Professional Documents
Culture Documents
PROSIDINGSNSA20201 Halaman 12 20
PROSIDINGSNSA20201 Halaman 12 20
net/publication/353654961
CITATIONS READS
0 18
7 authors, including:
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
KAJIAN PERTUMBUHAN AWAN HUJAN PADA SAAT BANJIR BANDANG BERBASIS CITRA SATELIT DAN CITRA RADAR (STUDI KASUS : PADANG, 2 NOVEMBER 2018) View
project
All content following this page was uploaded by Abdul Hamid Al Habib on 03 August 2021.
Abstract. Thunderstorm is one of the weather phenomena that occurs due to cumulonimbus
cloud activity. This thunderstorm phenomenon has a major impact on community activities
and has the potential to threaten flight safety. One method for forecasting thunderstorms is
to use sound data or top air data. The value that is often used as a reference in the threshold
of atmospheric stability is not fully used as a fundamental value in predicting the weather in
an area, it is because each region has different characteristics.Therefore we need an objective
forecasting method that can increase the accuracy of the forecast. Artificial Neural Network
(ANN) is an implementation of artificial intelligence that can solve complex problems with a
high degree of accuracy. In this study, the authors utilize ANN for probabilistic predictions of
thunderstorm events in the Manado region. The data used are atmospheric stability index data
from 2014 to 2016. The results of the study show that ANN's accuracy in predicting
thunderstorm events in the Manado region reached 64% to 70.3%.
Abstrak. Thunderstorm merupakan salah satu fenomena cuaca yang terjadi akibat aktivitas
awan cumulonimbus. Fenomena thunderstorm ini berdampak besar terhadap aktivitas
masyarakat serta berpotensi mengancam keselamatan penerbangan. Salah satu metode
untuk memprakirakan thunderstorm adalah dengan memanfaatkan data sounding atau data
udara atas. Nilai yang sering dijadikan acuan dalam ambang batas stabilitas atmosfer tidak
sepenuhnya dijadikan nilai mendasar dalam memprediksi cuaca di suatu wilayah, hal tersebut
dikarenakan tiap daerah memiliki karakteristik yang berbeda-beda. Oleh karena itu
dibutuhkan metode prakiraan objektif yang dapat meningkatkan tingkat akurasi prakiraan.
Artificial Neural Network (ANN) merupakan implemantasi dari artificial intelligence yang
dapat menyelesaikan permasalahan yang kompleks dengan tingkat akurasi yang tinggi. Pada
penelitian ini, penulis memanfaatkan ANN untuk prediksi probabilistik kejadian thunderstorm
di wilayah Manado. Data yang digunakan adalah data indeks stabilitas atmosfer dari tahun
2014 hingga tahun 2018. Hasil penelitian menunjukkan akurasi ANN dalam memprediksi
kejadian thunderstorm di wilayah Manado mencapai 64% hingga 70,3%.
1. PENDAHULUAN
Indonesia merupakan salah satu Negara yang termasuk dalam wilayah tropis, hal ini dikarenakan letak
wilayah Indonesia yang berada di sekitar ekuator. Indonesia memiliki 2 musim diantaranya musim kemarau
dan musim hujan. Indonesia terbagi menjadi beberapa wilayah, salah satunya adalah wilayah Manado. Wilayah
Manado merupakan wilayah ibukota provinsi Sulawesi Utara yang berada pada koordinat wilayah 124°40′ –
124°50′ BT dan 1°30′ – 1°40′ LU. Secara geografis, wilayah Manado terdiri dari pegunungan dan dikelilingi oleh
bukit-bukit disekitarnya. Rata-rata suhu udara di wilayah Manado pada tahun 2015 masing-masing berkisar
26,6°C dengan curah hujan sebesar 279,6 mm.1 Ada berbagai macam fenomena cuaca tropis yang terjadi di
wilayah Manado, salah satu diantaranya adalah thunderstorm.
