimantan Selatan. Data yang dibutuhkan dalam penelitian ini adalah: Data Sekunder berupa data curah hujan, kelembaban dan suhu bulanan 2001 – 2010 dari BMKG Stasiun Klimatologi Banjarbaru, Kalimantan

Gambar 3. Struktur Algoritma Evolving Neural Network Proses algoritma ENN [11] [12] [13]: 1. Encoding Representasi Kromosom (encoding) Setiap gen mempresentasikan bobot antara dua neuron di layer berbeda. Sebuah kromoson dibangun dari rangkaian gen yang diilustrasikan dalam gambar 4. Contoh, Gen pertama dalam untaian kromoson adalah W15, yaitu bobot yang menghubungkan neuron 1 dan neuron 5. Gen kedua adalah W16, yaitu bobot penghubung neuron 1 dan 6. Demikian seterusnya.

3.8-50

Seminar Nasional Teknologi Informasi dan Multimedia 2015

ISSN : 2302-3805

STMIK AMIKOM Yogyakarta, 6-8 Februari 2015

9.

Seleksi (Replacement) Populasi baru yang dihasilkan dari proses sebelumnya menggantikan seleuruh populasi generasi lama. 10. Kriteria penghentian (Stopping Criteria) Jika jumlah generasi telah sama dengan nilai maksimumnya, maka proses akan berhenti. Jika belum, proses kembali ke langkah 3. 11. Prediksi (Forecast and Recall) Fungsi MAPE digunakan untuk mengevaluasi akurasi dari setiap prediksi yang dihasilkan ENN.

Gambar 4. Proses Encoding Kromoson 2.

3.

4.

5.

6.

7.

8.

Menentukan populasi awal dari kromosom (Initial Population) Bobot awal ditentukan acak dari 0 sampai 1. Bobot dalam kromosom akan dievaluasi oleh operator GA. Menghitung nilai objektif setiap kromosom. (FF-NN) Mean Absolute Percentage Error (MAPE) digunakan sebagai fungsi untuk mengevaluasi simpangan data traning selama proses training. 1) Menghitung output dari hidden layer 2) Menghitung output dari output layer 3) Menghitung error 4) Evaluasi nilai MAPE dari g(s) Menghitung fungsi fitness. (Compute fitness value) Suatu individu dievaluasi berdasarkan suatu fungsi tertentu sebagai ukuran nilai kualitasnya. Fungsi ini disebut fungsi fitness. fit(s) =1 – g(s) (1) Seleksi orang tua (Reproduction/Selection) Kemungkinan p(s) dari setiap kromosom s terpilih sebagai orang tua didefinisikan: ( ) ( )= (2) ∑ ( )

Mutasi Silang (Crossover) GA menjalankan oprator mutasi silang terhadap pasangan orang tua berdasarkan probabilitas tertentu. Operasi yang dilakukan adalah operasi 2 titik (2-point crossover) Mutasi (Mutation) Operator GA menjalankan mutasi pada setiap kromosom. Operasi yang adalah mutasi 1 titik (1point mutation) untuk mendapakan solusi yang optimal. Strategi Elite (Elite Strategy) Operasi yang dilakukan adalh memilih 50% solusi teratas berurutan untuk mempertahankan kualitas solusi yang ada pada setiap generasi. Dengan kata lain, perlu peng-kopi-an individu terbaik pada suatu generasi untuk dimasukkan sebagai anggota populasi generasi berikutnya. Sehingga populasi baru memiliki minimal satu individu terbaik yang kualitasnya sama atau lebih baik dibandingkan dengan generasi sebelumnya.

