PENERAPAN JARINGAN SARAF TIRUAN UNTUK
PEMODELAN PRAKIRAAN CURAH HUJAN BULANAN
ARIF MUJAHIDIN
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Penerapan Jaringan Saraf Tiruan untuk Pemodelan Prakiraan Curah Hujan Bulanan adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor.
Bogor, Desember 2014
Arif Mujahidin
ABSTRAK
ARIF MUJAHIDIN. Penerapan Jaringan Saraf Tiruan untuk Pemodelan Prakiraan
Curah Hujan Bulanan. Dibimbing oleh AZIZ KUSTIYO dan DEDI SUCAHYONO.
Hujan dapat memberikan manfaat yang sangat besar bagi kehidupan namun curah hujan yang terlampau tinggi akan mendatangkan bencana jika tidak diantisipasi dengan baik. Prakiraan curah hujan sangat bermanfaat dalam rangka mengantisipasi datangnya cuaca ekstrim. Pada penelitian ini dibangun model jaringan saraf tiruan (JST) untuk prakiraan curah hujan tiga bulan ke depan. Data yang digunakan dalam penelitian ini adalah data iklim tahun 1983-2013. Data iklim tersebut diantaranya curah hujan bulanan, suhu dan relative humidity (RH)
sebagai input model. Suhu dan RH pada penelitian ini merupakan rata-rata selama periode satu bulan terdiri dari tiga waktu pengamatan. Hasil terbaik pada penelitian ini adalah model dengan nilai korelasi tertinggi. Nilai korelasi dari model terbaik untuk prakiraan curah hujan pada tiga bulan ke depan berturut-turut adalah 0.78, 0.83 dan 0.77.
Kata kunci: prakiraan, JST, curah hujan RH, suhu
ABSTRACT
ARIF MUJAHIDIN. Application of Artificial Neural Networks Model for
Monthly Rainfall Forecasting. Supervised by AZIZ KUSTIYO and DEDI
SUCAHYONO
Rain is very usefull for life but heavy rainfall will lead to disaster if not anticipated properly. Rainfall forecasting is very usefull to anticipate the occurrence of extreme weather. This study developed artificial neural network models for the next three months rainfall forecasting. The data used in this study was the climate data from 1983 to 2013. The climate data used as model input were rainfall, temperature and relative humadity (RH). Temperature and RH averaged on a month period and observed three times a day. The best result from this study was the model with the highest correlation value. The Correlation values of the best model for rainfall forecasting of the next three months were 0.78, 0.83, 0.77 respectively.
ARIF MUJAHIDIN
Skripsi
sebagai salah satu syarat untuk memperoleh gelar Sarjana Ilmu Komputer
pada
Departemen Ilmu Komputer
PENERAPAN JARINGAN SARAF TIRUAN UNTUK PEMODELAN
PRAKIRAAN CURAH HUJAN BULANAN
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
Penguji: 1 Dr Ir Agus Buono, MSi MKom
Judul Skripsi : Penerapan Jaringan Saraf Tiruan untuk Pemodelan Prakiraan Curah Hujan Bulanan
Nama : Arif Mujahidin
NIM : G64114021
Disetujui oleh
Aziz Kustiyo, SSi MKom Pembimbing I
Dedi Sucahyono, SSi MSi Pembimbing II
Diketahui oleh
Dr Ir Agus Buono, MSi MKom Ketua Departemen Ilmu Komputer
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wata’ala atas segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Shalawat serta salam tidak lupa penulis curahkan kepada Nabi Besar Muhammad shallallahu ‘alaihi wassalam, keluarganya, sahabatnya serta umatnya hingga akhir zaman. Tema yang dipilih dalam penelitian yang dilaksanakan sejak bulan April 2014 ini ialah prakiraan curah hujan bulanan, dengan judul Penerapan Jaringan Saraf Tiruan untuk Pemodelan Prakiraan Curah Hujan Bulanan.
Terima kasih penulis ucapkan kepada:
1. Ayahanda Komarudin dan Ibunda Nining Winarsih atas segala doa dan kasih sayangnya
2. Bapak Aziz Kustiyo, SSi MKom dan Bapak Dedi Sucahyono, SSi, MSi selaku Pembimbing yang telah memebrikan ilmu, masukan, saran dan dukungan kepada penulis.
3. Bapak Dr Ir Agus Buono MSi MKom dan Bapak Muhammad Asyhar
Agmalaro, SSi MKom selaku penguji.
4. Bapak Drs Henri Antoro yang telah membentu dalam pengumpulan data
fklim pada penelitian ini.
5. Rekan-rekan satu bimbingan dan rekan-rekan Alih Jenis Ilmu Komputer IPB angkatan 7.
Semoga karya ilmiah ini bermanfaat.
