DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2013
PERAMALAN PANJANG MUSIM HUJAN MENGGUNAKAN
ADAPTIVE NEURO FUZZY INFERENCE SYSTEM
Skripsi
Skripsi sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer pada
Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2013
AHMAD BAGUS DIPONOGORO
Fuzzy Inference System. Supervised by AGUS BUONO.
Climate is a component of the ecosystem and an important natural factor which is dynamic and difficult to be controlled. The dynamic and diverse characteristics of climate need more accurate analysis to make climatic information be more useful in the agriculture sector. Uncertain climatic condition could be a limiting factor for crops productivity. Technically, in crops cultivation all climatic elements almost affect crops productivity and management. One of the solutions for this problem is by predicting the length of the rainy season to minimize the level of crops failure in agricultural product by using adaptive fuzzy inference system (ANFIS) method. This research used the Southern Oscillation Index (SOI) data and the onset data with the length of the rainy season of the previous year as the predictors to predict length of the rainy season of the current year. This research is focused at the Indramayu district. As the predictive model, we use adaptive neuro fuzzy system. Five models were trained for each of the five regions used, as well as one model for the average data of the five regions. The best prediction was obtained from the model on the fifth region. On this region, the correlation coefficient between the observed values and the predicted values is 0.69 and the RMSE value is 4.09 (measured in tens of days). From this result, we conclude that the performances of the models were still not satisfactory.
Menyetujui: Pembimbing,
Dr. Ir. Agus Buono, M.Si, M.Kom NIP. 19660702 199302 1 001
Mengetahui:
Ketua Departemen Ilmu Komputer,
Dr. Ir. Agus Buono, M.Si, M.Kom NIP. 19660702 199302 1 001
KATA PENGANTAR
Segala puji bagi Allah subhanahu wata’ala atas segala limpahan rahmat serta karunia-Nya sehingga penulis mampu menyelesaikan penelitian ini dengan baik. Shalawat dan salam penulis sampaikan kepada Nabi Muhammad shallallahu ‘alaihi wasallam serta kepada keluarganya, sahabatnya, serta para pengikutnya hingga akhir zaman. Penulis juga menyampaikan terima kasih kepada seluruh pihak yang telah berperan dalam penelitian ini, yaitu:
1 Ayahanda Suparmo, Ibunda Fadhilah, Kakanda Taupik Rahmat, Yuni Nur Rahmawati, Muhammad Abu, Fetty Nur Hikmawati, serta Adinda Diah Ayu Setyaningrum dan Ahmad Fathin Satrio Nugroho atas doa, kasih sayang, dukungan, serta motivasi kepada penulis untuk penyelesaian penelitian ini.
2 Bapak Dr. Ir. Agus Buono, M.Si, M.Kom selaku dosen pembimbing yang telah memberi banyak ide, saran, bantuan, serta dukungan sampai selesainya penelitian ini.
3 Center for Climate Risk and Opportunity Management in Southeast Asia Pasific (CCROM-SEAP) Institut Pertanian Bogor sebagai sumber data dalam penelitian ini.
4 Indonesia Managing Higher Education for Relevance and Effeciency (I-MHERE) Institut Pertanian Bogor yang telah membantu dalam penyelesaian penelitian ini.
5 Bapak Mushthofa, S.Kom, M.Sc dan Dr. Akhmad Faqih selaku dosen penguji yang telah memberi masukan dan saran pada penelitian dan tugas akhir penulis.
6 Asrori Hudri, Melki Hasali, Catur Purbo, Anggi Putrantio, Muti Relegi, Muhammad Abrar Istiadi, Aga, Zia, Ilman, Novel, Putri, Hutomo, Niken, Firman, Meriska, Ardini, Asrori, Melki , Melati, Vivi, dan rekan-rekan seperjuangan di Ilmu Komputer IPB angkatan 45 atas segala kebersamaan, bantuan, dukungan, serta kenangan bagi penulis selama menjalani masa studi. Semoga kita bisa berjumpa kembali kelak sebagai orang-orang sukses.
7 Rekan-rekan satu bimbingan, Aburrahman Halim, Alif Kurniawan, Nanda Ichsan Pratama, Retno Larasati, dan Wido Aryo Andhika semoga lancar dalam melanjutkan penelitiannya. 8 Rekan – rekan guru dan staff NIC dan GEC yang selalu meringankan beban pikiran dalam
menyelesaikan penelitian ini dengan keceriaan kalian.
Penulis berharap penelitian ini dapat memberikan manfaat, khususnya bagi peneliti Ilmu Komputer dan Institut Pertanian Bogor serta Badan Meteorologi Klimatologi dan Geofisika dan Departemen Pertanian pada umumnya.
Bogor, Januari 2013
RIWAYAT HIDUP
Penulis lahir di kota Bekasi 21 tahun lalu pada tanggal 26 Januari 1991 sebagai anak ketiga dari pasangan Suparmo dan Fadhilah. Penulis mengenyam pendidikan dasar di Kota Tangerang, lalu melanglang buana ke Kota Yogyakarta untuk meneruskan sekolah menengah pertamanya. Penulis merupakan lulusan SMA Pesantren Unggul Albayan (2005-2008) yang terletak di Cibadak Kabupaten Sukabumi, SMP IT Abu Bakar Yogyakarta (2002-2005), dan SDN Tigaraksa (1996-2002).
v
DAFTAR ISI
Halaman
DAFTAR GAMBAR ... vi
DAFTAR LAMPIRAN ... vi
PENDAHULUAN ... 1
Latar Belakang ... 1
Tujuan ... 1
Ruang Lingkup ... 1
TINJAUAN PUSTAKA ... 1
Dasarian ... 1
Southern Oscillation Index ... 2
Awal Musim Hujan ... 2
Fuzzy Inference System Model Sugeno ... 2
Artificial Neural Network (ANN) ... 2
Hybrid Learning ... 3
Adaptive-Network Fuzzy Inference System (ANFIS) ... 3
Ketepatan Pendugaan ... 4
Root Mean Square Error ... 4
METODE PENELITIAN ... 4
Kerangka Penelitian ... 4
Pengambilan Data ... 4
Pemilihan Data ... 4
Pembagian Data ... 4
Penduga Parameter Data Input ... 5
Akuisisi Pengetahuan ... 5
Rule Dasar Pengetahuan ... 5
Fuzzification ... 5
Inference ... 5
Adaptive Network ... 5
Perhitungan RMSE ... 5
HASIL DAN PEMBAHASAN ... 6
Pemilihan Prediktor ... 6
Perhitungan Data ... 6
1. PMH Tiap Wilayah Hujan ... 6
2. PMH Rataan Wilayah Hujan ... 9
Analisis RMSE ... 9
Analisis Korelasi Sederhana ... 10
Analisis Kelompok Wilayah Hujan... 12
SIMPULAN DAN SARAN ... 12
Simpulan ... 12
Saran ... 13
DAFTAR PUSTAKA ... 13
vi
Halaman
1 Nilai galat di setiap wilayah hujan ... 10
DAFTAR GAMBAR
Halaman 1 Southern Oscillation Index. (BOM Australia 2002) ... 22 Model Fuzzy Sugeno Orde 1 ... 3
3 Arsitektur ANFIS (Jang 1993) ... 3
4 Diagram alir metode penelitian ... 5
5 Grafik nilai korelasi data SOI dengan data panjang musim hujan. ... 6
6 Grafik perbandingan nilai observasi dan prediksi lama musim hujan wilayah hujan I ... 6
7 Grafik perbandingan nilai observasi dan prediksi lama musim hujan wilayah hujan II ... 7
8 Grafik perbandingan nilai observasi dan prediksi lama musim hujan wilayah hujan II ... 8
9 Grafik perbandingan nilai observasi dan prediksi lama musim hujan wilayah hujan IV ... 8
10 Grafik perbandingan nilai observasi dan prediksi lama musim hujan wilayah hujan V ... 9
11 Grafik perbandingan nilai observasi dan prediksi lama musim hujan rataan daerah Indramayu ... 9
12 Grafik nilai RMSE pada masing-masing wilayah hujan ...10
13
Grafik nilai koefisien korelasi masing-masing wilayah hujan ...11
14 Diagram pencar data observasi dan prediksi kelompok wilayah hujan I ...11
15 Diagram pencar data observasi dan prediksi kelompok wilayah hujan II...11
16 Diagram pencar data observasi dan prediksi kelompok wilayah hujan III ...12
17 Diagram pencar data observasi dan prediksi kelompok wilayah hujan IV ...12
18 Diagram pencar data observasi dan prediksi kelompok wilayah hujan V ...12
19 Diagram pencar data observasi dan prediksi kelompok wilayah hujan rataan ...12
DAFTAR LAMPIRAN
Halaman 1 Data pengamatan panjang musim hujan di daerah Indramayu ... 152 Data SOI tahun 1965 – 2006 ... 16
3 Data anomali awal musim hujan daerah wilayah hujan di Indramayu ... 17
4 Hasil analisis korelasi sederhana data SOI, anomali onset dengan panjang musim hujan wilayah hujan rataan ... 18
5 Hasil prediksi kelompok wilayah hujan I ... 19
6 Hasil prediksi kelompok wilayah hujan II ... 20
7 Hasil prediksi kelompok wilayah hujan III ... 21
8 Hasil prediksi kelompok wilayah hujan IV ... 22
9 Hasil prediksi kelompok wilayah hujan V ... 23
10 Hasil prediksi kelompok wilayah hujan rataan ... 24
11 Peta Wilayah Hujan I ... 25
12 Peta Wilayah Hujan II ... 26
13 Peta Wilayah Hujan IV ... 27
PENDAHULUAN
Latar Belakang
Indonesia, merupakan negara agraris dan maritim di kawasan Asia Tenggara. Pertanian merupakan hasil mata pencaharian utama yang diandalkan dari sebagian rakyat Indonesia. Hasil produksi pertanian di Indonesia dalam angka belum menunjukan produk kuantitas yang maksimal. Banyak faktor yang memengaruhi hasil pertanian di Indonesia, salah satunya cuaca dan iklim yang terjadi di Indonesia.