Thunderstorm atau disebut juga dengan badai guntur merupakan salah satu fenomena cuaca yang
terjadi akibat aktivitas awan cumulonimbus. Fenomena thunderstorm ini berdampak besar terhadap aktivitas
1
PROSIDING SNSA 2020
2. METODOLOGI
Penelitian ini dimulai dari identifikasi masalah yang akan diteliti terkait kejadian thunderstorm di
wilayah Manado. Setelah identifikasi masalah dilakukan pengumpulan data berupa data observasi kejadian
thunderstorm harian dan data sounding dilakukan. Data udara atas digunakan sebagai variabel prediktor model
ANN didapatkan dari pengamatan radiosonde pada jam 00 UTC dan 12 UTC (tahun 2014 – 2016) di Stasiun
Meteorologi Sam Ratulangi Manado. Penentuan domain penelitian berdasarkan pada ketersediaan data dan
diperlukan untuk menunjang keselamatan penerbangan di wilayah Bandara Sam Ratulangi Manado. Data
observasi permukaan kejadian thunderstorm pada jam (00 – 06 UTC) & (12 – 18 UTC) dari tahun 2014 – 2016
di Stasiun Meteorologi Sam Ratulangi Manado digunakan sebagai variabel prediktan ANN. Pemilihan waktu
tersebut sebagai data training untuk model ANN karena, selama waktu tersebut perbandingan hari kejadian
thunderstorm dan hari tanpa thunderstorm cukup untuk mengetahui pola data yang dimiliki oleh test data.
Prinsip ANN yaitu semakin banyak training data yang digunakan maka semakin handal pula performa ANN
tersebut.11
Variabel prediktor yang digunakan sebagai data masukan ANN yaitu variabel indeks stabilitas atmosfer
Lifted Index (LI) , Showalter Index (SI) dan K-Index (KI). Pemilihan variabel prediktor tersebut berdasarkan pada
2
PROSIDING SNSA 2020
ketersediaan data dan penelitian yang dilakukan oleh Setyawan (2016). 12 Hasil penelitian Setyawan (2016)
dari beberapa nilai parameter Indeks yang digunakan menunjukkan bahwa nilai Lifted Index, K index dan
Showalter Index dapat menghasilkan prakiraan thunderstorm yang cukup tepat dan akurat di wilayah Manado.
Penelitian ini menggunakan salah satu model ANN yaitu Competitive Probabilistic Neural Network (CPNN).
Algoritma CPNN menggunakan metode parzen window dengan menggunakan gaussian kernel untuk
menghitung probabilitas. 13 Gaussian kernel mempunyai bentuk persamaan:
𝑇
1 (𝑋𝑛𝑒𝑤 −𝑋𝐶𝑖,𝑗 ) .(𝑋𝑛𝑒𝑤 −𝑋𝐶𝑖,𝑗 )
𝜔𝑖, 𝑗 = 𝑑 𝑒𝑥𝑝 (− ) (1)
2𝜋 ⁄2 𝜎 𝑑 2𝜎 2
dimana |Ci| adalah kardinalitas dari himpunan bagian Ci dan ωi,j adalah gaussian kernel normal
multivariate dari XCi,j. sigma (σ) adalah lebar fungsi parzen window parameter yang dapat disesuaikan
ditentukan secara eksperimental, x adalah nilai titik pusat pada perhitungan parzen window, (𝑋𝑛𝑒𝑤 −
𝑇
𝑋𝐶𝑖,𝑗 ) . (𝑋𝑛𝑒𝑤 − 𝑋𝐶𝑖,𝑗 ) adalah jarak euclidian kuadrat antara data pusat (data yang ingin dicari nilai
probabilitasnya) dan data dalam suatu kategori.
Competitive Probabilistic Neural Network (CPNN) memiliki satu lapisan tambahan (competition layer)
yang belum terdapat di dalam PNN. Arsitektur CPNN berdasarkan Gambar 1., setelah pattern layer terdapat
competition layer yang mengurutkan gaussian kernel untuk masing-masing data pada suatu kategori dihitung
kemudian disusun dari yang nilainya terbesar sampai terkecil. Di dalam competition layer semua gaussian
kernel bersaing untuk dimasukkan dalam perhitungan probabilitas sehingga akan didapat beberapa
kemungkinan suatu input x masuk ke dalam suatu kelompok. Terakhir, output layer akan menghasilkan hasil
klasifikasi.
Pengambilan training data yang dipakai untuk parzen window dari yang terbesar berurutan sesuai
dengan urutan yang sudah disortir sampai memenuhi kuota yang ditetapkan oleh γ i (berapa persen dari total
data pada kategori i). Rasio parameter γi sebagian titik data dari training data digunakan untuk perhitungan
parzen window.