Bogor, Desember 2014
DAFTAR ISI
DAFTAR TABEL vii
DAFTAR GAMBAR vii
DAFTAR LAMPIRAN vii
PENDAHULUAN 1
Latar Belakang 1
Tujuan Penelitian 2
Manfaat Penelitian 2
Ruang Lingkup Penelitian 2
TINJAUAN PUSTAKA 3
Curah Hujan 3
Suhu 3
Relative Humadity (RH) 3
Jaringan Saraf Tiruan 4
Propagasi Balik 4
Ketepatan Prakiraan 4
METODE 5
Pengambilan Data 6
Pemilihan Atribut 6
Normalisasi Data 6
Pembagian Data 7
Perancangan JST 7
Testing JST dan Analisis Hasil 8
Lingkungan Pengembangan 8
HASIL DAN PEMBAHASAN 8
Arsitektur JST Model I 9
Arsitektur Terbaik JST Model I 9
Arsitektur JST Model II 11
Arsitektur Terbaik JST Model II 11
Perbandingan Bulan Prakiraan 13
Evaluasi Menggunakan Data Pos Penakar Curah Hujan 15
SIMPULAN DAN SARAN 16
Simpulan 16
Saran 16
DAFTAR PUSTAKA 16
LAMPIRAN 18
DAFTAR TABEL
1 Nilai maksimum dan minimum tiap atribut 6
2 Pembagian data 7
3 Parameter JST Model I 9
4 Arsitektur terbaik JST Model I 10
5 Parameter JST Model II 11
6 Arsitektur terbaik JST Model II 12
7 Perbandingan prakiraan bulan yang sama terhadap n-bulan berikutnya Model I 14 8 Perbandingan prakiraan bulan yang sama terhadap n-bulan berikutnya Model II 14
9 Hasil validasi menggunakan daat pos penakar hujan 15
DAFTAR GAMBAR
1 Radius 20 Km dari Stasiun Klimatologi Darmaga Bogor 2
2 Alur penelitian 5
3 Arsitektur JST propagasi balik 8
4 Asitektur times series JST 8
5 Grafik nilai korelasi 9
6 (a) Grafik prakiraan bulan pertama
9 Grafik nilai korelasi Model II 12
10 (a) Grafik prakiraan bulan pertama
13 Perbandingan bulan prakiraan 14
DAFTAR LAMPIRAN
1 Algoritme training JST propagasi balik (Fausset 1994) 18
2 Tabel korelasi dan RMSE Model I 20
3 Tabel korelasi dan RMSE Model II 20
4 Perbandingan prakiraan bulan yang sama terhadap n-bulan berikutnya Model I 21 5 Perbandingan prakiraan bulan yang sama terhadap n-bulan berikutnya Model I 23
6 Tabel prakiraan Model I 25
8 Grafik validasi data Pos Penakar Hujan Kebun Raya 29
9 Grafik validasi data Pos Penakar Hujan Katulampa 29
10 Grafik validasi data Pos Penakar Hujan Empang 30
1
PENDAHULUAN
Latar Belakang
Hujan merupakan suatu unsur yang tidak dapat dipisahkan dalam kehidupan sehari-hari. Prakiraan curah hujan sangat bermanfaat terutama di bidang pertanian dalam rangka menentukan jenis tanaman yang cocok untuk ditanam berdasarkan banyaknya curah hujan. Dengan adanya prakiraan curah hujan juga dapat membantu petani dalam hal mengantisipasi terjadinya cuaca ekstrim (banjir atau kekeringan). Hujan yang terjadi di daerah tropik seperti di indonesia, umumnya adalah hujan konvektif yaitu hujan yang dihasilkan akibat naiknya masa udara lembab akibat pemanasan permukaan bumi sehingga suhu akan turun dan pada ketinggian tertentu uap air yang terbawa akan terkondensasi menjadi awan (Sucahyono 2009). Di wilayah tropik curah hujan merupakan saah satu unsur iklim yang paling tinggi keragamannya (Swarinoto et al 2011)
Terjadinya perubahan iklim berdampak terhadap peningkatan curah hujan musiman Desember, Januari, Februari (DJF) secara signifikan di sebagian besar wilayah di Jawa, Kawasan Timur Indonesia, dan Sulawesi. Sebaliknya, perubahan iklim berdampak terhadap penurunan curah hujan musiman Juni, Juli, Agustus (JJA) secara signifikan di sebagian besar wilayah Jawa, Papua, Bagian Barat Sumatera, dan Bagian Timur Selatan Kalimantan. Perubahan iklim juga mengakibatkan musim kemarau memanjang di sebagian besar wilayah Jawa, bagian Selatan Sumatera, Kalimantan Tengah, Sulawesi Selatan, dan Nusa Tenggara (Rejekiningrum et al 2011). Di Indonesia kejadian anomali iklim dominan mempengaruhi produksi pertanian dan ketahanan pangan (Warsito et al 2008). Turunnya hujan merupakan suatu hal yang tidak dapat dihindarkan. Disatu sisi turunnya hujan memberikan manfaat yang besar bagi kehidupan. Namun disisi yang lainnya curah hujan yang terlalu tinggi dapat mendatangkan bencana jika tidak dilakukan langkah antisipasi. Begitupun jika curah hujan yang sangat minim akan berdampak terjadi kekeringan. Seorang petani juga bisa mengalami gagal panen jika salah menentukan jenis tanaman yang ditanam pada masa itu. Oleh karena itu perlu adanya suatu cara untuk memprakirakan banyaknya curah hujan untuk beberapa bulan kedepan yang digunakan untuk menyusun rencana masa tanam. Prediksi curah hujan dapat dilakukan beberapa bulan ke depan bahkan satu tahun ke depan namun semakin panjang jangka waktu yang diprediksi nilai galat (error) model juga semakin besar (Warsito et al 2008).