Iklim merupakan komponen ekosistem dan merupakan faktor alam penting yang dinamis dan sulit dikendalikan. Karena sifat iklim yang dinamis dan beragam diperlukan suatu pemahaman yang lebih akurat teradap perubahan iklim melalui analisis dan interpretasi informasi iklim sehingga lebih berdaya guna dalam bidang pertanian. Berbagai proses fisiologi, pertumbuhan, dan produksi tanaman sangat dipengaruhi oleh unsur iklim, yaitu keadaan atmosfer dari saat ke saat selama umur tanaman. Ketersediaan air sangat ditentukan oleh curah hujan dalam periode waktu tertentu. Fenomena global yang mempengaruhi iklim/musim di Indonesia adalah El Nino dan La Nina. Curah hujan yang tidak berlebihan atau tidak kekurangan tentu akan sangat menunjang dan menguntungkan petani, sedangkan curah hujan di atas normal akibat La-Nina atau di bawah normal akibat El-Nino sering menimbulkan kegagalan produksi pertanian. Oleh sebab itu dalam pengertian yang lebih teknis dapat dinyatakan bahwa pertumbuhan dan produksi tanaman dipengaruhi oleh berbagai unsur iklim selama pertumbuhan tanaman (Irawan 2006).
Kondisi iklim yang tidak menentu dapat menjadi faktor pembatas produksi pertanian. Secara teknis dalam budidaya tanaman, hampir semua unsur iklim berpengaruh terhadap produksi dan pengelolaan tanaman. Namun tiap unsur iklim mempunyai pengaruh dan peran yang berbeda teradap berbagai aspek dalam budidaya tanaman. Dalam perencanaan kegiatan operasional pertanian seperti perencanaan pola tanam, pengairan, pemupukan, pengendalian hama terpadu dan panen membutuhkan informasi prediksi panjang musim hujan.
Penelitian mengenai peramalan curah hujan menggunakan metode ANFIS menunjukkan bahwa model temporal curah hujan dan debit air sungai dapat mensimulasi data observasi secara akurat, model tersebut mampu
meminimalisasi bias (RMSE) dan memaksimalkan akurasi (Ruminta 2008).
Tingkat keakuratan prediksi panjang musim hujan sangat membantu petani mengurangi resiko gagal panen. Penelitian mengenai peramalan mengenai panjang musim hujan menggunakan jaringan syaraf tiruan resilient backpropagation menghasilkan R2 sebesar 84% dan RMSE sebesar 1.0 (Said 2011). Data yang digunakan sebagai prediktor adalah data SST (Sea Surface Temperature).
Keakuratan prediksi dapat dilakukan melalui pengembangan sistem analisis dan teknik prediksi panjang musim hujan yang lebih kuantitatif dengan model statistik dan dinamik. Informasi iklim merupakan poin penting yang akan memberikan jalan petani dalam mencapai target produksi maksimal serta meningkatkan derajat petani.
Tujuan
Tujuan dari penelitian ini adalah membangun model dengan menggunakan
Adaptive Neuro Fuzzy Inference System untuk memprediksi panjang musim hujan.
Ruang Lingkup
Ruang lingkup pada penelitian ini meliputi 1 Data yang digunakan adalah data
Southern Oscillation Index (SOI) pada bulan Juli, Agustus, September, Oktober, Februari dan data awal
3 Memprediksi panjang musim hujan dengan metode Adaptive Neuro Fuzzy Inference System (ANFIS).
Manfaat Penelitian
Penelitian ini diharapkan dapat membantu mencari model yang baik dalam menentukan prediksi panjang musim hujan yang dapat dimanfaatkan terutama pada bidang pertanian dalam meramalkan panjang musim hujan.
TINJAUAN PUSTAKA
Dasarian
bersangkutan. Dasarian kedua mencatat total hujan dari tanggal 11 hingga 20, sedangkan dasarian ketiga mencatat total hujan dari tanggal 21 hingga akhir bulan (BMKG 2001).
Southern Oscillation Index
Southern Oscillation Index (SOI) adalah hasil perhitungan fluktuasi bulanan atau fluktuasi musiman dari perbedaan tekanan udara antara Tahiti dan Darwin. Nilai-nilai Australia. Peristiwa ini yang dikenal sebagai suatu La Niña. El Niño dan La Niña mempengaruhi iklim/musim di Indonesia. Curah hujan di atas normal diakibatkan oleh La Niña dan curah hujan di bawah normal diakibatkan oleh El Niño (BOM 2002).
Awal Musim Hujan
Penentuan awal musim hujan ditentukan dengan mengukur curah hujan rataan dasarian pada daerah tertentu. Jika hasil pengukuran curah hujan pada suatu dasarian lebih besar atau sama dengan 50 mm dan pada 2 dasarian berikutnya memiliki curah hujan yang sama, dasarian tersebut adalah awal musim hujan (Swarinoto dan Makmur 2009). Alat untuk mengukur curah hujan pada waktu rentang tertentu ialah pluviometer.
Dasarian pertama mencatat total hujan dari tanggal 1 sampai tanggal 10. Dasarian kedua mencatat total hujan dari tanggal 11 sampai tanggal 20 pada bulan yang sama. Selanjutnya, dasarian ketiga mencatat total hujan dari tanggal 21 hingga akhir bulan. Dasarian ketiga dapat bervariasi. Ada yang mencatat total hujan selama 8 hari, adapula yang mencatat 9 hari.
Namun, ada juga beberapa yang mencatat 10 sampai 11 hari. Hal tersebut terkait dengan jumlah hari pada bulan tersebut (BMKG 2011).
Fuzzy Inference System Model Sugeno
Sistem fuzzy merupakan penduga numerik yang terstruktur dan dinamis. System ini mempunyai kemampuan untuk membangun sistem intelijen dalam lingkungan yang tak pasti. Sistem ini menduga suatu fungsi dengan logika fuzzy. Penerapan IF-THEN dan proses inferensi fuzzy.
Ada beberapa metode untuk
merepresentasikan hasil logika fuzzy, yaitu metode Tsukamoto, Mamdani, dan Sugeno. Metode Sugeno memiliki nilai output
(konsekuen) tidak merupakan himpunan fuzzy, melainkan berupa konstanta atau persamaan linear. Terdapat dua model dalam metode Sugeno, yaitu model fuzzy Sugeno orde nol dan model fuzzy Sugeno orde satu. Lihat Gambar 2.
Artificial Neural Network (ANN)
Artificial Neural Network (ANN) atau Jaringan Syaraf Tiruan (JST) adalah sebuah sistem pemroses informasi yang memiliki beberapa karakteristik kinerja yang mirip dengan jaringan syaraf biologis. Jaringan syaraf tiruan dicirikan dengan arsitekturnya, metode pembelajaran (learning/training), dan fungsi aktivasinya. Arsitektur jaringan syaraf tiruan adalah pola keterhubungan antar neuron pada jaringan. Metode pembelajaran adalah metode untuk menentukan bobot dari koneksi antar neuron.