2.2.2. BackPropagation Neural Network Algoritma Backpropagation Neural Network diaplikasikan menggunakan Matlab 2009b dengan beberapa algoritma learning yang berbeda [14]: 1) Algoritma Learning Gradient Conjugate With Adaptive (traingda) 2) Algoritma Learning Gradient Conjugate With Momentum (traingdm) 3) Algoritma Learning Levenberg Marquardt (trainlm) 4) Algoritma Learning Scaled Conjugate Gradient (trainscg) 2.3. Pengujian Model Algoritma yang telah dikembangkan dalam penelitian ini akan diterapkan pada data curah hujan dan kelembaban melalui suatu model simulasi. Data 2001-2008 (96 data) akan dipergunakan sebagai data training dan data 20092010 (24 data) akan digunakan sebagai data checking. 2.3.1. Desain Eksperimen Taguchi Taguchi [15] menginisisasi metode perancangan yang berprinsip pada perbaikan mutu dengan memperkecil akibat dari variasi tanpa menghilangkan penyebabnya. Hal ini dapat diperoleh melalui optimasi produk dan perancangan proses untuk membuat unjuk kerja/performance kebal terhadap berbagai penyebab variasi suatu proses yang disebut perancangan parameter. 2.3.2. Parameter Evaluasi Menurut Carlo Vercellis, ada dua alasan utama untuk mengukur akurasi prediksi model time series [16]. Pertama, pada tahap pengembangan dan identifikasi model, ukuran akurasi diperlukan untuk membandingkan model-model alternatif satu sama lain dan untuk menentukan nilai parameter yang muncul dalam ekspresi untuk fungsi prediksi F. Untuk mengidentifikasi model prediksi yang paling akurat, masing-masing model dianggap diterapkan pada data masa lalu, dan model dengan total error minimum dipilih. Kedua, perlu untuk secara berkala menilai keakuratan, untuk mendeteksi kelainan dan kekurangan dalam model yang mungkin timbul di lain waktu. Untuk mengevaluasi akurasi dan peramalan kinerja model berbeda, penelitian ini mengadopsi tiga indeks evaluasi: Percentage Error (MAPE), Mean Square Error (MSE) atau Root Mean

3.8-51

ISSN : 2302-3805

Seminar Nasional Teknologi Informasi dan Multimedia 2015 STMIK AMIKOM Yogyakarta, 6-8 Februari 2015

Square Error (RMSE) dan Mean Absolute Deviation (MAD).

sedangkan MAD: 73,113 dan 76,244. Perbaikan akurasi BPNN berkisar 0,377% -10,0%

2.4. Hasil Dan Evaluasi

2.4.2. Evolutionary Neural Network (ENN) Lima parameter penting algoritma genetika menurut Suyanto [13], yaitu: tipe crossover dan nilainya, tipe mutasi dan nilainya serta tipe seleksi, diatur menggunakan desain eksperimen Taguchi. Desain eksperimen Taguchi [15] [11] digunakan untuk pengaturan parameter parameter itu. Pendekatan dilakukan dengan perhitungan Signal-to-Noise (S/N). Kode dan level untuk masing-masing parameter tersebut ditampilkan dalam tabel 4, sebagai berikut:

2.4.1. BackPropagation Neural network (BPNN) Dengan menggunakan Matlab [17], Proses pengujian struktur BPNN dilakukan. Hasilnya uji untuk masingmasing struktur ditampilkan dalam tabel 1. Tabel 1. Hasil training BPNN tanpa fitur kelembaban Input 4 4 4 6 6 6 6 12 12 12

Arsitektur Hidden-1 2 4 6 2 4 6 12 2 6 12

Out 1 1 1 1 1 1 1 1 1 1

BPNN (MSE) Lm 4501,92 7348,03 6892,71 8947,02 5415,86 7237,06 5974,22 9797,48 5658,20 7106,52

Scg 8492,65 5992,04 6244,75 7128,64 9176,29 9587,94 6637,15 8075,82 7528,24 7151,33

Tabel 4. Kode dan Level Parameter GA

Arsitektur Hid 2 4 6 2 4 6 12 2 6 12

BPNN (MSE)

Out 1 1 1 1 1 1 1 1 1 1

gda 4871,26 7932,44 6608,08

gdm 8080,78 6080,71 9661,37

Lm 4719,87 7272,37 6880,15

Scg 8492,65 5893,32 5979,06

9445,29 5825,34 8227,26 6789,14 9675,37 5601,27 7298,01

9632,83 8955,21 8998,11 7445,81 8234,26 7711,77 7456,44

8672,37 5311,12 7137,06 5474,86 8777,56 5782,45 7132,76

7473,47 7565,34 7812,32 6922,22 8225,24 6614,09 7182,89

Level 1

Level 2

Level 3

Level 4

Cross over (A)