Jaringan Saraf Tiruan (JST) adalah salah satu metode yang dapat digunakan untuk memprakirakan curah hujan. JST mampu melakukan pengenalan kegiatan berbasis data masa lalu. Data masa lalu akan dipelajari oleh jaringan saraf tiruan sehingga mempunyai kemampuan untuk memberikan keputusan terhadap data yang belum pernah dipelajari. JST telah banyak dipelajari dan diterapkan untuk berbagai masalah, termasuk hidrometeorologi simulasi dan peramalan (Toth et al
2000). Dengan metode JST dapat memberikan hasil yang lebih baik dibandingkan dengan K Nearest Neighbours (KNN) dan Auto Regressive Moving Average
2
Tujuan Penelitian
Penelitian ini bertujuan:
1. Menyusun model prakiraan curah hujan bulanan menggunakan metode JST
propagasi balik dengan atribut input curah hujan bulanan, rata-rata suhu bulanan, rata-rata relative humidity(RH) bulanan.
2. Menyusun model prakiraan curah hujan bulanan menggunakan metode JST
propagasi balik dengan atribut input curah hujan (CH) 6 bulan sebelumnya.
Manfaat Penelitian
Penelitian ini diharapkan dapat menghasilkan model prakiraan curah hujan bulanan yang berguna untuk:
1. Mengantisipasi datangnya cuaca ekstrim.
2. Membantu petani dalam menentukan awal musim tanam.
3. Membantu petani dalam menentukan jenis tanaman yang cocok berdasarkan
curah hujan.
Ruang Lingkup Penelitian
Ruang lingkup penelitian ini meliputi:
1. Data yang digunakan pada penelitian ini didapatkan dari Stasiun
Klimatologi Darmaga Bogor.
2. Prediksi yang dilakukan adalah prediksi curah hujan bulanan untuk 3 bulan ke depan.
3. Model prakiraan hujan bulanan ini adalah untuk wilayah Bogor bagian barat atau radius 20 Km dari Stasiun Klimatologi Darmaga Bogor (Gambar 1).
3
TINJAUAN PUSTAKA
Curah Hujan
Curah hujan yang terukur didefinisikan sebagai suatu ketinggian air hujan yang terkumpul dalam tempat yang datar sebelum menguap, meresap dan tidak mengalir. Curah hujan diukur dengan satuan tinggi mili meter(mm). Curah hujan merupakan volume air hujan persatuan luas dengan asumsi air hujan yang tertampung pada alat penekar hujan akan sama tinggi pada daerah yang luas wilayah yang terwakili oleh penakar hujan (Sucahyono 2009). Curah hujan bulanan adalah jumlah curah hujan komulatif dalam waktu 1 bulan. Curah hujan dapat dihitung dari volume air yang tertampung pada penakar hujan dibagi luas mulut penakar hujan dengan rumus sebagai berikut (Sucahyono 2009):
dengan :
P = Jumlah curah hujan komulatif yang terkumpul dalam rentang waktu tertentu (mm).
V = Volume air (cm3)
A = Luas permukaan (cm2)
Suhu
Suhu didefinisikan sebagai besaran yang menyatakan derajat panas atau dingin suatu benda. Pada hakekatnya suhu merupakan keadaan energi yang dikandung suatu benda, namun tidak semua bentuk energi yang dikandung oleh benda dapat diwakili oleh suhu. Suhu mencerminkan energi kinetik rata-rata dari gerakan molekul-molekul. Alat yang digunakan untuk mengukur suhu adalah termometer bola kering sedangkan alat pengukur suhu otomatis yang menggunakan kertas pias sebagai perekam datanya disebut termograf. Alat pengukur suhu tersebut harus diletakan dalam sangkar cuaca. (Handoko 1994). Suhu udara memiliki keterkaitan dengan hujan. Umumnya di lingkungan yang sama suhu ketika hujan turun lebih rendah dari ketika tiak terjadi hujan.
Relative Humadity (RH)
Kelembaban udara menggambarkan kandungan uap air di udara yang dapat dinyatakan sebagai kelembaban mutlak, kelembaban relatif/relatife humadity (RH) dan defisit tekanan uap air. Kelembaban mutlak adalah kandungan uap air yang dinyatakan per satuan volume. RH merupakan perbandingan antara kelembaban aktual dengan kapasitas udara untuk menampunguap air. Defisit tekanan uap air adalah selisih antara tekanan uap jenuh dan tekanan uap air aktual
4
(Handoko 1994). RH juga memiliki keterkaitan dengan hujan. Umumnya di lingkungan yang sama RH ketika hujan turun relatif lebih tinggi dari ketika tidak terjadi hujan.
Jaringan Saraf Tiruan
Jaringan saraf tiruan merupakan implementasi dari teknologi kecerdasan buatan atau artificial intelligence. Jaringan saraf tiruan adalah merupakan representasi otak buatan yang yang mendapatkan pengetahuan berdasarkan dari proses pembelajaran (Hermawan 2006).
Berdasarkan (Fausett 1994) Jaringan Saraf Tiruan didefinisikan sebagai suatu sistem pemrosesan informasi yang mempunyai karakteristik menyerupai jaringan Saraf bilogi. JST diciptakan sebagai generalisasi model matematis dari jaringan Saraf biologi yang didasarkan atas asumsi sebaga berikut:
1. Pemrosesan informasi terjadi pada elemen sederhana (neuron).
2. Sinyal dikirimkan di antara sel saraf / neuron melalui suatu sambungan penghubung.
3. Setiap sambungan penghubung memiliki bobot yang bersesuaian. Bobot ini akan digunakan untuk mengalikan sinyal yang dikirim.
4. Setiap sel saraf akan menerapkan fungsi aktivasi terhadap sinyal hasil penjumlahan yang masuk untuk menentukan sinyal keluaran.