Topologi jaringan syaraf tiruan biasanya dispesifikkan oleh jumlah layer dan jumlah neuron tiap layer-nya. Tipe-tipe layer yaitu:
1 Input layer : mempresentasikan masalah agar dapat diproses oleh jaringan syaraf tiruan. Pada lapisan input tidak dilakukan pemrosesan
informasi tetapi hanya
mendistribusikan ke layer lain. 2 Hidden layer: tidak diobservasi
secara langsung. Menyediakan non linearitas dalam bentuk fungsi aktivasi pada jaringan syaraf tiruan.
3 Output layer: mempresentasikan konsep atau nilai yang mungkin untuk permasalahan yang diberikan oleh layer input.
Arsitektur jaringan syaraf tiruan biasanya diklasifikan menjadi dua, yaitu single layer dan
multilayer. Jaringan syaraf tiruan single layer
hanya mempunyai satu layer yang terhubungkan. Jaringannya hanya terdiri dari
input layer sebagai tempat diberikannya respon jaringan. Jaringan syaraf tiruan multilayer
dapat menyelesaikan permasalahan yang lebih kompleks dari jaringan syaraf tiruan single
layer. Arsitektur jaringan syaraf tiruan
multilayer.
Jaringan syaraf tiruan dikelompokkan dalam dua kelompok besar, yaitu jaringan syaraf tiruan feed forward dan jaringan syaraf tiruan recurrent. Jaringan syaraf tiruan feed forward dicirikan dengan tidak adanya loop koneksi balik pada graf dan jaringannya (Fausset 1994).
Hybrid Learning
Hybrid Learning adalah salah satu metode atau algoritma dalam proses pembelajaran pada jaringan syaraf tiruan (Artificial Neural Network), yaitu penggunaan dua metode pembelajaran pada ANFIS. Pembelajaran
hybrid terdiri atas dua bagian yaitu arah maju (forward pass) dan arah mundur (backward pass).
Adaptive-Network Fuzzy Inference System (ANFIS)
Adaptive-Network Fuzzy Inference System
(ANFIS) adalah penggabungan mekanisme
fuzzy inference system yang digambarkan dalam arsitektur sistem jaringan syaraf. Jaringan adaptif ini berfungsi untuk mengurangi jumlah himpunan parameter yang dilatih dengan sebuah algoritma pembelajaran
hybrid learning rule dalam sistem ANFIS untuk mendapatkan dan membangun himpunan
input dan output berdasarkan pengetahuan manusia. Strategi pembelajaran yang diperkenalkan oleh Vapnik ini adalah metode yang sangat powerful. Beberapa tahun setelah
diperkenalkan metode ini sudah memiliki performa yang sangat baik di berbagai macam aplikasi. ANFIS yang digunakan termasuk dalam fuzzy model Sugeno yang dimasukkan kedalam kerangka jaringan adaptif untuk memfasilitasi proses pembelajaran dan adaptasi (Jang 1993).
Model ANFIS yang digunakan termasuk model fuzzy Takagi-Sugeno orde satu, berikut gambar model Sugeno orde-1 dengan dua input dan dua aturan dan arsitektur ANFIS yang telah ada. Lihat Gambar 3.
Diasumsikan ada inputan x dan y serta mempunyai satu output z, maka menurut model sugeno orde satu terbentuk aturan seperti berikut simpul yang bersifat adaptif dengan fungsi simpul
O1,I = µAi (x) untuk i=1,2
O1,I = µBi-2 (x) untuk i=3,4
Simpul O1,I berfungsi untuk menyatakan
derajat keanggotaan tiap masukan terhadap himpunan Fuzzy A dan B, misalkan digunakan sebuah fungsi Bell pada lapis pertama sebagai simpul tetap yang merupakan perkalian dari sinyal yang datang. Operator perkalian dari
aturan fuzzy pada simpul ini adalah AND. Setiap output menggambarkan firing strength
(predikat) dari sebuah rule.
O2,i= wi= μAi (x) μBi (y)untuk i = 1,2 Lapis 3
Setiap simpul pada lapisan ini adalah simpul tetap. Pada simpul ke-i menghitung rasio dari aturan derajat keanggotaan ke-i dengan jumlah dari aturan derajat keanggotaan, sehingga dapat
dirumuskan sebagai berikut :
O3,i= wi
=
untuk i = 1,2Lapis 4
Setiap simpul pada lapis ini adalah simpul adaptif dengan fungsi simpul adalah:
O4, i= wifi= wi(pix + qiy + ri)
{pi, qi, ri} adalah himpunan parameter yang
disebut consequent parameter.
Lapis 5
Merupakan simpul tunggal yang menghitung keluaran dengan cara menjumlahkan semua sinyal masukan
O5,I ∑ Wi fi =
∑ ∑
Ketepatan Pendugaan
Ketepatan atau keakuratan sebuah model regresi dapat dilihat dari koefisien determinasi (R2). R2 menunjukkan proporsi jumlah kuadrat total yang dapat dijelaskan oleh sumber keragaman peubah bebas. Ketepatan pendugaan ini juga dapat menunjukkan bahwa R2 adalah kuadrat dari korelasi antara nilai suatu perhitungan untuk menunjukkan seberapa besar simpangan nilai dugaan terhadap nilai aktualnya. Menurut Walpole (1982), RMSE dirumuskan sebagai berikut:
√∑
dengan
Xt= nilai aktual pada waktu ke-t
Ft = nilai prediksi pada waktu ke-t
Kecocokan model dikatakan semakin baik jika RMSE mendekati nilai 0.
METODE PENELITIAN
Penelitian ini dilakukan dalam beberapa tahap. Tahapan tersebut diselesaikan dengan metode yang digunakan untuk melakukan penelitian ini. Dapat dilihat di Gambar 4.
Kerangka Penelitian
Penelitian ini akan dikembangkan melalui beberapa langkah. Langkah penelitian secara berurutan adalah pengambilan data, pemilihan data, proses pada ANFIS dan langkah yang terakhir adalah analisis serta evaluasi.
Pengambilan Data Badan Meteorologi Klimatologi dan Geofisika, dari tahun 1965 sampai dengan 2010. Data observasi digunakan data panjang musim hujan dari tahun 1965-2010 dari stasiun cuaca di Indramayu. Data terlampir di Lampiran 1.
Pemilihan Data
Pemilihan data Southern Oscillation Index
(SOI) dan data awal musim hujan ini berdasarkan pada nilai korelasi didapatkan bulan–bulan yang digunakan dalam memprediksi panjang musim hujan yaitu Juli, Agustus, September, Oktober, dan Februari. Data terlampir di Lampiran 2 dan 3.
Pembagian Data
Tujuan dari pembagian data adalah untuk menentukan data latih dan data uji. Penentuan jumlah data tersebut menggunakan data time series selama tiga puluh tahun. Data latih yang digunakan untuk menentukan parameter-parameter yang akan digunakan dalam pemodelan prediksi lama musim hujan dengan
Adaptive Neuro – Fuzzy Inference System.
musim hujan daerah pengamatan kelompok wilayah hujan di daerah Indramayu.
Gambar 4 Diagram alir metode penelitian
Penduga Parameter Data Input
Tahap ini dilakukan pemilihan parameter data input berupa data SOI dan awal musim hujan yang dapat mempengaruhi perhitungan dalam memprediksi panjang musim hujan.
Akuisisi Pengetahuan
Proses akuisisi pengetahuan dilakukan oleh pakar yang mengerti tentang ciri dari parameter data yang akan digunakan dalam membuat aturan-aturan berbentuk himpunan fuzzy model Sugeno orde 0/1. Pakar yang dijadikan rujukan yaitu ahli yang ahli dalam membaca dan mengetahui seluk beluk data SOI dan ilmu tentang iklim dan cuaca.
Rule Dasar Pengetahuan
Setelah mendapatkan pengetahuan tentang aturan yang didapatkan dari seorang pakar, akan terbentuk aturan dasar yang nantinya akan digunakan dalam proses perhitungan di dalam ANFIS tersebut.
Fuzzification
Hal selanjutnya yang harus dilakukan adalah membuat fungsi keanggotaan (member
function) yang sebaiknya digunakan untuk setiap parameter masukan dari data yang digunakan atau dari variabel yang bersifat linguistik. Model Fuzzy yang digunakan dalam hal ini adalah model Fuzzy Sugeno orde 0/1.
Inference
Dalam suatu sistem berbasis aturan fuzzy, proses inference memperhitungkan semua aturan yang ada di dalam basis pengetahuan. Hasil dari proses inference direpresentasikan oleh suatu fuzzy set untuk setiap variabel bebas. Derajat keanggotaan untuk setiap nilai variabel tidak bebas menyatakan ukuran kapabilitas terhadap variabel bebas.