𝑁𝑊𝑖
𝛾𝑖 = (2)
𝐶𝑖
3
PROSIDING SNSA 2020
dengan Ci adalah total training data pada kategori i. NWi merupakan jumlah kernel yang telah dipilih di kelas i
dikategorikan sebagai number of winners. Sehingga, probabilitas di setiap kelas pada CPNN dapat dihitung
dengan persamaan:
1 𝑁𝑊 1 |𝛾 |𝐶 |
𝑃𝑖 = ∑𝑗=1𝑖 𝜔𝑖,𝑗 = 𝑖 𝑖
∑𝑗=1 𝜔𝑖,𝑗 (3)
𝑁𝑊𝑖 |𝛾𝑖 |𝐶𝑖 |
Training data akan dinormalisasi menggunakan persamaan (4), sebelum data variabel prediktor
tersebut menjadi data masukan untuk CPNN. Tahap ini dinamakan tahap pre-processing yang berguna untuk
membuat skala semua prediktor CPNN menjadi sama.
𝑥−𝑥𝑟𝑎𝑡𝑎
𝑥𝑛𝑜𝑟𝑚 = (4)
𝑥𝑠𝑡𝑑
∑𝑛
𝑖 𝑥
𝑥𝑟𝑎𝑡𝑎 = (5)
𝑛
∑𝑛
𝑖 (𝑥𝑟𝑎𝑡𝑎 −𝑥)
2
𝑥𝑠𝑡𝑑 = √ (6)
𝑛
Keterangan:
𝑥𝑛𝑜𝑟𝑚 : data normalisasi
𝑥 : adalah nilai masukan pada parameter yang akan dinormalisasi
𝑛 : banyaknya data pada parameter tersebut
𝑥𝑟𝑎𝑡𝑎 : rata-rata data
𝑥𝑠𝑡𝑑 : standar deviasi
Model machine learning CPNN memiliki suatu parameter struktur dan arsitektur ANN
(hyperparameter) yang harus diatur terlebih dahulu sebelum bisa dijalankan. Tuning atau optimalisasi
hyperparameter melibatkan dan menemukan nilai-nilai dari masing-masing hyperparameter yang akan
membantu model memberikan prediksi yang paling akurat. Konfigurasi hyperparameter yang diujikan untuk
dicari mana yang terbaik dapat dilihat pada Tabel 2.1. Pemilihan nilai hyperparameter tersebut berdasarkan
proses manual hyperparamer tuning pada saat validasi.
Konfigurasi CPNN 1 2 3 4 5 6 7 8
σ 0.1 0.3 0.5 0.9 0.1 0.3 0.5 0.9
γ 0.1 0.3 0.5 0.9 0.9 0.5 0.3 0.1
Pada penelitian ini verifikasi dilakukan untuk melihat keakuratan model CPNN dalam memprediksi .
Verifikasi kualitas prakiraan dilakukan dengan menggunakan beberapa nilai statistik, antara lain Brier Score
(BS) dan metode tabel kontingensi.
1
𝐵𝑆 = ∑𝑁
𝑡=1(𝑓𝑡 − 𝑜𝑡 )
2
(7)
𝑁
dengan N adalah jumlah data, t adalah urutan data, f nilai probabilitas prakiraan dan o adalah data observasi
yang mana bernilai 1 untuk kejadian hujan dan 0 untuk kejadian tidak hujan. Tabel 2 menunjukkan metode
untuk menguji kemampuan sistem prediksi berdasarkan tabel kontingensi yaitu suatu kejadian didefinisikan
sebagai biner, yang berarti bahwa hanya ada dua hasil yang mungkin, suatu kejadian (Yes) atau non-kejadian
(No). Metode table kontingensi dapat dijabarkan menhadi akurasi, probability of detection (PoD), dan false
alarm ratio (FAR).
4
PROSIDING SNSA 2020
Observasi
Yes No Total
Yes Hits False Alarm Forecast Yes
Prediksi
ℎ𝑖𝑡𝑠+𝐶𝑜𝑟𝑟𝑒𝑐𝑡 𝑁𝑒𝑔𝑎𝑡𝑖𝑣𝑒
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = (8)
ℎ𝑖𝑡𝑠+𝐶𝑜𝑟𝑟𝑒𝑐𝑡 𝑁𝑒𝑔𝑎𝑎𝑡𝑖𝑣𝑒+𝐹𝑎𝑙𝑠𝑒 𝐴𝑙𝑎𝑟𝑚+𝑀𝑖𝑠𝑠𝑒𝑠
Akurasi menunjukkan bagian prakiraan yang benar secara keseluruhan. Akurasi juga disebut sebagai
proportion correct. Nilainya berada antara 0 dan 1. Nilai akurasi sama dengan 1 menunjukkan prakiraan
sempurna.