Propagasi Balik
Propagasi balik (backpropagation) merupakan algoritme pembelajaran yang terkontrol dan umumnya dimanfaatkan untuk jaringan banyak lapisan untuk mengubah bobot-bobot yang terhubung dengan neuron-neuron yang ada pada
hidden layer (Sucahyono 2009). Algoritma propagasi balik menggunakan error output untuk mengubah nilai bobot-bobotnya ke arah mundur (backward). untuk mendapatkan error tersebut, tahap pembelajaran maju (forward propagation) harus dilakukan terlrbih dahulu. Ada tiga tahap pelatihan pada JST Propagasi balik, yaitu pelatihan input yang bersifat umpan maju (feed forward), perhitungan propagasi balik galat yang diperoleh, dan penyesuaian bobot. Ketiga fase tersebut diulang terus menerus sampai kondisi berhenti terpenuhi. Untuk perhitungan tercantum pada Lampiran 1 (Fausett 1994).
Ketepatan Prakiraan
5
(2)
∑ ̅̅̅ ̅ √∑ ̅̅̅ ∑ ̅
√∑
dengan:
r= koefisien korelasi
N= banyaknya data
za=peubah aktual zf= peubah prakiraan
METODE
Tahapan pada penelitian secara garis besar meliputi pengambilan data, perancangan JST dan analisis hasil. Tahapan penelitian yang lebih lengkap disajikan dalam Gambar 2:
Gambar 2 Alur penelitian
6
Pengambilan Data
Data yang digunakan dalam penelitian ini merupakan data iklim tahun 1983-2013 yang didapatkan dari Stasiun Klimatologi Darmaga Bogor. Adapun unsur-unsur iklim data tersebut meliputi:
Curah hujan bulanan;
Rata-rata suhu bulanan pukul 07.00;
Rata-rata suhu bulanan pukul 13.00;
Rata-rata suhu bulanan pukul 18.00;
Rata-rata RH bulanan pukul 07.00;
Rata-rata RH bulanan pukul 13.00 dan;
Rata-rata RH bulanan pukul 18.00.
Pemilihan Atribut
Atribut untuk JST Model I berupa:
Curah hujan bulanan;
Rata-rata suhu bulanan pukul 07.00;
Rata-rata suhu bulanan pukul 13.00;
Rata-rata suhu bulanan pukul 18.00;
Rata-rata RH bulanan pukul 07.00;
Rata-rata RH bulanan pukul 13.00 dan;
Rata-rata RH bulanan pukul 18.00.
JST Model II hanya melibatkan atribut curah hujan bulanan. Model II digunakan sebagai pembanding hasil yang diperoleh dari Model I. Jika hasil yang diperoleh Model II tidak terlalu signifikan perbedaannya atau bahkan lebih baik dari Model I, tentu akan lebih bermanfaat mengingat Model II melibatkan atribut yang lebih sedikit.
Normalisasi Data
Beberapa atribut JST propagasi balik (Model I) memiliki jangkauan nilai yang berbeda. Besarnya nilai maksimum dan minimun tiap-tiap atribut Model I disajikan dalam Tabel 1.
Tabel 1 Nilai maksimum dan minimum tiap atribut
Curah
7
Pembagian Data
Dari kelesuruhan dataset (1983-2013) dilakukan pembagian data yang menghasilkan kelompok data latih dan data uji. Data tahun 1983-2008 digunakan untuk melatih JST dan menguji/memprakirakan curah hujan tahun 2009. Ketika data aktual tahun 2009 diasumsikan telah ada maka data tahun 1984-2009 digunakan untuk melatih kembali dan memprakirakan curah hujan tahun 2010. Beitupun untuk tahun 2011, 2012 dan 2013 sehingga JST tiap tahunnya selalu
ter-update. Tabel 2 memperlihatkan pembagian kelompok data latih dan data uji.
Tabel 2 Pembagian data
Kelompok data Data latih Data Uji
1 1983-2008 2009
2 1984-2009 2010
3 1985-2010 2011
4 1986-2011 2012
5 1987-2012 2013
Perancangan JST
Ada 2 model prakiraan yang akan dibangun yaitu Model I JST propagasi balik dengan input CH bulanan, temperatur pukul 07.00, 13.00, 18.00 dan RH pukul 07.00, 13.00, 18.00 dan Model II JST propagasi balik dengan input CH bulanan 6 bulan sebelumnya. Output dari kedua model prakiraan tersebut adalah CH bulanan 3 bulan berikutnya. Pada tahap perancangan JST dibuat beberapa arsitektur JST dengan hidden neuron yang berbeda. Gambar 3 memperlihatkan arsitektur JST Model I yang akan dibangun.
Gambar 3 Arsitektur JST Model I
8
Gambar 4 Asitektur JST Model II
Testing JST dan Analisis Hasil
Testing dilakukan terhadap beberapa arsitektur JST yang dibuat. Dari hasil
Testing JST didapatkan nilai prakiraan dan dilakukan analaisis terhadap hasil tersebut dengan menghitung nilai koefisien korelasi dan nilai RMSE. Khusus untuk Model I sebelum dilakukan analisis, hasil yang diperoleh dilakukan proses denormalisasi terlebih dahulu. Dari hasil analisis dipilih arsitektur terbaik. Arsitektur JST terbaik yaitu arsitektur yang menghasilkan output dengan korelasi tertinggi dan nilai RMSE rendah.