Adaptive Network
Setelah proses pada fuzzy inference, dilakukan proses pembelajaran di dalam neural network untuk melatih parameter parameter masukan dari aturan yang didapatkan sebelumnya. Pada tahap ini terdapat proses pembelajaran Backpropagation Error untuk parameter premis dan proses pembelajaran
Recursive Least Square Estimator (RLSE) untuk parameter konsekuen. Pada arah maju (forward pass), parameter premis dibuat tetap. Dengan menggunakan metode RLSE, parameter konsekuen diperbaiki berdasarkan pasangan data masukan-keluaran.
Metode RLSE dapat diterapkan karena parameter konsekuen yang diperbaiki adalah parameter linear. Metode RLSE akan mempercepat proses belajar hibrid. Kemudian setelah parameter konsekuen didapatkan, data masukan dilewatkan jaringan adaptif kembali dan hasil keluaran jaringan adaptif ini dibandingkan dengan keluaran yang sebenarnya. Pada arah mundur, parameter konsekuen dibuat tetap. Kesalahan yang terjadi antara keluaran jaringan adaptif dan keluaran sebenarnya dipropagasikan balik dengan menggunakan gradient descent untuk memperbaiki parameter premis. Pembelajaran ini dikenal sebagai algoritma backpropagation-error. Satu tahap arah pembelajaran maju-mundur dinamakan satu epoch.
Perhitungan RMSE
HASIL DAN PEMBAHASAN
Penelitian kali ini digunakan data SOI data awal musim hujan dan data panjang musim hujan dalam kurun waktu empat puluh lima tahun pada stasiun cuaca di daerah Indramayu.
Pemilihan Prediktor
Pada tahapan pemilihan prediktor digunakan perhitungan analisis korelasi sederhana untuk menentukan predktor yang akan digunakan. Dari hasil yang didapat terdapat lima bulan yang akan digunakan sebagai data predktor, selain data SOI, digunakan juga data anomali dari data awal musim hujan tersebut.
Gambar 5 menunjukkan korelasi tertinggi dimiliki oleh bulan September yaitu sebesar 0.448 kemudian tertinggi kedua dimiliki oleh bulan Agustus sebesar 0.447. Bulan Juli, Oktober, dan Februari memiliki nilai masing-masing sebesar –0.136, 0.385, dan 0.345. Untuk bulan November, Desember, Januari, Maret, April, Mei, dan Juni nilai korelasi yang dimiliki pada masing masing rentang dari 0.007 - 0.322. Dari hasil korelasi yang didapatkan dipilih lima input data SOI sebagai prediktor yang akan digunakan sebagai input pada proses pelatihan data. Data berikutnya adalah data anomali dari awal musim hujan yang terjadi dalam kurun waktu empat puluh lima tahun. Data terlampir di Lampiran 4.
Setelah memilih data prediktor dan data target berupa data panjang musim hujan, dilanjutkan kedalam proses pengolahan data dengan metode Adaptive Neuro–Fuzzy Inference System dengan data training berupa masukan SOI, anomali awal musim hujan dan panjang musim hujan. Data tersebut akan
dibuat sebagai inputfuzzy system menggunakan fungsi yang sudah ada di Matlab dengan nilai
membership function nya sebesar tiga pada tiap prediktor dan membership function
menggunakan tipe Gaussian.
Generalisasi fuzzy yang telah dibentuk selanjutnya dilakukan training data dengan epoch sebesar 30. Setelah itu dilakukan testing
data dengan menggunakan metode time series
selama kurun waktu tiga puluh tahun, hingga iterasi dari data yang terakhir.
Perhitungan Data
1. PMH Tiap Wilayah Hujan
Kelompok data di setiap wilayah hujan berbeda dengan rataan di semua wilayah hujan, disini data yang digunakan sebagai data latih adalah data yang terdapat pada stasiun cuaca setiap wilayah hujan di Indramayu.
Hasil prediksi kelompok data di wilayah hujan pertama yaitu di wilayah Pusakanagara, Losarang, Sukra, dan Ujung Garis Kabupaten Indramayu yang terlampir di Lampiran 11 ini dapat dilihat di grafik pada Gambar 6, dengan melakukan tahapan pelatihan dan perhitungan evaluasi yang sama dengan kelompok semua wilayah hujan rataan di daerah Indramayu. Dalam data wilayah hujan I terdapat data yang tidak lengkap, dari stasiun wilayah hujan ini, terdapat data dari tahun 1965–1969 dan tahun 2006/2007 dengan data PMH yang tidak terdapat pada tahun tersebut sehingga data observasi berkurang sebanyak lima tahun.
Hasil dari kelompok wilayah hujan I menghasilkan data prediksi selama 10 tahun dengan nilai galat terkecil sebesar 0.62 yang terjadi pada tahun 2000/2001 dan galat terbesar terjadi pada tahun 1999/2000 yaitu sebesar 10.9. Hasil secara lengkap dapat dilihat pada Lampiran 5.
Gambar 6 Grafik perbandingan nilai observasi dan prediksi lama musim hujan wilayah hujan I
Kelompok wilayah hujan I memiliki nilai rata-rata galat atau RMSE sebesar 5.1. Nilai tersebut menunjukkan hasil prediksi yang
dilakukan dalam percobaan ini memiliki nilai rata-rata sebesar 5.1 dasarian atau kesalahan dalam memrediksi panjang musim hujan sekitar 51 hari.
Koefisien korelasi atau rdari data wilayah hujan I memiliki nilai sebesar -0.05. Nilai tersebut bermakna bahwa 0.0025 atau 0.25% di antara ragam total nilai-nilai data observasi dapat dijelaskan oleh hubungan linearnya dengan data prediksinya (Walpole 1995).
Kelompok data di wilayah hujan kedua yaitu di wilayah Sudikampiran dan Sudimampir terlampir di Lampiran 12 memiliki jumlah data sebanyak 30 tahun. Perhitungan data latih yang sebelumnya 30 tahunan menjadi 20 tahunan karena terdapat kekurangan data pada wilayah hujan II ini. Data yang tidak lengkap terjadi dari tahun 1965–1978, tahun 2002/2003 dan tahun 2006/2007. Oleh karena itu terjadi pengurangan data sebanyak 15 tahun sehingga data latih menjadi 20 tahun dengan data uji sebanyak 10 tahun. Dengan melakukan tahapan pelatihan dan perhitungan evaluasi yang sama dengan kelompok wilayah hujan rataan di daerah Indramayu. Gambar 7 menunjukkan grafik perbandingan nilai observasi dan nilai prediksi di daerah wilayah hujan II dengan nilai prediksi selama 10 tahun.
Perhitungan evaluasi data pada wilayah hujan II menghasilkan nilai prediksi yang memilki nilai galat terkecil sebesar 0.34 yang terjadi pada tahun 2000/2001 dan galat terbesar terjadi pada tahun 2008/2009 dengan galat sebesar 7.8. Hasil prediksi wilayah hujan II secara lengkap dapat dilihat pada Lampiran 6.
Kelompok wilayah hujan II memiliki nilai RMSE sebesar 4.06. Nilai tersebut menunjukkan hasil prediksi yang dilakukan selama 10 tahun dalam peramalan ini memiliki nilai rata-rata sebesar 4.06 dasarian atau
kesalahan dalam memrediksi panjang musim hujan sekitar 40 hari dalam menentukan panjang musim hujan. Nilai RMSE kelompok wilayah hujan II lebih kecil dibandingkan dengan nilai RMSE wilayah hujan I dengan selisih sebesar 1.05.
Koefisien korelasi atau r dari data kelompok wilayah hujan II memiliki nilai sebesar 0.58. Nilai tersebut bermakna bahwa 0.35 atau 35% di antara ragam total nilai-nilai data observasi dapat dijelaskan oleh hubungan linearnya dengan data prediksinya (Walpole 1995).
Kelompok data di wilayah hujan ketiga dengan wilayah hujan Lw Semut, Teluk Kacang, dan Wanguk memiliki jumlah data sama dengan jumlah kelompok data di wilayah hujan kedua yaitu sebesar 30 tahun terhitung sejak tahun 1971 hingga tahun 2003, tetapi terdapat data yang tidak lengkap pada tahun 1996/1997, 1997/1998, dan tahun 2002/2003. Pengurangan data latih terjadi pada wilayah hujan ketiga ini, dimana data latih menjadi 20 tahunan dan data uji sisanya. Hal ini terjadi pada daerah wilayah hujan kedua. Gambar 8 menunjukkan grafik perbandingan nilai observasi dengan nilai prediksi yang terjadi di wilayah hujan ketiga selama 10 tahun.
