PENGGUNAAN METODE BACKPROPAGATION UNTUK PERAMALAN JUMLAH LEDAKAN MATAHARI (FLARE)

Authors

  • Yuyun Monita UIN Sunan Ampel Surabaya
  • Dian Candra Rini Novitasari UIN Sunan Ampel Surabaya
  • Nanang Widodo Lembaga Penerbangan dan Antariksa Nasional Pasuruan
  • Ahmad Zaenal Arifin Universitas PGRI Ronggolawe Tuban

Keywords:

Flare, Backpropagation, MAPE, Peramalan

Abstract

Badai matahari memiliki dampak negatif bagi Bumi seperti terganggunya keadaan ruang angkasa, ionosfer dan atmosfer Bumi, serta sistem teknologi yang berada di luar angkasa. Badai matahari merupakan salah satu peristiwa alam yang disebabkan oleh aktivitas matahari yaitu ledakan matahari (flare). Flare terjadi akibat terbukanya kumparan medan magnet di permukaan matahari yang dapat memancarkan energi sangat besar. Salah satu cara yang dapat dilakukan untuk mengurangi risiko dari badai matahari akibat flare yaitu dengan peramalan. Backpropagation merupakan salah satu algoritma pembelajaran dalam jaringan saraf tiruan yang paling umum digunakan salah satunya untuk peramalan. Backpropagation melakukan proses pembelajaran dengan penyesuaian bobot-bobot dari arsitektur jaringan saraf tiruan dengan arah mundur berdasarkan pada nilai error. Melihat tingkat urgensi badai matahari yang disebabkan oleh flare serta berdasarkan beberapa penelitian terdahulu maka akan dilakukan peramalan flare pada satu bulan berikutnya dengan metode Backpropagation. Hasil terbaik yang diperoleh yaitu menggunakan arsitektur jaringan 10 unit tersembunyi. Perolehan nilai MAPE pada tahap pelatihan 9,93% dan tahap pengujian 15,98%. Hasil Peramalan yang diperoleh yaitu 0,26 yang berarti bahwa pada Bulan Januari tahun 2009 tidak terjadi ledakan.

Downloads

Download data is not yet available.

References

[1] Neflia, “Matahari Sebagai Sumber Cuaca Antariksa,” Berita Dirgantara, pp. 6-11, - 3 2008.
[2] J. Uwamahoro, L.-A. McKinnell dan P. Cilliers, “Forecasting Solar Cycle 24 Using Neural Network,” Journal of Atmospheric and Solar-Terrestrial, pp. 569-574, 2009.
[3] A. E. McCloskey, P. T. Gallagher dan D. S. Bloomfield, “Flare Forecasting Using the Evolution of McIntosh Sunspot classification,” -, pp. -, 2018.
[4] G. M. Spahr, “Fully Automated Sunspot Detection And Classification Using SDO HMI Imagery In Matlab,” Thesis, pp. -, 2014.
[5] R. Li dan J. Zhu, “Solar Flare Forecasting Based on Sequential Sunspot Data,” -, pp. 1118-1126, 2013.
[6] C. Yatini, Jiyo dan M. Ruhimat, “Badai Matahari dan Pengaruhnya Pada Ionosfer dan Geomagnet di Indonesia,” Majalah Sains dan Teknologi Dirgantara, pp. 17-24, 1 Maret 2009.
[7] R. Calvo, H. Navone dan H. Ceccatto, “Neural Network Analysis of Time Series: Applications to Climate Data,” Technical Report, pp. -, 2000.
[8] J. Flores, M. Graff dan H. Rodriguez, “Evolutive Design of ARMA and ANN Models for Time Series Forecasting,” Renewable Energy, pp. 225-230, 2012.
[9] J. Teixeira dan P. Fernandes, “Tourism Time Series Forecast with Artificial Neural Networks,” Tekhne, pp. 1-11, 2014.
[10] R. Hrasko, A. G. Pacheco dan R. Krohling, “Time Series Prediction using Restricted Boltzmann Machines and Backpropagation,” Procedia Computer Science, pp. 990-999, 2015.
[11] K. Grolinger, A. L. C. M. A. Heureux dan L. Seewald, “Energy Forecasting for Event Venues: Biig Data and Prediction Accuracy,” Energy and Buildings, pp. 222-233, 2016.
[12] L. F. A. M. Gomas, M. A. S. Machado, A. M. Caldeira, D. J. Santos dan W. J. D. d. Nascimento, “Time Series Forecasting with Networks and Choquet Integral,” Procedia Computer Science, pp. 1119-1129, 2016.
[13] J. Szoplik, “Forecasting of Natural Gas Consumption with Artificial Neural Network,” Energy, pp. 208-220, 2015.
[14] H. H. Orkcu dan H. Bal, “Comparing Performances of Backpropagation and Genetic Algorithms in The Data Classification,” Expert Systems with Applications, pp. 3703-3709, 2011.
[15] D. E. Rufiyanti, “Implementasi Jaringan Syaraf Tiruan Backpropagation dengan Input Model ARIMA untuk Peramalan Harga Saham,” Skripsi, 2015.
[16] Kusrini dan E. T. Luthfi, Algoritma Data Mining, Yogyakarta : Andi, 2009.
[17] E. Saloux dan J. A. Candanedo, “Forecasting District Heating Demand using Machine Learning Algorithms,” Energy Procedia, pp. 59-68, 2018.
[18] F. Kusumadewi, “Peramalan Harga Emas Menggunakan FeedForward Neural Network dengan Algoritma Backpropagation,” Skripsi, 2014.
[19] M. N. D. Sawitri, I. W. Sumarjaya dan N. K. T. Tastrawati, “Peramalan Menggunakan Metode Backpropagation Neural Network,” E-Jurnal Matematika, pp. 264-270, 2018.
[20] Nurfahmi, “Analisis Pergerakan Sunspot Untuk Mengkaji Potensi Terjadinya Flare Pada Bulan Maret-Juni 2015,” Tugas Akhir, pp. -, 2015.

Downloads

Published

2019-09-29

How to Cite

Monita, Y., Novitasari, D. C. R., Widodo, N., & Arifin, A. Z. (2019). PENGGUNAAN METODE BACKPROPAGATION UNTUK PERAMALAN JUMLAH LEDAKAN MATAHARI (FLARE). MathVision : Jurnal Matematika, 1(02), 67–71. Retrieved from http://journal.unirow.ac.id/index.php/mv/article/view/91

Issue

Vol. 1 No. 02 (2019): September 2019

Section

Articles

License

Penulis yang mempublikasikan jurnalnya di MathVision harus setuju dengan:

  1. Penulis memiliki hak cipta dan memberikan hak jurnal untuk publikasi pertama dengan karya yang secara simultan dilisensikan di bawah Lisensi Creative Commons yang memungkinkan orang lain untuk berbagi karya dengan pengakuan kepenulisan karya dan publikasi awal dalam jurnal ini.
  2. Penulis dapat membuat perjanjian kontrak tambahan yang terpisah untuk distribusi non-eksklusif dari versi jurnal yang diterbitkan dari karya tersebut (misalnya, mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan atas publikasi awalnya di jurnal ini.
  3. Penulis diizinkan dan didorong untuk memposting pekerjaan mereka secara online (mis., Dalam repositori institusional atau di situs web mereka) sebelum dan selama proses pengiriman, karena dapat menyebabkan pertukaran yang produktif, serta kutipan yang lebih awal dan lebih besar dari karya yang diterbitkan