Lingkungan Pengembangan
Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk penelitian ini adalah sebagai berikut:
Perangkat keras:
1. Processor Intel ® Core i5 2. Memory 4GB
3. Hardisk 500GB Perangkat lunak:
1. Sistem Operasi Microsoft Windows 8.1
2. Matlab 7.7 (R2008b)
3. Microsoft Office Excel 2010
HASIL DAN PEMBAHASAN
9
bulan sebelumnya. Output dari kedua model prakiraan tersebut adalah curah hujan bulanan untuk 3 bulan berikutnya. Data tabel hasil penelitian ini dapat dilihat pada Lampiran 2 - 7.
Arsitektur JST Model I
Model I menggunakan algoritma pelatihan propagasi balik. Dilakukan pelatihan dengan beberapa paramater JST yang berbeda. Dari hasil pelatihan diperoleh beberapa arsitektur JST dan arsitektur terbaik dipilih sebaigai model prakiraan. Tabel 2 memperlihatkan parameter JST yang digunakan pada proses pelatihan.
Tabel 3 Parameter JST Model I
Karakteristik Spesifikasi
Arsitektur Terbaik JST Model I
Berdasarkan pelatihan JST Model I, tidak ditemukan sebuah output yang menghasikan nilai korelasi tertinggi untuk ketiga bulan secara bersamaan. Gambar 5 memperlihatkan perbandingan nilai korelasi tiap-tiap arsitektur dengan jumlah hidden neuron yang berbeda.
Gambar 5 Grafik nilai korelasi
Arsitektur dengan jumlah hidden neuron sebanyak 24 menghasilkan nilai korelasi (r) yang cukup tinggi dan perbedaan nilai korelasi tidak terlalu antara
10
model prakiraan adalah arsitektur JST dengan dengan hidden neuron sebanyak 24. Nilai korelasi dan RMSE Model I disajikan pada Tabel 4.
Tabel 4 Arsitektur terbaik JST Model I
Tahun Korelasi (r) RMSE memperlihatkan perbandingan nilai aktual dan prakiraaan yang disajikan dalam grafik dan scatter plot.
Gambar 6 (a) Grafik prakiraan bulan pertama (Model I) (b) Scatter plot prakiraan bulan pertama (Model I)
Nilai RMSE prakiraan bulan pertama pada Model I cukup tinggi (Tabel 4) dan nilai korelasinya pun tinggi. Hal ini disebabkan model prakiraan mampu mendeteksi cuaca ekstrim curah hujan (CH) minim maupun CH tinggi namun nilai prakiraan untuk CH minim umumnya lebih tinggi (over estimate) dan prakiraan untuk CH tinggi umumnya lebih rendah (under estimste). Ada pula nilai prakiraan yang mengalami error cukup tinggi.
Gambar 7 (a) Grafik prakiraan bulan kedua (Model I) (b) Scatter plot prakiraan bulan kedua (Model I)
0 200 400 600 800 1000 1200
11 terdapat beberapa nilai prakiraan dengan error tinggi.
Gambar 8 (a) Grafik prakiraan bulan ketiga (Model I) (b) Scatter plot prakiraan bulan ketiga (Model I)
Begitupun dengan Nilai RMSE prakiraan bulan ketiga Model I. Pada prakiraan ini juga masih terdapat beberapa nilai prakiraan dengan error yang tinggi.
Arsitektur JST Model II
JST Model II hanya melibatkan 1 atribut yaitu curah hujan bulanan. Teknik pembelajarannya menggunakan propagasi balik. Dilakukan pelatihan dengan beberapa paramater JST yang berbeda. Dari hasil pelatihan diperoleh beberapa arsitektur JST dan arsitektur terbaik dipilih sebagai model prakiraan. Tabel 5 memperlihatkan parameter JST yang digunakan pada proses pelatihan.
Tabel 5 Parameter JST Model II
Karakteristik Spesifikasi
Arsitektur Terbaik JST Model II
Berdasarkan pelatihan JST Model II, tidak ditemukan sebuah output yang menghasikan nilai korelasi tertinggi untuk ketiga bulan secara bersamaan. Gambar 9 memperlihatkan perbandingan nilai korelasi tiap-tiap arsitektur dengan jumlah hidden neuron yang berbeda.
12
Gambar 9 Grafik nilai korelasi Model II
Arsitektur dengan jumlah hidden neuron sebanyak 12 menghasilkan nilai korelasi (r) yang tinggi untuk bulan I dan bulan II meskipun untuk bulan III tidak terlalu tinggi tetapi masih lebih tinggi jika dibandingkan dengan beberapa nilai korelasi dengan jumlah hidden neuron yang lainnya. Arsitektur ini junga menghasilkan nilai RMSE paling kecil (Lampiran 3). Oleh karena itu, arsitektur JST yang dipilih menjadi model prakiraan adalah arsitektur JST dengan dengan
hidden neuron sebanyak 12. Nilai korelasi dan RMSE Model I disajikan pada Tabel 6.
Tabel 6 Arsitektur terbaik JST Model II
Tahun Korelasi (r) RMSE 12 memperlihatkan perbandingan nilai aktual dan prakiraaan yang disajikan dalam grafik dan scatter plot.
Gambar 10 (a) Grafik prakiraan bulan pertama
(b) Scatter plot prakiraan bulan pertama (Model II)
Bulan I Bulan II Bulan III
13
Nilai RMSE prakiraan bulan pertama Model II cukup tinggi dan nilai korelasinya pun cukup tinggi (Tabel 6). Hal ini disebabkan model prakiraan mampu mendeteksi cuaca ekstrim CH minim maupun CH tinggi namun nilai prakiraan untuk CH minim umumnya over estimate dan prakiraan untuk CH tinggi umumnya lebih rendah under estimste
Gambar 11 (a) Grafik prakiraan bulan kedua (Model II) (b) Scatter plot prakiraan bulan kedua (Model II)
Grafik prakiraan bulan kedua Model II menunjukan Model dapat medeteksi CH ekstrim CH tinggi tetapi belum mampu mendeteksi CH minim. hal ini yang menyebkan nilai korelasinya tidak lebih tinggi dari prakiraan bulan pertama dan RMSE prakiraan bulan kedua tinggi.