Perhitungan kelompok data wilayah hujan ketiga menghasilkan nilai galat terkecil terjadi di tahun 2003/2004 sebesar 0.03 dan nilai galat terbesar terjadi pada tahun 1991/1992 yaitu sebesar 11.2. Nilai galat terbesar ini terjadi karena nilai prediksi dan observasinya berbeda terlalu jauh di tahun tersebut disbandingkan dengan tahun tahun lainnya. Nilai prediksi yang didapat sebesar 0.77 pada tahun 1991/1992. Hasil perbandingan nilai prediksi dengan nilai observasi dapat dilihat pada lampiran 7.
Kelompok wilayah hujan III memiliki nilai RMSE sebesar 7.1, nilai tersebut menujukkan hasil prediksi selama 10 tahun dalam peramalan ini memiliki nilai galat rata-rata sebesar 7.1 dasarian atau kesalahan dalam memrediksi panjang musim hujan 71 hari dalam menentukan panjang musim hujan. Nilai RMSE wilayah hujan ketiga memiliki nilai galat lebih besar dibandingkan dengan wilayah hujan II di daerah Indramayu.
Koefisien korelasi atau rdari data wilayah hujan III memiliki nilai sebesar -0.04. Nilai koefisien korelasi yang dihasilkan bernilai negatif, dikarenakan model yang terjadi berkebalikan dengan data prediksi yang dihasilkan. Hasil R2 yang dihasilkan sebesar 0.0016, nilai tersebut bermakna bahwa 0.0016 atau 0.16% di antara ragam total nilai-nilai data Gambar 7 Grafik perbandingan nilai
observasi dapat dijelaskan oleh hubungan linearnya dengan data prediksinya (Walpole 1995).
Kelompok data di wilayah hujan keempat dengan wilayah hujan Rentang, Sukadana, dan Tugu terlampir di Lampiran 13 memiliki jumlah data PMH sebanyak 44 tahun lebih banyak dibandingkan dengan jumlah data yang terdapat di wilayah hujan I, II, dan III. Data latih yang digunakan sebanyak 30 tahunan dan sisanya merupakan data uji yang akan dievaluasi dalam memrediksi panjang musim hujan di wilayah tersebut. Data yang tidak lengkap terdapat pada tahun 2006/2007 dimana data PMH tidak terdapat dalam data. Gambar 9 menunjukkan grafik perbandingan nilai observasi dan nilai prediksi selama 14 tahun terakhir.
Hasil perhitungan di dalam wilayah hujan IV menghasilkan galat terkecil terjadi di tahun 2002/2003 sebesar 0.2 dan nilai galat terbesar terjadi pada tahun 2005/2006 sebesar 9.88. Pada kelompok wilayah hujan IV memiliki data total selama kurun waktu 44 tahun lebih banyak dibanding yang terjadi pada wilayah
hujan I, II, dan III. Terlihat pada tahun ke sepuluh (2007/2008) hasil prediksi panjang musim hujan hampir mendekati nilai observasi, hanya berbeda 0.1 dari nilai observasinya.
Hasil perbandingan nilai prediksi dengan nilai observasi dapat dilihat pada lampiran 8.
Kelompok wilayah hujan IV memiliki nilai RMSE sebesar 5.37, nilai tersebut menujukkan hasil prediksi selama kurun waktu 14 tahun terakhir memiliki nilai 5.37 dasarian berdasarkan perhitungan nilai RMSE dari nilai observasi dan nilai prediksi. Oleh karena itu kesalahan rata-rata untuk memrediksi awal musim hujan sekitar 53 hari.
Koefisien korelasi atau rdari data wilayah hujan IV memiliki nilai sebesar 0.49. Nilai tersebut bermakna bahwa 0.25 atau 25% di antara ragam total nilai-nilai data observasi dapat dijelaskan oleh hubungan linearnya dengan data prediksinya (Walpole 1995).
Kelompok wilayah hujan kelima dengan wilayah hujan Sumur Watu, Taminyang, dan Slamet terlampir di Lampiran 9 memiliki jumlah data panjang musim hujan sebanyak 40 tahun terkahir terhitung dari tahun 1970 - 2010. Pada kelompok wilayah hujan ini nantinya akan digunakan data latih selama kurun waktu 30 tahun dan sisanya merupakan data uji selama 10 tahun yang nantinya akan dicari nilai prediksinya. Perbandingan hasil prediksi panjang musim hujan dengan nilai observasi digambarkan dalam grafik yang terdapat pada Gambar 10.
Pada hasil perhitungan di dalam kelompok wilayah hujan V terdapat nilai prediksi yang mendekati nilai observasi yaitu sebesar 17.34 dengan selisih hanya 0.34 yang terjadi pada tahun 2005/2006, sedangkan galat tertinggi terjadi pada tahun 2007/2008 yaitu sebesar 8.35 setengah dari nilai observasi yang telah ada. Galat tersebut cukup besar dalam hasil perhitungan prediksi yang telah dilakukan, sekitar 83 hari kesalahan dalam menentukan hasil prediksi pada tahun tersebut. Kelompok wilayah hujan kelima memiliki nilai RMSE sebesar 4.09, nilai tersebut menunjukkan bahwa dalam kurun waktu 10 tahun hasil prediksi panjang musim hujan memiliki kesalahan rata-rata 40 dasarian dalam memrediksi panjang musim hujan yang terjadi di wilayah hujan kelima. Nilai tersebut masih lebih bagus dibandingkan dengan nilai RMSE dari wilayah-wilayah sebelumnya. Hasil perbandingan nilai prediksi dengan nilai observasi dapat dilihat pada Lampiran 9.
Koefisien korelasi atau rdari data wilayah hujan V memiliki nilai sebesar 0.69. Nilai tersebut bermakna bahwa 0.482 atau 48.2% di Gambar 8 Grafik perbandingan nilai
observasi dan prediksi lama musim hujan wilayah hujan III
antara ragam total nilai-nilai data observasi dapat dijelaskan oleh hubungan linearnya dengan data prediksinya (Walpole 1995).
2. PMH Rataan Wilayah Hujan
Data prediktan yang digunakan berupa data panjang musim hujan dalam kurun waktu empat puluh lima tahun mencakup lima wilayah hujan di daerah Indramayu dan data rataan dari lima wilayah hujan daerah tersebut. Data penelitian ini merupakan rataan yang diperoleh dari perhitungan semua nilai obervasi PMH yang telah dihitung. Berdasarkan data tersebut akan digunakan sebagai data respon dalam penelitian ini.
Perhitungan pertama digunakan respon berupa data rataan dari lima wilayah hujan, terdapat empat puluh lima tahun data observasi dari wilayah hujan tersebut, terhitung dari tahun 1965 – 2010 (kecuali tahun 2001/2002).
Hasil perhitungan dari data rataan panjang musim hujan di kelima wilayah didapatkan nilai korelasi antara data observasi dan data prediksi sebesar 0.551 dan nilai R2 sebesar 0.303. Koefisien korelasi atau rdari data rataan kelompok lima wilayah hujan memiliki nilai sebesar 0.689. Nilai tersebut bermakna bahwa 0.303 atau 30.3% di antara ragam total nilai-nilai data observasi dapat dijelaskan oleh hubungan linearnya dengan data prediksinya (Walpole 1995).
Hasil rataan dari data panjang musim hujan di kelima wilayah hujan dengan menggunakan ANFIS Sugeno orde 0/1 dengan tiga
membership function pada setiap masing-masing prediktor dengan melakukan sebanyak 30 kali epoch dalam melatih data prediktor dengan respon data PMH. Hasil prediksi berupa nilai panjang musim hujan pada tahun
yang telah ditentukan.
Kelompok rataan wilayah hujan memiliki nilai galat terkecil pada tahun 2003/2004 yaitu sebesar 0.24 dengan nilai prediksi sebesar 11.56 dasarian, sedangkan galat terbesar terjadi pada tahun 2001/2002 yaitu sebesar 6.01 dengan nilai prediksi pada tahun tersebut sebesar 9.98 dasarian atau sekitar 99 hari. Hasil perbandingan nilai prediksi dengan nilai observasi dapat dilihat pada lampiran 10.
Pada hasil evaluasi data respon terhadap nilai prediksi dapat dilihat di Gambar 11, pada grafik tersebut terlihat nilai prediksi yang mendekati nilai observasi terjadi pada tahun 2005/2006 yaitu sebesar 14.37 dasarian, dan data prediksi tahun 2009/2010 memiliki nilai selisih 4.35 dasarian lebih besar dibandingkan dengan data di tahun 2005/2006.
Nilai RMSE atau rata rata galat dari hasil prediksi di wilayah curah hujan rataan tersebut sebesar 2.06 dasarian, ini menunjukkan hasil prediksi yang dilakukan dengan data rataan wilayah hujan memiliki rata–rata kesalahan sekitar 2.06 dasarian sehingga kesalahan dalam memrediksi panjang musim hujan sekitar 20 hari. Nilai RMSE mendekati nilai nol, nilai RMSE akan semakin bagus, ini menunjukkan bahwa kesalahan akan semakin kecil nilainya dan akan mendekati model prediksi yang telah ditentukan.