𝐹𝑎𝑙𝑠𝑒 𝑎𝑙𝑎𝑟𝑚𝑠
𝐹𝐴𝑅 = (9)
𝐻𝑖𝑡𝑠+𝐹𝑎𝑙𝑠𝑒 𝑎𝑙𝑎𝑟𝑚𝑠
False Alarm Ratio (FAR) merupakan banyaknya kejadian “ya” yang diprediksi namun tidak terjadi.
Nilainya berada antara 0 dan 1. Nilai FAR sama dengan 0 menunjukkan prediksi sempurna, sedangkan nilai
tinggi digunakan untuk kejadian underforcast. FAR cenderung mengesampingkan miss namun sangat sensitif
terhadap banyaknya false alarm, karena FAR merupakan perbandingan false alarm pada total prediksi “ya”.
𝐻𝑖𝑡𝑠
𝑃𝑜𝐷 = (10)
𝐻𝑖𝑡𝑠+𝑀𝑖𝑠𝑠𝑒𝑠
PoD (Probability of Detection) atau juga disebut sebagai hit rate merupakan perhitungan untuk
mengukur banyaknya observasi “ya” yang diprakirakan dengan benar. PoD menunjukkan probabilitas kejadian
yang dapat dideteksi oleh model. Nilainya berada antara 0 dan 1. Nilai tinggi digunakan untuk kejadian
overforecast.
Seluruh data nilai indeks KI selama 3 tahun berjumlah 1096 data, dibuatlah interval untuk melihat
prosentase peluang adanya kejadian thunderstorm yang dapat dilihat dalam Tabel 3 dibawah. Jika dilihat dari
tabel tersebut terlihat bahwa potensi terbesar terjadinya kejadian thunderstorm adalah ketika nilai KI berada
di pada rentang nilai 34 - 40 yakni berada di angka 20 % lebih. Untuk rentang nilai >40 juga memiliki persentase
peluang yang besar tetapi hal ini belum bisa mewakili rentang nilai tersebut, dikarenakan sedikitnya jumlah
kejadian yang terjadi. Sementara untuk peluang terbesar terjadinya thunderstorm berada pada rentang nilai
38 - 40 yakni sebesar 26,1 %. Hal ini dapat menunjukkan bahwa semakin besar nilai KI, maka peluang terjadinya
kejadian thunderstorm cukup tinggi.
Berdasarkan Tabel 4 terlihat bahwa peluang terbesar terjadinya thunderstorm (TS) adalah ketika nilai
KI berada pada rentang nilai 37 - 40 yaitu sebesar 15 %. Untuk rentang 34 - 37 juga memiliki persentase peluang
terjadinya TS yang cukup yaitu sebesar 6 %. Sementara untuk peluang terjadinya thunderstorm paling besar
berada pada rentang > 40 yaitu sebesar 80 %. Berdasarkan data nilai indeks LI selama 3 tahun (2014-2016)
sebanyak 1096 data dengan total kejadian thunderstorm mencapai 128 kejadian, kemudian dibuatlah
persentase peluang adanya kejadian thunderstorm pada pagi hari, seperti yang tercantum dalam Tabel 5. Dari
tabel tersebut, terlihat bahwa peluang terbesar terjadinya thunderstorm adalah ketika nilai LI berada di
rentang kurang dari -3 yaitu sebesar 23 %.