Gambar 12 (a) Grafik prakiraan bulan ketiga
(b) Scatter plot prakiraan bulan ketiga (Model II)
Nilai RMSE prakiraan bulan ketiga Model II tinggi. Hal ini disebabkan terdapat nilai beberapa prakiraan dengan error tinggi. Hasil prakiraan bulan ketiga juga menunjukan kurang mampu menghasilkan prakiraan CH minim.
Perbandingan Bulan Prakiraan
14
inputnya bulan Februari. diprakirakan sebagai bulan ketiga jika inputnya Januari (Gambar 13).
Gambar 13 Perbandingan bulan prakiraan
Perbandingan nilai prakiraan untuk bulan yang sama terhadap prakiraan sebagai bulan pertama, kedua dan ketiga tahun 2009 disajikan dalam Tabel 7 dan 8. Tabel selengkapnya ada pada Lampiran 4 dan 5.
Tabel 7 Perbandingan prakiraan bulan yang sama terhadap n-bulan berikutnya Model I
Bulan Aktual Prakiraan
Bulan I
Tabel 8 Perbandingan prakiraan bulan yang sama terhadap n-bulan berikutnya Model II
Bulan Aktual Prakiraan
Bulan I
Februari Maret (1) April (2) Mei (3)
Maret April (1) Mei (2) Juni (3)
Aktual April April (1) April (2) April (3)
Aktual April April (1) April (2) April (3) Galat(1) Galat(2) Galat(3)
Perbandingan nilai prakiraannya
15
Evaluasi Menggunakan Data Pos Penakar Curah Hujan
Dalam radius 20 Km dari Stasiun Klimatologi Darmaga Bogor terdapat beberapa pos penakar CH. Evaluasi dilakukan pada Model II mengingat hanya melibatkan 1 atribut yaitu CH. data pos penakar CH yang digunakan adalah Kebun Raya Bogor, Katulampa, Empang dan Cihideung. Tabel 9 memperlihatkan hasil dari pengujian pada pos-pos tersebut tahun 2013. Grafik hasil pengujian terdapat pada Lampiran 6.
Tabel 9 Hasil validasi menggunakan daat pos penakar hujan
Pos Penakar Hujan Korelasi (r) RMSE
Bulan I Bulan II Bulan III Rata-rata Bulan I Bulan II Bulan III Rata-rata
Evaluasi terhadap data pos-pos penakar hujan diperoleh hasil yang kurang baik terindikasi dengan nilai korelasi yang kecil. Tetapi nilai korelasi juga tidak terlalu tinggi ketika dilakukan pengujian terhadap data Stasiun Klimatologi Darmaga (Tabel 6). Adapun nilai korelasi data aktual pos penakar hujan dengan data Stasiun Klimatologi Darmaga disajikan dalam Tabel 10.
Tabel 10 Koreasi data CH Darmaga dengan data pos penakar hujan
Pos Penakar Hujan Korelasi (r) Kebun Raya Bogor 0.7991
Cihideung 0.9111
Katulampa 0.2376
Empang 0.7763
16
SIMPULAN DAN SARAN
Simpulan
Berdasarkan hasil penelitian yang telah dilakukan dapat disimpulan sebagai berikut:
1. JST propagasi balik dengan input CH, suhu dan RH (Model II) dapat diimplemantasikan untuk model prakiraan curah hujan 3 bulan ke depan dengan nilai korelasi tertinggi saat pengujian tahun 2010 dengan rincian nilai korelasi bulan I 0.7828, bulan II 0.8303 dan bulan III 0.7092. Nilai korelasi terrendah saat pengujian tahun 2013 dengan rincian nilai korelasi bulan I 0.5448, bulan II 0.4914 dan bulan III 0.2476.
2. JST dengan input curah hujan bulanan sebelumnya (Model II) dapat diimplementasikan untuk model prakiraan curah hujan 3 bulan ke depan dengan nilai korelasi tertinggi saat pengujian tahun 2011 dengan rincian nilai korelasi bulan I 0.7887, bulan II 0.5389 dan bulan III 0.6874. Nilai korelasi terrendah saat pengujian tahun 2013 dengan rincian nilai korelasi bulan I 0.5411, bulan II 0.2730 dan bulan ketiga 0.5831.
Saran
Untuk pengembangan lebih lanjut diharapkan Model II menggunakan JST yang khusus mengolah data times series seperti Time Delay Neural Network (TDNN).
DAFTAR PUSTAKA
Abraham A. Maqsoed I. Kahn M.2004. An ensemble of neural networks for weather forecasting. Neural Comput & Applic (2004) 13: 112–122. DOI 10.1007/s00521-004-0413-4.
Barnston.1992. Correspondance among the correlation, RMSE and hadike
forecast verification measures; refinement of the hadike score.
NMC/NWS/NOAA 7(1992) 699-709
Fausett L. 1994. Fundamentals of Neural Network, Architecture, Algoritm and pplication. Printice-Hall, Inc. London.
Handoko. 1994. Klimatologi Dasar.Jakarta(ID). Pustaka Jaya.