Analisis RMSE
Dalam proses pengolahan dan perhitungan datadari keenam data wilayah hujan yang telah disajikan pada bahasan sebelumnya, menghasilkan nilai RMSE yang berbeda di setiap kelompok percobaan wilayah hujan. Kelompok wilayah hujan rataan, I, II, III, IV,
Gambar 10 Grafik perbandingan nilai observasi dan prediksi lama musim hujan wilayah hujan V
dan V memiliki nilai RMSE berturut–turut sebesar 2.06, 5.30, 4.21, 4.93, 4.18, dan 3.63 dasarian. Keenam nilai RMSE berdasarkan hasil perhitungan dapat dilihat pada Gambar 12.
Kenaikan nilai galat rata-rata dari kelompok wilayah hujan rataan ke kelompok wilayah hujan I sebesar 3.24 dasarian. Nilai galat rata-rata dari kelompok wilayah hujan rataan yaitu sebesar 2.06.
Penurunan terjadi di kelompok wilayah hujan II, dimana besar galat rata-rata memiliki selisih sebesar 1.08 dasarian. Kenaikan nilai RMSE terjadi kembali di dalam wilayah hujan II ke wilayah hujan III dimana kenaikan terjadi sebesar 0.72 dasarian, setelah itu penurunan terus nilai RMSE terus terjadi hingga ke kelompok wilayah hujan V, dimana nilai RMSE wilayah hujan V memiliki nilai sebesar 3.64. Hal ini menunjukkan bahwa nilai RMSE kelompok wilayah hujan rataan memiliki nilai yang lebih baik dari kelima wilayah hujan yang terdapat di daerah Indramayu.
Rentang galat yang dimiliki kelompok wilayah I sebesar 9.38 dasarian dengan nilai galat minimum 1.96 dasarian, dan nilai galat maksimum sebesar 9.38 dasarian. Rentang galat yang dimiliki kelompok wilayah hujan II adalah 7.38 dasarian dengan nilai galat minimum 1.56 dasarian dan nilai galat maksimum sebesar 7.38 dasarian. Rentang galat yang dimiliki kelompok wilayah hujan III sebesar 10 dasarian dengan nilai galat minimum sebesar 0.09 dasarian dan nilai galat maksimum 10 dasarian. Rentang galat yang dimiliki kelompok wilayah hujan IV sebesar
8.96 dasarian dengan nilai galat minimum sebesar 0.1 dasarian sedangkan nilai galat maksimum sebesar 8.96 dasarian. Rentang galat yang dimiliki kelompok wilayah hujan V 8 dasarian dengan galat minimum sebesar 0.5 dasarian dan galat maksimum sebesar 8 dasarian.
Dari data tersebut dapat menjelaskan rentang galat tidak memengaruhi nilai RMSE yang dihasilkan. Rentang galat tertinggi dimiliki oleh kelompok wilayah hujan III dengan galat sebesar 10 dasarian dengan nilai RMSE sebesar 4.93. Namun nilai tersebut tidak berpengaruh besar terhadap hasil RMSE yang dihasilkan, karena dengan galat tersebut masih terdapat nilai RMSE yang lebih besar yang terjadi di wilyah hujan I dengan nilai RMSE sebesar 5.30.
Dalam data tersebut, menujukkan bahwa sebaran galat yang beragam, dan memiliki galat yang besar dapat memengaruhi nilai RMSE yang dihasilkan oleh suatu data hasil prediksi. Lihat Tabel 1
Tabel 1 Nilai galat di setiap wilayah hujan Galat Kelompok Wilayah Hujan
I II III IV V R sebesar 4.45 dasarian, atau kesalahan dalam memprediksi panjang musim hujan sekitar 44 hari dalam tahun tersebut.
Analisis Korelasi Sederhana
Koefisien korelasi hasil percobaan data masing–masing wilayah hujan didapatkan dari hasil perhitungan. Hasil di wilayah hujan kelima memiliki nilai kefisien korelasi sebesar 0.69, di dalam percobaan nilai ini adalah nilai yang paling besar diantara data kelompok wilayah hujan di daerah Indramyu. Nilai terkecil dimiliki oleh wilayah hujan III dengan nilai sebesar -0.04, nilai koefisien ini bernilai negatif ini menunjukkan bahwa hubungan antara nilai prediksi dan observasi berbanding terbalik. Jika nilai koefisien korelasi bernilai positif, hubungan antara nilai prediksi dan observasi akan berbanding lurus, semakin tinggi nilai observasi yang ada maka nilai hasil prediksi juga akan semakin tinggi. Gambar 13 Gambar 12 Grafik nilai RMSE pada
menunjukkan grafik perbandingan nilai koefisien korelasi wilayah hujan.
Hasil nilai koefisien korelasi atau nilai r di wilayah hujan kelima bernilai 0.69 sehingga nilai koefisien determinasi kelompok ini bernilai 0.48 atau 48%. Hasil ini menujukkan bahwa sebanyak 48% dari nilai observasi dapat digambarkan hubungan linearnya terhadap nilai prediksi yang terdapat di dalam wilayah hujan tersebut.
Hasil nilai koefisien korelasi atau nilai r di wilayah hujan I bernilai -0.05 sehingga nilai koefisien determinasi kelompok ini bernilai 0.0025 atau 0.25%. Hasil ini menujukkan bahwa sebanyak 0.25% dari nilai observasi dapat digambarkan hubungan linearnya terhadap nilai prediksi yang terdapat di dalam wilayah hujan tersebut.
Hasil nilai koefisien korelasi atau nilai r di wilayah hujan II bernilai 0.58 sehingga nilai koefisien determinasi kelompok ini bernilai 0.345 atau 34.5%. Hasil ini menujukkan bahwa sebanyak 34.5% dari nilai observasi dapat digambarkan hubungan linearnya terhadap nilai prediksi yang terdapat di dalam wilayah hujan tersebut.
Hasil nilai koefisien korelasi atau nilai r di wilayah hujan III bernilai -0.04 sehingga nilai koefisien determinasi kelompok ini bernilai 0.0016 atau 0.16%. Hasil ini menujukkan bahwa sebanyak 0.16% dari nilai observasi dapat digambarkan hubungan linearnya terhadap nilai prediksi yang terdapat di dalam wilayah hujan tersebut.
Hasil nilai koefisien korelasi atau nilai r di wilayah hujan IV bernilai 0.496 sehingga nilai koefisien determinasi kelompok ini bernilai 0.246 atau 24.6%. Hasil ini menujukkan bahwa sebanyak 14% dari nilai observasi dapat digambarkan hubungan linearnya terhadap nilai
prediksi yang terdapat di dalam wilayah hujan tersebut.
Hasil nilai koefisien korelasi atau nilai r di wilayah hujan V bernilai 0.69 sehingga nilai koefisien determinasi kelompok ini bernilai 0.48 atau 48%. Hasil ini menujukkan bahwa sebanyak 48% dari nilai observasi dapat digambarkan hubungan linearnya terhadap nilai prediksi yang terdapat di dalam wilayah hujan tersebut.
Gambar 14-19 merupakan diagram pencar dari keenam wilayah hujan, wilayah hujan rataan, wilayah hujan I, wilayah hujan II, wilayah hujan III, wilayah hujan IV, dan wilayah hujan V. Hasil terbaik dimiliki oleh kelompok wilayah hujan rataan, persebaran titiknya membentuk pola garis lurus. Semakin mendekati pola garis lurus, maka nilai koefisien determinasi akan mendekati 1.
Titik–titik yang menggerombol mengikuti garis sebuah garis lurus dengan kemiringan positif, maka ada korelasi positif yang tinggi antara dua peubah. Namun, jika titik semakin memencar, titik-titik tersebut mengikuti suatu pola acak atau tidak ada pola (Walpole, 1995). Dalam hasil percobaan pada kelompok wilayah hujan belum mendekati pola garis lurus, hasil terbagus hanya dihasilkan oleh kelompok wilayah hujan rataan di daerah Indramayu.