1-Titik

1-Titik

2-Titik

2-Titik

Mutasi (B)

1-Titik

1-Titik

Shift

Shift

Seleksi (C)

Total

Total

Elite

Elite

Nilai Cross over (D)

0,2

0,4

0,6

0,8

Nilai Mutasi (E)

0,1

0,3

0,5

0,7

Menurut Pei-Chann Chang dkk [6], profil konvergensi untuk data time-series semi musiman menunjukkan bahwa sistem dapat bertemu setelah 2.000 generasi bahkan untuk ukuran populasi yang kecil misalnya 10. Namun, untuk ukuran populasi konvergensi cepat dan halus didapatkan pada populasi 40 atau 50, yang konvergen ke kondisi cukup stabil setelah sekitar 300 generasi (gambar 5).

Tabel 2. Hasil training BPNN dengan fitur kelembaban

In 4 4 4 6 6 6 6 12 12 12

Parameter/kode

Berdasarkan hasil uji struktur BPNN pada tabel 1 dan tabel 2, terlihat bahwa algoritma BP-Lm dan BP- scg lebih baik nilainya dari BP-gda, dan BP-gdm. Nilai MSE dua terkecil masing-masing terdapat pada struktur 4-2-1 dan 4-4-1. Sehingga selanjutnya keduanya akan dihitung dengan data uji. Tabel 3. Hasil pengujian BPNN dengan fitur dan tanpa fitur kelembaban Ars.

4-2-1 4-4-1 4-2-1 4-4-1 %

BPNN BPNN (MAPE) % (MAD) Lm Scg Lm Scg Lm Scg CH tanpa fitur kelembaban (CH) 7621,41 7911,12 29,07 29,88 74,59 78,33 6844,17 3913,69 29,86 29,76 88,21 84,72 CH Dengan fitur kelembaban (CHK) 7422,56 7881,24 28,56 29,13 73,11 76,76 6745,56 3758,41 29,44 28,81 86,98 76,24 0,37 0,75 2,0 2,61 0,51 1,98 1,44 0,42 1,39 3,96 0,95 10,0

Gambar 5. Nilai MAPE

BPNN (MSE)

Sehingga, dalam pengujian akan digunakan ukuran populasi 50 sebagai populasi awal untuk percobaan. Dengan data curah hujan sebagai input dan target, dilakukan tiga kali percobaan algoritma genetika (tanpa neural network) dengan populasi 50, dan parameter masing-masing operator di-setting sesuai level rencana, kemudian menghitung rata-rata S/N rasio dari setiap tingkat faktor, hasilnya ditunjukkan pada tabel 5 berikut:

Data Uji dengan fitur pada struktur 4-2-1 dan 4-4-1 (tabel 3), MSE yang dihasilkan 7422,562 dan 3758,415; RMSE: 86,154 dan 59,819; MAPE: 28,56 % dan 28,81 %;

3.8-52

Faktor Level 1

Tabel 5. Rata-rata S/N rasio

A 12,19

B 24,00

C 12,15

D 14,31

E 14,79

Seminar Nasional Teknologi Informasi dan Multimedia 2015

ISSN : 2302-3805

STMIK AMIKOM Yogyakarta, 6-8 Februari 2015

Level 2 Level 3 Level 4

12,98 17,60 16,51

23,47 5,91 5,91

13,02 11,78 16,99

14,40 14,96 15,62

3. Kesimpulan

15,14 14,36 15,05

Dari tabel 5, kombinasi terbaik dari pengaturan parameter dapat ditemukan sebagai (A) 3 - (B) 1 - (C) 4 - (D) 4 - (E) 2 (sebagaimana disorot dalam huruf tebal). Kode-kode ini mewakili crossover dua titik, mutasi satu titik, seleksi elit, laju crossover = 0,8, dan laju mutasi = 0,3. Sehingga struktur NN yang dipergunakan adalah 4-2-1 dan 4-4-1. Operator GA: crossover dua titik, mutasi satu titik, seleksi elitis, laju crossover = 0.8, dan laju mutasi = 0.3. Tabel 6. Hasil pengujian ENN dengan fitur dan tanpa fitur kelembaban Ars. MSE RMSE MAPE MAD CH tanpa fitur kelembaban (CH) 4-2-1 2528,506 50,284 15,15 43,317 4-4-1 1032,203 32,128 19,10 57,200 CH Dengan fitur kelembaban (CHK) 4-2-1 2374,128 48,725 13,20 41,284 4-4-1 1011,797 31,808 15,60 55,354 % 6,10 3,1 1,95 4,68 1,97 0,99 3,50 3,22