Hermawan A.2006. Jaringan Saraf Tiruan Teori dan Aplikasi.Yogyakarta (ID): Andi
17
Rejekiningrum P, Las I, Amien I, Pujilestari N, Estiningtyas W, Surmaini E, Suciantini, Sarvina Y, Pramudia A, Kartiwa B et al. 2011. Adaptasi Perubahan Iklim Sektor Pertanian. Jakarta(ID).Kementerian Pertanian. Rodgers JL, Nicewander WA.1988. Thirteen ways to look at the correlation
coefficient. The American Statistician, 42(1):5-66
Swarinoto Y.S, Sugiyono.2011. Pemanfaatan suhu udara dan kelembapan udara dalam persamaan regresi untuk simulasi prediksi total hujan bulanan di bandar lampung. Jurnal meteorologi dan geofisika 12(3):271-281
Toth E. Brath A. Montanari A. 2000. Comparison of short-term rainfall prediction models for real-time flood forecasting. J Hydrol 239 (2000) 132–147. PII: S0022-1694(00)00344-9.
18
Lampiran 1 Algoritme training JST propagasi balik (Fausset 1994)
Langkah 0 :Inisialisasi nilai bobot dengan nilai acak yang kecil.
Langkah 1 :Selama kondisi berhenti masih tidak terpenuhi, laksanakan langkah 2 sampai 9.
Langkah 2 :Untuk tiap pasangan pelatihan, kerjakan langkah 3 sampai 8.
Langkah 3 :Untuk setiap unit input (Xi ,i =1 ,…,n) menerima sinyal input xi dan menyebarkan sinyal itu keseluruh unit pada lapis sebelumnya (lapis tersembunyi)
Langkah 4 :Untuk tiap unit tersembunyi (Zj, j= ,…,p) dihitung nilai input dengan menggunakan nilai bobotnya :
∑
Kemudian dihitung nilai output dengan menggunakan fungsi aktivasi yang dipilih : zj = f ( z_inj )
Hasil fungsi tersebut dikirim ke semua unit pada lapis di atasnya
Langkah 5 : Untuk tiap unit output (Yk, k=1,..,m) dihitung nilai input dengan menggunakan nilai bobot-nya :
∑
Kemudian dihitung nilai output dengan menggunakan fungsi
aktivasi :
Langkah 6 :Untuk tiap unit output (Yk, k=1,..,m) menerim pola target yang bersesuaian dengan pola input, dan kemudian dihitung informasi kesalahan :
Kemudian dihitung koreksi nilai bobot yang kemudian akan digunakan untuk memperbaharui nilai bobot wjk :
Hitung koreksi nilai bias yang kemudian akan digunakan untuk
memperbaharui nilai w0k :
kemudian nilai dikirim ke unit pada lapis sebelumnya
Langkah 7 : Untuk tiap unit tersembunyi (Zj, j=1,…,p) dihitung delta input yang berasal dari unit pada lapis di atasnya :
∑
Kemudian nilai tersebut dikalikan dengan nilai turunan dari fungsi aktivasi untuk menghitung informasi kesalahan :
19
Hitung nilai koreksi bias yang kemudian digunakan untuk memperbaharui :
Langkah 8 : Tiap nilai bias dan bobot (j=0,..,p) pada unit output (Yk, k=1,..,m) diperbaharui :
20
Lampiran 2 Tabel korelasi dan RMSE Model I
Lampiran 3 Tabel korelasi dan RMSE Model II
21
Lampiran 4 Perbandingan prakiraan bulan yang sama terhadap n-bulan berikutnya Model I
Bulan Aktual Prakiraan
22
Mar-12 136.0 360.2 500.9 207.2 224.2 364.9 71.2
Apr-12 389.5 475.8 455.7 615.8 86.3 66.2 226.3
Mei-12 194.8 453.8 374.9 616.9 259.0 180.1 422.1
Jun-12 93.9 49.6 385.6 363.3 -44.3 291.7 269.4
Jul-12 116.5 0.0 0.0 374.2 -116.5 -116.5 257.7
Agu-12 79.3 35.0 0.0 0.0 -44.3 -79.3 -79.3
Sep-12 270.5 293.9 84.6 13.9 23.4 -185.9 -256.6
Okt-12 539.5 587.0 448.7 322.3 47.5 -90.8 -217.2
Nov-12 652.2 581.8 951.7 395.9 -70.4 299.5 -256.3
Des-12 358.9 347.5 540.4 820.8 -11.4 181.5 461.9
Jan-13 509.2 293.8 604.8 483.0 -215.4 95.6 -26.2
Feb-13 406.2 0.0 558.7 448.8 -406.2 152.5 42.6
Mar-13 289.8 296.4 0.0 421.2 6.6 -289.8 131.4
Apr-13 253.8 121.2 519.9 122.6 -132.6 266.1 -131.2
Mei-13 466.3 261.7 183.7 382.1 -204.6 -282.6 -84.2
Jun-13 62.3 76.6 0.0 368.2 14.3 -62.3 305.9