5
PROSIDING SNSA 2020
Tabel 3 Interval nilai KI pagi hari di Stamet Sam Ratulangi tahun 2014 – 2016
< 28 272 0 0
28 - 30 99 2 2.222222222
30 - 32 170 13 7.647058824
32 - 34 240 35 14.58333333
34 - 36 203 50 24.63054187
36 - 38 92 22 23.91304348
38 - 40 19 5 26.31578947
> 40 1 1 100
Total 1096 128
Tabel 4 Interval nilai KI malam hari di Stamet Sam Ratulangi tahun 2014 – 2016
< 25 158 0 0
25 - 28 68 0 0
28 - 31 130 5 3.846153846
31 - 34 272 13 4.779411765
34 - 37 343 21 6.12244898
37 - 40 119 18 15.12605042
> 40 5 4 80.0
Total 1095 61
Tabel 5 Interval nilai LI pagi hari di Stamet Sam Ratulangi tahun 2014 – 2016
Kemudian untuk rentang -3 – (0) juga memiliki persentase peluang terjadinya thunderstorm besar
yakni pada kisaran nilai 10-20 %. Secara keseluruhan peluang terjadinya thunderstorm berada pada rentang
nilai kurang dari (-1), dimana hal ini terlihat dari nilai persentase yang makin meningkat. Berdasarkan dari hasil
tersebut, semakin menguatkan bahwa semakin rendah nilai LI, maka peluang terjadinya pertumbuhan
thunderstorm pun cenderung makin meningkat. Berdasarkan interval nilai indeks LI pada tahun 2014 – 2016
malam hari (Tabel 6) menunjukkan peluang terbesar terjadinya thunderstorm adalah ketika nilai LI berada pada
rentang nilai kurang dari -2, dimana pada rentang nilai tersebut persentase kejadian TS terhadap nilai harian
indeks terbilang cukup tinggi yakni sebesar 20%. Sementara untuk rentang nilai dengan peluang terjadinya
thunderstorm paling besar berada pada rentang (-6) hingga (-4) yakni sebesar 20 %. Pada rentang nilai < (-6),
nilai persentase mencapai lebih dari 60 %, hal ini perlu dikaji kembali dengan jumlah kejadian yang lebih
banyak, tetapi berdasarkan nilai tersebut sudah cukup mempresentasikan potensi kejadian thunderstorm yang
cukup tinggi.
6
PROSIDING SNSA 2020
Tabel 6 Interval nilai LI malam hari di Stamet Sam Ratulangi tahun 2014 – 2016
>2 70 0 0
0-2 84 2 2.380952381
(-2) - 0 393 11 2.798982188
(-4) - (-2) 495 37 7.474747475
(-6) - (-4) 50 9 20
< (-6) 3 2 66.66666667
Total 1095 61
Dari seluruh data interval nilai indeks SI selama 3 tahun pada pagi hari sebanyak 1096, terdapat
kejadian thunderstorm sebanyak 128 kejadian. Berdasarkan Tabel 7 terlihat bahwa peluang terbesar terjadinya
TS adalah ketika nilai SI berada pada rentang kurang dari nilai 0 yakni sebesar 22 %. Pada rentang nilai 0 hingga
1 juga memiliki persentase peluang terjadinya TS yang cukup besar yaitu sebesar 20 %. Sementara untuk
peluang terjadinya thunderstorm paling besar berada pada rentang (-1) hingga 0. Secara umum, persentase
kejadian TS yang cukup besar berada pada rentang nilai (-3) hingga 0. Semakin rendah nilai SI, peluang
terjadinya thunderstorm semakin meningkat.
Tabel 7 Interval nilai SI pagi hari di Stamet Sam Ratulangi tahun 2014 – 2016
Berdasarkan data Indeks nilai SI selama 3 tahun yakni dari tahun 2014 hingga 2016 menunjukkan
bahwa peluang terbesar terjadinya TS adalah ketika nilai SI berada di rentang -2 hingga -4 (Tabel 8). Kemudian
untuk rentang nilai (-2) hingga 0 dan 0 hingga 2 juga memiliki prosentase peluang terjadinya TS yang cukup
besar yaitu sebesar 7 hingga 8 %. Sementara untuk peluang terjadinya thunderstorm paling kecil berada pada
rentang >4 yaitu sebesar 0 %. Berdasarkan tabel tersebut menunjukkan bahwa semakin rendah nilai SI,
peluang terjadinya thunderstorm semakin tinggi.