Dari hasil penelitian yang dilakukan dari tahap awal hingga pengujian, dan pengukuran, dapat diambil kesimpulan sebagai berikut: 1. Penambahan fitur kelembaban dapat meningkatkan akurasi baik BPNN maupun ENN. 2. Penambahan fitur kelembaban untuk ENN meningkatkan akurasi secara konsisten lebih baik dari BPNN, namun dengan persentase peningkatan yang lebih kecil bila dibandingkan dengan persentase peningkatan akurasi BPNN. 3. Penambahan fitur kelembaban untuk ENN, dengan pengaruh perbaikan akurasi 1,95% - 6,10%, dengan rata perbaikan 3,96% pada arsitektur 4-2-1 dan 2,42% pada 4-4-1. Beberapa hal perlu disampaikan untuk pengujian lanjutan guna perbaikan akurasi yang lebih baik: 1. Data sebagai sumber masukan bagi sistem dapat lebih rinci (perhari) dan dengan jumlah lebih banyak sehingga akurasi dapat ditingkatkan dengan lebih baik. 2. Data curah hujan dan kelembaban dari daerah lain yang berbeda pola curah hujan. 3. Perlu uji beda sehingga dapat mereduksi data hasil yang ekstrim.

Pada tabel 6, Pengujian dengan fitur kelembaban menghasilkan MSE: 2374,128 dan 1011,797; RMSE: 48,725 dan 31,808; MAPE = 0,132 (13,20%) dan 0,156(15,60%); dan MAD = 41,284 dan 55,354. Peningkatan akurasi berkisar 1,95% - 6,10%.

Daftar Pustaka

2.5. Evaluasi dan Validasi Dari tabel 3 dan tabel 6, terlihat bahwa nilai MSE, RMSE, MAPE dan MAD yang dihasilkan oleh ENN secara konsisten lebih baik dari BPNN. Namun peningkatan akurasi BPNN karena penambahan fitur kelembaban dapat mencapai 10% sementara ENN hanya mencapai 6,10%. Meskipun angka 10 % ini perlu diuji lagi karena nilai dari parameter MAD ini cukup berbeda ekstrim dengan hasil parameter lainnya. Tabel 7. Persentase peningkatan akurasi dengan fitur kelembaban Ars. MSE RMSE MAPE MAD Ratarata BPNN 4-2-1 2,61 1,31 0,51 1,98 1,60 4-4-1 3,39 2,00 0,96 10 4,09 ENN 4-2-1 6,10 3,1 1,95 4,68 3,96 4-4-1 1,97 0,99 3,50 3,22 2,42 Kisaran rata-rata peningkatan akurasi untuk 4-2-1, ENN lebih baik tingkat 3,96%. Sedangkan untuk 4-4-1, BPNNscg lebih baik dengan tingkat 4,09% (tabel 7).