Jul-13 360.1 76.9 398.1 190.9 -283.2 38.0 -169.2
Agu-13 258.3 307.0 147.8 517.6 48.7 -110.5 259.3
Sep-13 503.2 175.7 1114.6 187.8 -327.5 611.4 -315.4
Okt-13 406.8 323.2 162.8 870.9 -83.6 -244.0 464.1
Nov-13 185.6 - 591.3 191.6 - 405.7 6.0
23
Lampiran 5 Perbandingan prakiraan bulan yang sama terhadap n-bulan berikutnya Model I
Bulan Aktual Prakiraan
24
Apr-12 389.5 368.9 365.9 311.1 -20.6 -23.6 -78.4
Mei-12 194.8 318.6 352.9 387.1 123.8 158.1 192.3
Jun-12 93.9 252.6 318.9 261.3 158.7 225.0 167.4
Jul-12 116.5 285.9 228.9 306.1 169.4 112.4 189.6
Agu-12 79.3 270.8 391.8 315.9 191.5 312.5 236.6
Sep-12 270.5 259.6 372.9 363.4 -10.9 102.4 92.9
Okt-12 539.5 429.4 413.5 390.8 -110.1 -126.0 -148.7
Nov-12 652.2 474.4 515.6 410.6 -177.8 -136.6 -241.6
Des-12 358.9 489.6 341.8 457.0 130.7 -17.1 98.1
Jan-13 509.2 426.0 517.1 395.6 -83.2 7.9 -113.6
Feb-13 406.2 393.9 476.1 511.7 -12.3 69.9 105.5
Mar-13 289.8 230.2 396.3 383.8 -59.6 106.5 94.0
Apr-13 253.8 194.9 128.8 336.7 -58.9 -125.0 82.9
Mei-13 466.3 288.5 182.1 331.6 -177.8 -284.2 -134.7
Jun-13 62.3 282.8 256.4 84.6 220.5 194.1 22.3
Jul-13 360.1 213.5 186.4 280.3 -146.6 -173.7 -79.8
Agu-13 258.3 366.6 287.9 210.6 108.3 29.6 -47.7
Sep-13 503.2 370.1 297.3 255.2 -133.1 -205.9 -248.0
Okt-13 406.8 448.3 336.2 268.0 41.5 -70.6 -138.8
Nov-13 185.6 - 365.5 271.6 - 179.9 86.0
25
Lampiran 6 Tabel prakiraan Model I
26
41 Mar-12 136,0 360,2 224,2 Apr-12 389,5 455,7 66,2 Mei-12 194,8 616,9 422,1 42 Apr-12 389,5 475,8 86,3 Mei-12 194,8 374,9 180,1 Jun-12 93,9 363,3 269,4 43 Mei-12 194,8 453,8 259,0 Jun-12 93,9 385,6 291,7 Jul-12 116,5 374,2 257,7 44 Jun-12 93,9 49,6 -44,3 Jul-12 116,5 0,0 -116,5 Agu-12 79,3 0,0 -79,3 45 Jul-12 116,5 0,0
-116,5 Agu-12 79,3 0,0 -79,3 Sep-12 270,5 13,9 -256,6 46 Agu-12 79,3 35,0 -44,3 Sep-12 270,5 84,6 -185,9 Okt-12 539,5 322,3 -217,2 47 Sep-12 270,5 293,9 23,4 Okt-12 539,5 448,7 -90,8 Nov-12 652,2 395,9 -256,3 48 Okt-12 539,5 587,0 47,5 Nov-12 652,2 951,7 299,5 Des-12 358,9 820,8 461,9 49 Nov-12 652,2 581,8 -70,4 Des-12 358,9 540,4 181,5 Jan-13 509,2 483,0 -26,2 50 Des-12 358,9 347,5 -11,4 Jan-13 509,2 604,8 95,6 Feb-13 406,2 448,8 42,6 51 Jan-13 509,2 293,8
-215,4 Feb-13 406,2 558,7 152,5 Mar-13 289,8 421,2 131,4 52 Feb-13 406,2 0,0
-406,2 Mar-13 289,8 0,0 -289,8 Apr-13 253,8 122,6 -131,2 53 Mar-13 289,8 296,4 6,6 Apr-13 253,8 519,9 266,1 Mei-13 466,3 382,1 -84,2 54 Apr-13 253,8 121,2
-132,6 Mei-13 466,3 183,7 -282,6 Jun-13 62,3 368,2 305,9 55 Mei-13 466,3 261,7
-204,6 Jun-13 62,3 0,0 -62,3 Jul-13 360,1 190,9 -169,2 56 Jun-13 62,3 76,6 14,3 Jul-13 360,1 398,1 38,0 Agu-13 258,3 517,6 259,3 57 Jul-13 360,1 76,9
-283,2 Agu-13 258,3 147,8 -110,5 Sep-13 503,2 187,8 -315,4 58 Agu-13 258,3 307,0 48,7 Sep-13 503,2 1114,6 611,4 Okt-13 406,8 870,9 464,1 59 Sep-13 503,2 175,7
27
Lampiran 7 Tabel prakiraan Model II
Data Uji ke-
Tgl Bulan I Tgl Bulan II Tgl Bulan III
29
Lampiran 8 Validasi data Pos Penakar Hujan Kebun Raya
0
30
Lampiran 10 Validasi data Pos Penakar Hujan Empang
0
31
RIWAYAT HIDUP
Penulis dilairkan di Brebes pada tanggal 19 Juni 1990 dari pasangan Komarudin dan Nining Winarsih. Penulis merupakan anak pertama dari 3 bersaudara.
Penulis memulai pendidikan formal pada tahun 1996 di SDN Negla 3. Pada tahun 2002 melanjutkan pendidikan ke SLTP 02 Losari dan tahun 2005 melanjutkan ke SMA 1 Brebes. Tahun 2008 penulis diterima sebegai mahasiswa Program Diploma IPB Institut Pertanian Bogor (IPB) melalui jalur Undangan Seleksi Masuk IPB (USMI) program keahlian Teknik Komputer.