Tabel 8 Interval nilai SI malam hari di Stamet Sam Ratulangi tahun 2014 – 2016
>4 102 0 0
2-4 156 4 2.564102564
0–2 453 30 8.498583569
(-2) - 0 360 25 6.944444444
7
PROSIDING SNSA 2020
Gambar 2. Performa CPNN pada setiap konfigurasi hyperparameter untuk prediksi probabilistik kejadian
thunderstorm pukul 00 UTC (bulan Oktober-November-Desember 2016)
8
PROSIDING SNSA 2020
Gambar 3. Performa CPNN pada setiap konfigurasi hyperparameter untuk prediksi probabilistik kejadian
thunderstorm pukul 12 UTC (bulan Oktober-November-Desember 2016)
Berdasarkan Gambar 3. Konfigurasi hyperparameter terbaik model CPNN pada pukul 12 UTC sama
seperti pada pukul 00 UTC. Performa prediksi CPNN pada pukul 12 UTC menunjukkan bahwa akurasi tertinggi
dicapai pada konfigurasi dengan nilai sigma 0,1 dengan gamma 0,1. Tingkat akurasi pada konfigurasi tersebut
sebesar 70% yang menunjukkan tingkat kebenaran prakiraan secara keseluruhan 70% merujuk pada data
observasi kejadian thunderstorm di wilayah Stasiun Meteorologi Sam Ratulangi Manado. Nilai POD dari
konfigurasi dengan nilai gamma di atas 0.3 sebagian besar menunjukkan 100% dari prediksi akan terjadi
thunderstorm yang dilakukan model CPNN adalah benar. Akan tetapi nilai POD yang tinggi tersebut disertai
dengan nilai FAR yang tinggi pula, sehingga menghasilkan tingkat akurasi yang rendah. Pada kasus ini
sensitifitas konfigurasi hyperparameter terletak pada nilai sigma yang berpengaruh terhadap nilai akurasi.
Semakin kecil nilai sigma maka nilai akurasi semakin tinggi.
4. KESIMPULAN
Performa rancang bangun model ANN dalam memprediksi kejadian thunderstorm di wilayah Manado
cukup baik dengan tingkat akurasi 64% pada pukul 00 UTC dan 70,3% pada pukul 12 UTC. Konfigurasi
hyperparameter ANN dalam meningkatkan akurasi model CPNN lebih didominasi oleh nilai sigma (σ)
dibandingkan dengan nilai gamma (ϒ). Berdasarkan hasil analisis prosentase indeks stabilitas atmosfer di
wilayah Manado menunjukkan bahwa ambang batas nilai Lifted Index (LI) , Showalter Index (SI), K-Index (KI)
pada pukul 00 UTC dan 12 UTC memiliki karakteristik yang berbeda. Semakin besar nilai K-Index (KI) maka
peluang terjadi thunderstorm semakin tinggi, sedangkan semakin kecil nilai Lifted Index (LI) dan Showalter
Index (SI) maka peluang terjadi thunderstorm semakin tinggi.
Penulis mengucapkan terima kasih kepada semua pihak yang telah berkontribusi dalam penelitian ini.
Terima kasih kepada Stasiun Meteorologi Sam Ratulangi Manado yang telah berkenan memberikan data
observasi pengamatan udara atas dan kejadian thunderstorm.
DAFTAR RUJUKAN
1 BapeddaSulut.go.id , diakses pada tanggal 12 Juli 2019
2Mayangwulan D., Wiratmo, J., Siregar, P. M., 2011. Potensi Badai Guntur Berdasarkan Parameter Kelembaban, Labilitas
Udara, dan Mekanisme Pengangkatan (Studi Kasus : di Bandar Udara Frans Kaisiepo Biak, ITB, Bandung.
3Budiarti, M., Muslim, M., Ilhamsyah, Y., 2012. Studi Indeks Stabilitas Udara terhadap Prediksi Kejadian Badai Guntur
(Thunderstorm) di Wilayah Stasiun Meteorologi Cengkareng Banten, Jurnal BMKG, Vol. 13 No.2.
4Pratama , M., 2015. Penentuan Ambang Batas Parameter Stabilitas Udara Terhadap Kejadian Awan CB dan TS di Stasiun
Gunadarma.
7Saxena, A., Verma, N., Tripthi, K. C., 2013. A Review Study of Weather Forecasting using Artificial Neural Network
Approach, International Journal of Engineering Research and Technology, Vol. 11, No. 11, pp. 2029-2035.
8Hermawan A., 2006, Jaringan Saraf Tiruan Teori dan Aplikasi, Yogyakarta
9Mislan, Haviluddin, Hardwinarto, S., Sumaryono, Aipassa, M., 2015. Rainfall Monthly Prediction Based on Artificial Neural
Network: A Case Study in Tenggarong Station, East Kalimantan - Indonesia. Procedia Comput. Sci, Vol. 59, pp. 142–
151.
10Sedki, A., Ouazar, D., El Mazoudi, E., 2009. Evolving neural network using real coded genetic algorithm for daily rainfall