ABSTRAKSI: Backpropagation merupakan algoritma pelatihan yang digunakan pada Jaringan Saraf Tiruan (JST). Pada dasarnya algoritma pelatihan Backpropagation akan menggerakkan bobot dengan arah gradient negatif yang membuat fungsi kinerja menjadi turun dengan cepat. Namun, algoritma pelatihan Backpropagation Standart proses pelatihannya biasanya berjalan lambat. Untuk mempercepat proses pelatihan terdapat dua alternatif cara, yang pertama dengan teknik heuristik dan yang kedua teknik optimasi numeris.
Pada tugas akhir ini, algoritma Conjugate Gradient Fletcher Reeves(CGF) akan digunakan sebagai algoritma pelatihan pada JST Backpropagation sebagai sistem peramalan temepratur udara dan kelembaban udara. Penggunaan algoritma CGF ini diharapkan mampu meningkatkan performansi system, hal ini dikarenakan algoritma CGF merupakan metode optimasi yang dapat meminimasi suatu fungsi, dimana arah pencariannya berdasarkan arah konjugasi yang nilainya ortogonal. Karena sifat pencariannya yang ortogonal, sehingga CGF dapat dengan cepat mencapai konvergensi pada solusi yang dicari.
Berdasarkan hasil pengujian didapatkan keluaran dengan hasil yang cukup memuaskan, yaitu persentase error mengalami penurunan dan kecepatan proses training mengalami peningkatan jika dibandingkan dengan JST Backpropagation Standar. Pada hasil prediksi H+5 terjadi penurunan persentase error, untuk prediksi temperatur udara dari 2,7% menjadi 2,6% dan untuk prediksi kelembaban udara dari 10,1% menjadi 5,6%. Kemudian terjadi peningkatan kecepatan proses training, untuk proses training pada data temperatur udara dari epoch 1000 dan dalam waktu 20,24 detik menjadi 19 epoch dalam waktu 0,5 detik dan untuk proses training pada data kelembaban udara dari epoch 96 dan dalam waktu 1.79 detik menjadi 27 epoch dalam waktu 0,58 detik.Kata Kunci : Conjugate Gradient Fletcher Reeves, Jaringan Syaraf Tiruan, Backpropagation, Temperatur Udara, Kelembaban Udara, ForecastingABSTRACT: Backpropagation is a training algorithm which used in Artificial Neural Network (ANN). Basically Backpropagation training algorithm will move the weight on negative gradient direction which make fitness function drop quickly. Nevertheless, process of Backpropagatin training algorithm standart work slowly. To speed up the training process there are two alternative ways, the first is heuristic technique and the second is optimation numeric technique.
In this final project, Conjugate Gradient Fletcher Reeves(CGF) algorithm will be used as algorithm in ANN training Backpropagation for forcasting temperature and air humadity system. Using this CGF algorithm, hopefully can enhance the system's performance, CGF is one of optimation method that minimaze a function, where the search directions are constructed by its conjugation and orthogonal values. Because the orthogonal direction, CGF can be convergence to the solution.
Based on the output of the test results obtained with satisfying results, the percentage error has decreased and speed of the training process has increased when compared to the Standart Backpropagation of ANN. On the H+5 prediction result percentage error has decreased, for the prediction of air temperature from 2,7% to 2,6% and for the prediction of air humidity from 10,1% to 5,6%. Later, the speed of training process has increased, for the training on air temperature data from 1000 epoch within 20.24 seconds to 19 epoch within 0.5 seconds and for the training process on the data of air humidity from 96 epoch within 1.79 seconds to 27 epoch within 0.58 seconds.Keyword: Conjugate Gradient Fletcher Reeves, Artificial Neural Network, Backpropagation, Temperatur Udara, Kelembaban Udara, Forecasting