Prediksi Siklus Matahari Menggunakan Evolving Recurrent Neural Networks Solar Cycle Prediction Using Evolving Recurent Neural Networks

Khairul Azhar

Informasi Umum

Kode

113080233

Klasifikasi

005.1 - Computer programming

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Informatika Teori Dan Pemrograman

Dilihat

345 kali

Informasi Lainnya

Abstraksi

ABSTRAKSI: Prediksi siklus matahari merupakan tugas yang sulit dan penting. Prediksi ini menjadi sulit disebabkan karena sifat chaotic yang dimilikinya dan rentang antar siklus kira-kira 11 tahun lamanya. Kemudian, prediksi ini menjadi penting karena pengaruhnya yang berdampak kepada kehidupan dibumi sperti, satelit, cuaca, sistem telekomunikasi dan jaringan listrik. Teorema embedding Takenadalah alat penting yang digunakan untuk menganalisa sistem yang bersifat chaoticdengan mengubahnya kedalam phase space. Sistem chaotic yang diubah ke dalam phase space membuat sistem ini menjadi deterministik dan memperlihatkan informasi yang tersembunyi sehingga lebih mudah untuk diprediksi. Evolving Recurrent Neuran Networks (ERNN) adalah sebuah metode yang diusulkan untuk menemukan model Elman-RNN yang optimal melalui algoritma optimasi Evolutionary Programming (EP) untuk prediksi siklus matahari. Elman-RNN telah menunjukkan hasil yang bagus dalam kasus prediksi. Hal ini karena Elman-RNN mampu menangkap dinamika sistem melalui unit yang disebut context layer. Sedangkan EP adalah salah satu algoritma optimasiEvolutionary Algorithms (EAs) yang panjang kromosomnya dapat berbeda-beda. Sehingga EP cocok digunakan untuk menemukan bobot yang tepat dengan arsitektur Elman-RNN yang dirancang dinamis. Model Elman-RNN terbaik yang diperoleh memilikirata-rata satu buah neuron hidden. Dengan model ini diperoleh nilai NMSE training2,6×10-3dan testing6,5×10-4. Kata Kunci : prediksi, siklus matahari, Evolutionary Programming, Elman Neural Networks, sunspot, teroema embedding Taken, chaotic, time series.ABSTRACT: Solar cycle prediction is difficult and important task. This prediction is difficult because it shows chaotic behaviour and has 11-years cycle approximately.Then, this prediction is important because its impact to earth like satelite, weather, telecommunication system, and electric transmition. Embedding’s Taken theorem is imprtant tool to analyse chaotic system by tranforming it into phase space. in phase space, chaotic system shows deterministic and unfolds hidden information. So, it makes solar cycle is easy to predict. Evolving Recurrent Neuran Networks (ERNN) is proposed method to find optimum Elman-RNN model by using optimation algorithm of Evolutionary Programming to predict solar cycle. in recent years, Elman-RNN has showed good result in prediction. It caused Elman-RNN can find dinamycal of system through unit called context layer. On the other hand, EP is one of optimation algorithm of Evolutionary Algorithms (EAs) that its chromosome length can be different size. So, EP is good to find proper weights and proper Elman arsitecture. The best Elman-RNN model has one neuron in hidden layer mostly. The proposed method yields NMSE for training 2,6×10-3and testing 6,5×10-4.Keyword: prediction, solar cycle, Evolutionary Programming, Elman Neural Networks, sunspot, Taken’s embedding theorem, chaotic, time series.