Gambar 14 Diagram pencar data observasi dan data prediksi kelompok wilayah hujan I
Gambar 15 Diagram pencar data observasi dan data prediksi kelompok wilayah hujan II
Gambar 16 Diagram pencar data observasi dan data prediksi kelompok wilayah hujan III
Gambar 17 Diagram pencar data observasi dan data prediksi kelompok wilayah hujan IV
Gambar 18 Diagram pencar data observasi dan data prediksi kelompok wilayah hujan V
Gambar 19 Diagram pencar data observasi dan data prediksi kelompok wilayah hujan rataan
Analisis Kelompok Wilayah Hujan
Analisa dilakukan terhadap semua data kelompok wilayah hujan yang terdapat di daerah Indramayu. Parameter yang digunakan yaitu koefisien korelasi dan RMSE. Pada hasil percobaan disemua wilayah hujan, kelompok wilayah hujan rata rata yang memiliki nilai yang paling bagus, baik nilai koefisen korelasinya maupun nilai RMSE yang dihasilkan. Hasil analisa kelompok wilayah hujan yang dengan nilai koefisien korelasi terkecil terdapat pada kelompok wilayah hujan III sebesar -0.04, dan nilai RMSE yang terkecil terdapat pada kelompok wilayah rataan, yaitu sebesar 2.43.
Dari data yang diperoleh tersebut terlihat kekurang hasil evaluasi yang didapatkan dari penelitian ini. Ada beberapa faktor yang memengaruhi nilai hasil prediksi dari masing-masing kelompok wilayah hujan. Pertama adalah pola data latih yang digunakan dalam proses perhitungan ini, pola yang seragam akan memengaruhi hasil dari prediksi yang bisa mendekati nilai observasi di setiap wilayah hujan masing–masing. Pola data yang tidak beraturan akan menghasilkan nilai galat dalam proses perhitungan semakin besar, sehingga menyebabkan hasil prediksi kurang mendekati hasil observasi panjang musim hujan pada wilayah hujan yang dicari.
Faktor kedua adalah jumlah data latih yang digunakan dalam proses pelatihan data dalam mencari aturan yang baik. Dalam perhitungan data di penelitian ini, jumlah data memengaruhi nilai prediksi yang akan dihasilkan, semakin banyak data latih yang digunakan, banyak juga data yang nantinya akan dilatih sehingga dapat memperluas aturan yang ada dalam program ini.
SIMPULAN DAN SARAN
Simpulan
Hasil penelitian yang telah dilakukan ini menunjukkan bahwa dihasilkan struktur adaptif
digunakan adalah awal hujan pada tahun yang sama dengan data respon yang akan dicari.
Saran
Saran untuk penelitian ini pertama adalah memperbanyak data latih dalam proses ANFIS untuk meningkatkan performa dari struktur ANFIS yang disusun. Kedua, penggunaan algoritma optimasi dalam hal ini algoritma genetika untuk mencari parameter–parameter yang terbaik yang akan digunakan dalam memilih prediktor yang akan digunakan. Ketiga, penggunaan tipe dalam membership function yang lebih beragam dalam menggeneralisasi fuzzy system.
DAFTAR PUSTAKA
[BMKG] Badan Meteorologi Klimatologi dan Geofisika. 2001. Prakiraan. http://iklim.bmg.go.id/Prakiraan.asp [29 Okt 2012].
[BMKG] Badan Meteorologi Klimatologi dan Geofisika. 2011. Prakiraan musim hujan 2011/2012.
[BOM] Bureau of Meteorology. 2002. Climate glossary-southern oscillation index (SOI). http://reg.bom.gov.au/climate/
glossary/soi.shtml [10 Okt 2012].
Fausset V. 1994. Fundamental of Neural Networks. New Jersey: Prentice Hall . Irawan B. 2006. Fenomena anomali iklim El
Nino dan La Nina: kecenderungan jangka panjang dan pengaruhnya terhadap produksi pangan. Forum Penelitian Agro Ekonomi
24(1):28-45.
Jang, Roger. 1993. ANFIS : adaptive-network based fuzzy inferencde system. IEEE Transation On System, Man, and, Cybernetic 23(3).
Ruminta. 2008. Model temporal curah hujan dan debit sungai citarum berbasis ANFIS.
Jurnal Sains Dirgantara 6(1).
Said MM. 2011. Peramalan panjang musim hujan menggunakan jaringan syaraf tiruan
resilient backpropagation [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.
Swarinoto YS, Makmur EES. 2009. Simulasi prediksi probabilitas awal musim hujan dan panjang musim hujan di Ambon. Buletin Meteorologi Klimatologi dan Geofisika
5(3):340-353.
Lampiran 1 Data pengamatan panjang musim hujan di daerah Indramayu
Tahun WH1 WH2 WH3 WH4 WH5/6 Rataan
1965/1966 - - - 11 - 11.00
1966/1967 - - - 14 - 14.00
1967/1968 - - - 16 - 16.00
1968/1969 - - - 18 - 18.00
1969/1970 11 - - 13 - 12.00
1970/1971 10 - - 17 11 12.67
1971/1972 20 - 6 14 19 14.75
1972/1973 10 - 11 13 13 11.75
1973/1974 11 - 7 15 20 13.25
1974/1975 16 - 13 17 22 17.00
1975/1976 16 - 13 16 15 15.00
1976/1977 14 - 11 13 15 13.25
1977/1978 13 - 9 13 14 12.25
1978/1979 12 8 8 13 16 11.40
1979/1980 8 6 7 13 17 10.20
1980/1981 10 11 7 14 20 12.40
1981/1982 15 10 12 10 16 12.60
1982/1983 8 8 11 9 11 9.40
1983/1984 12 15 13 19 19 15.60
1984/1985 10 10 9 17 15 12.20
1985/1986 12 6 11 19 15 12.60
1986/1987 10 8 12 15 15 12.00
1987/1988 7 8 9 13 13 10.00
1988/1989 15 13 16 14 16 14.80
1989/1990 12 13 11 13 16 13.00
1990/1991 11 12 13 9 15 12.00
1991/1992 13 10 12 16 17 13.60
1992/1993 10 13 8 15 18 12.80
1993/1994 13 13 14 16 16 14.40
1994/1995 13 11 10 13 13 12.00
1995/1996 16 14 10 14 14 13.60
1996/1997 11 8 - 12 18 12.25
1997/1998 8 13 - 13 11 11.25
1998/1999 10 11 12 18 14 13.00
1999/2000 16 13 11 18 11 13.80
2000/2001 15 11 13 16 16 14.20
2001/2002 16 16 13 18 17 16.00
2002/2003 12 - - 7 6 8.33
2003/2004 14 13 10 11 11 11.80
2004/2005 10 8 - 9 15 10.50
2005/2006 17 13 - 11 17 14.50
Lampiran 2 Data SOI tahun 1965 – 2006
Tahun Agt Sep Oct Nov Dec Jan Feb Mar Apr May Jun Jul
1965/1966 -10.1 -13.5 -11 -16.7 0.3 -4.6 -4.7 -12.8 -6 -7.8 0.3 -21
1966/1967 4.5 -1.8 -2.2 0.4 -4.8 14.1 12.6 6.5 -3.8 -2.6 4.5 -0.4
1967/1968 5.7 5.8 -0.3 -4.6 -6.8 3.6 9.1 -3.6 -3 14.3 10 0.8
1968/1969 0.3 -2.4 -1.6 -3.4 0.3 -14.2 -7.6 -0.7 -8.2 -5.6 -1.1 6.3