[1] Handoko, Ed., Klimatologi Dasar. Jakarta: Pustaka Jaya, 1994. [2] BMKG - Stasiun Klimatologi Banjarbaru, Analisis Hujan Bulan Maret 2011, Prakiraan Hujan Bulan Juni, Juli dan Agustus 2011, 2011. [3] Wint Thida Zaw and Thinn Thu Naing, "Modeling of Rainfall Prediction over Myanmar Using Polynomial Regression," in 2009 International Conference on Computer Engineering and Technology, 2009, pp. 316-320. [4] Zhi-liang Wang and Hui-hua Sheng, "Rainfall Prediction Using Generalized Regression Neural Network: Case study Zhengzhou," in 2010 International Conference on Computational and Information Sciences, 2010, pp. 1265-1268. [5] Yuhui Wang, Yunzhong Jiang, Xiaohui Lei, and Wang Hao, "Rainfall-Runoff Simulation Using Simulated Annealing Wavelet BP Neural Network," in 2010 International Conference on Intelligent Computation Technology and Automation, 2010, pp. 963-967. [6] Pei-Chann Chang, Yen-Wen Wang, and C.Y. Tsai, "Evolving Neural Network for Printed Circuit Board Sales," Expert System Application, vol. 29(1), pp. 83-92, 2005. [7] Li Chungui, Xu Shu’an, and Wen Xin, "Traffic Flow forecasting Algorithm Using Simulated Annealing Genetic BP Network," in 2010 International Conference on Measuring Technology and Mechatronics Automation, 2010, pp. 1043-1046. [8] Ganji Huang and Lingzhi Wang, "Hybrid Neural Network Models for Hydrologic Time Series Forecasting Based on Genetic Algorithm," in 2011 Fourth International Joint Conference on Computational Sciences and Optimization, 2011, pp. 1347-1350. [9] Liliana Swastina, Subhan Panji Cipta, and Bambang Lareno, "Penerapan Algoritma Evolving Neural Network Untuk Prediksi Curah Hujan," in Konferensi Nasional Sistem & Informatika;, Bali, 2014, pp. 802-806. [10] Sani Susanto and Dedy Suryadi, Pengantar Data Mining : Menggali Pengetahuan Dari Bongkahan Data. Yogyakarta: Andi, 2010.

3.8-53

Seminar Nasional Teknologi Informasi dan Multimedia 2015 STMIK AMIKOM Yogyakarta, 6-8 Februari 2015

[11] Pei-Chann Chang and Yen-Wen Wang, "Using Soft Computing Methods for Time Series Forecasting," in Series on Computers and Operations Research (Vol.6) - Recent Advances in Data Mining of Enterprise Data: Algorithms and Applications , P.M Pardalos, Ed. Singapore: World Scientific, 2007, ch. 4, pp. 189246. [12] Suyanto, Soft Computing: Membangun Mesin Ber-IQ Tinggi. Bandung, Jawa Barat, Indonesia: Informatika, 2008. [13] Suyanto, Evolutionary Computing: Komputasi Berbasis 'Evolusi' dan 'Genetika'. Bandung: Informatika, 2008. [14] Matlab 7.9.0 (R2009b), "Function minimization by conjugate gradients," in Neural Network, R Fletcher and Reeves C.M, Eds.: Computer Journal, Vol. 7, 1964, pp. 149-154. [15] Philip J. Ross, Taguchi Techniques For Quality Engineering: Loss Function, Orthogonal Experiments, Parameters and Tolerance Design, 2nd ed. New York: Mc Graw-Hill Companies, Inc., 1996. [16] Carlo Vercellis, Business Intelligenc: data Mining and Optimization For decision making. Milano, Italy: John Wiley& Son Ltd., 2009. [17] The MathWorks, Neural Network Toolbox: User’s Guide ver.7, Mark Hudson Beale, Martin T. Hagan, and Howard B Demuth, Eds., 2010.

Biodata Penulis Bambang Lareno, memperoleh gelar Sarjana Teknik (ST), Jurusan Teknik Sipil Universitas Lambung Mangkurat Banjarmasin, lulus tahun 1999. Memperoleh gelar Magister Komputer (M.Kom) Program Pasca Sarjana Magister Teknik Informatika Universitas Dian Nuswantoro Semarang, lulus tahun 2012. Saat ini menjadi Dosen di STMIK Indonesia Banjarmasin. Liliana Swastina, memperoleh gelar Sarjana Komputer (S.Kom), Jurusan Sistem Informasi Universitas Gunadharma Jakarta, lulus tahun 1997. Memperoleh gelar Magister Komputer (M.Kom) Program Pasca Sarjana Magister Teknik Informatika Universitas Dian Nuswantoro Semarang, lulus tahun 2012. Saat ini menjadi Dosen di STMIK Indonesia Banjarmasin. Feiliana Tan, memperoleh gelar Sarjana Teknik (ST), Jurusan Teknik Sipil Universitas Lambung Mangkurat Banjarmasin, lulus tahun 2002. Memperoleh gelar Magister Teknik (MT) Universitas Lambung Mangkurat Banjarmasin, lulus tahun 2006. Saat ini menjadi Dosen di STMIK Indonesia Banjarmasin.

3.8-54

ISSN : 2302-3805