1969/1970 -4 -10 -11.6 -0.2 2.3 -10.8 -12.1 0.7 -4.5 2.5 8.6 -6.4
1970/1971 3.9 12.8 11 18.8 16.1 2.1 15.5 16.1 19.6 9.2 1.7 -5.2
1971/1972 14.2 15.8 18.6 6.8 0.8 3.1 7.2 1.2 -5.2 -24 -10.9 1.4
1972/1973 -8.2 -14.1 -11 -3.4 -13.4 -3.6 -15 -0.3 -2.3 3.3 10 -17.3
1973/1974 11.8 13.4 10.4 31.5 15.6 20.3 16 17 9.4 10.6 1.7 5.7
1974/1975 6.3 12.2 9.2 -1.5 0.3 -6 4.7 9.4 12.3 6.2 12.8 11.1
1975/1976 19.7 22.2 18.6 13.1 17.6 11.2 12.6 10.8 0.6 2.5 0.3 19.6
1976/1977 -11.3 -12.4 3.5 9.3 -20 -4.1 8.6 -9.4 -8.2 -9.3 -15.8 -11.9
1977/1978 -11.3 -8.8 -12.9 -14.2 -11.4 -3.6 -26.9 -6 -7.4 15.8 4.5 -13.7
1978/1979 2.1 1.1 -5.3 -2.1 -2.2 -4.6 6.2 -3.6 -5.2 4 4.5 5.1
1979/1980 -4.6 1.7 -2.2 -4.6 -8.3 2.6 0.3 -8.4 -11.8 -2.6 -3.9 13.6
1980/1981 1.5 -4.7 -0.9 -3.4 -2.2 2.1 -4.2 -15.6 -5.2 8.4 12.1 -1.6
1981/1982 5.1 6.4 -5.3 2.3 3.4 8.8 -0.2 0.7 -2.3 -7.1 -17.2 8.1
1982/1983 -22.2 -20 -20.5 -30 -22.6 -31.4 -35.7 -25.7 -15.5 5.5 -3.2 -17.9
1983/1984 0.9 9.9 4.7 -0.8 -1.2 0.7 5.2 -6.5 1.3 0.3 -8.1 -7
1984/1985 2.1 2.3 -4.7 3.6 -2.7 -4.6 6.2 -2.7 12.3 3.3 -8.8 0.8
1985/1986 8.2 0.5 -5.3 -1.5 0.8 7.4 -12.1 -0.3 0.6 -5.6 8.6 -2.2
1986/1987 -7 -4.7 6.6 -13.5 -15 -7 -14 -16.1 -23.5 -19.6 -17.9 2
1987/1988 -13.1 -10.6 -5.3 -1.5 -5.8 -1.5 -6.2 1.2 -3 9.9 -3.9 -17.3
1988/1989 14.2 18.7 15.5 22 9.5 12.7 8.5 5.5 18.1 15.1 6.1 10.5
1989/1990 -5.6 5.8 7.8 -1.8 -5.3 -1.9 -18.4 -8.2 -0.7 13.6 0 8.5
1990/1991 -4.4 -7.3 -1.2 -5 -3.7 4.2 -0.2 -10.1 -11.5 -17.9 -5.5 5.2
1991/1992 -6.8 -16.2 -13.5 -6.9 -18.3 -26 -10.3 -22.1 -16.5 0.4 -11.9 -1.5
1992/1993 0.8 0.7 -18 -6.9 -6.6 -9.2 -8.7 -8.8 -18.5 -7.3 -14.4 -6.5
1993/1994 -13 -7 -13 0.4 0.7 -2.1 0.3 -10 -19.9 -11.6 -9.4 -10.1
1994/1995 -15.7 -16.2 -13.5 -7.3 -13.1 -5.8 -3.3 2.8 -14.4 -8.6 -2.2 -16.7
1995/1996 1.2 3.4 -0.6 1.7 -7.8 7.7 0.6 5.2 5.3 1.7 10.5 4
1996/1997 4.8 6.9 5.2 -0.1 7.3 3.5 14 -7 -14.3 -19 -24.3 6.6
1997/1998 -18 -14.1 -16.7 -13.9 -10.8 -22.9 -22.2 -26.1 -22.4 -0.3 8.2 -9
1998/1999 9.7 12.1 11.2 13.2 11.7 14.7 7.1 7.6 16.8 0.9 -0.5 12.8
1999/2000 3.3 0.2 9.5 11.6 12.4 3.2 13 7.6 15.4 6 -6.5 4.4
2000/2001 4.5 10.1 11.6 20.7 7.7 7.4 12 4.9 1.4 -9.9 2.4 -4
2001/2002 -8.3 1.7 -3 9 -11.2 2.5 7.1 -5.6 -3.4 -13.8 -6.8 -3.3
2002/2003 -14.3 -7.3 -7.6 -4.1 -13.4 -2 -9.3 -6.6 -5.9 -5 -13.2 -7.1
2003/2004 -1.2 -1.6 -2.9 -2.4 9 -12.8 9 0.9 -16.2 13 -13.9 3.2
2004/2005 -6.7 -3.2 -3 -7.7 -10.1 1.2 -29.5 -1.3 -10.8 -11.7 0.5 -6.4
Lampiran 3 Data anomali awal musim hujan daerah wilayah hujan di Indramayu
Tahun WH1 WH2 WH3 WH4 WH5/6 Onset data An_Onset
65/66 - - - 37 - 37.00 4.00
66/67 - - - 30 - 30.00 -3.00
67/68 - - - 31 - 31.00 -2.00
68/69 - - - 31 - 31.00 -2.00
69/70 37 - - 36 - 36.50 3.50
70/71 38 - - 31 37 35.33 2.33
71/72 30 - 38 32 31 32.75 -0.25
72/73 34 - 34 33 34 33.75 0.75
73/74 34 - 35 32 31 33.00 0.00
74/75 29 - 32 28 28 29.25 -3.75
75/76 30 - 33 30 34 31.75 -1.25
76/77 32 - 33 32 33 32.50 -0.50
77/78 34 - 34 33 34 33.75 0.75
78/79 36 37 36 32 36 35.40 2.40
79/80 35 36 36 32 31 34.00 1.00
80/81 35 35 33 30 29 32.40 -0.60
81/82 32 32 32 32 31 31.80 -1.20
82/83 37 36 36 36 36 36.20 3.20
83/84 31 36 37 32 30 33.20 0.20
84/85 33 33 34 30 33 32.60 -0.40
85/86 29 34 36 29 33 32.20 -0.80
86/87 31 35 31 31 31 31.80 -1.20
87/88 33 35 33 33 33 33.40 0.40
88/89 32 32 32 32 32 32.00 -1.00
89/90 33 33 34 33 32 33.00 0.00
90/91 35 34 36 34 34 34.60 1.60
91/92 31 34 31 33 32 32.20 -0.80
92/93 34 33 34 33 32 33.20 0.20
93/94 33 33 32 33 33 32.80 -0.20
94/95 34 36 37 34 34 35.00 2.00
95/96 30 33 32 32 32 31.80 -1.20
96/97 30 34 - 30 30 31.00 -2.00
97/98 35 35 - 35 34 34.75 1.75
98/99 31 30 30 30 30 30.20 -2.80
99/00 32 32 30 32 30 31.20 -1.80
00/01 30 37 30 32 32 32.20 -0.80
01/02 31 32 31 30 31 31.00 -2.00
02/03 34 - - 35 36 35.00 2.00
03/04 31 32 34 35 35 33.40 0.40
04/05 33 35 - 35 33 34.00 1.00
05/06 33 34 - 33 33 33.25 0.25
Lampiran 4 Hasil analisis korelasi sederhana data SOI, anomali onset dengan panjang musim hujan wilayah hujan rataan
No Bulan R
1 Agustus 0.4476
2 Sepetember 0.4483
3 Oktober 0.3854
4 November 0.3228
5 Desember 0.2207
6 Januari 0.181
7 Februari 0.3448
8 Maret 0.3014
9 April 0.2467
10 Mei -0.008
11 Juni 0.1176
Lampiran 5 Hasil prediksi kelompok wilayah hujan I Tahun Observasi Prediksi Galat
1999/2000 16 5.0533 10.9467
2000/2001 15 14.3876 0.6124
2001/2002 16 9.3168 6.6832
2002/2003 12 10.7642 1.2358
2003/2004 14 11.6467 2.3533
2004/2005 10 7.8248 2.1752
2005/2006 17 12.8428 4.1572
2007/2008 12 16.0636 4.0636
2008/2009 9 10.1308 1.1308
Lampiran 6 Hasil prediksi kelompok wilayah hujan II Tahun Observasi Prediksi Galat
1998/1999 11 9.7316 1.2684
1999/2000 13 6.1788 6.8212
2000/2001 11 11.3428 0.3428
2001/2002 16 10.2139 5.7861
2003/2004 13 11.5862 1.4138
2004/2005 8 5.0684 2.9316
2005/2006 13 11.4849 1.5151
2007/2008 9 8.6245 0.3755
2008/2009 12 4.1736 7.8264
Lampiran 7 Hasil prediksi kelompok wilayah hujan III Tahun Observasi Prediksi Galat
1991/1992 12 0.773 11.227
1992/1993 8 3.2508 4.7492
1993/1994 14 3.4691 10.5309
1994/1995 10 0.8798 9.1202
1995/1996 10 15.9258 5.9258
1998/1999 12 12.6049 0.6049
1999/2000 11 3.3217 7.6783
2000/2001 13 6.0688 6.9312
2001/2002 13 8.3012 4.6988
Lampiran 8 Hasil prediksi kelompok wilayah hujan IV Tahun Observasi Prediksi Galat
1995/1996 14 17.7349 3.7349
1996/1997 12 15.1183 3.1183
1997/1998 13 7.9658 5.0342
1998/1999 18 11.4104 6.5896
1999/2000 18 14.145 3.855
2000/2001 16 19.279 3.279
2001/2002 18 15.5731 2.4269
2002/2003 7 7.2212 0.2212
2003/2004 11 4.6843 6.3157
2004/2005 9 2.601 6.399
2005/2006 11 20.8809 9.8809
2007/2008 9 6.1187 2.8813
2008/2009 11 13.1175 2.1175
Lampiran 9 Hasil prediksi kelompok wilayah hujan V Tahun Observasi Prediksi Galat
2000/2001 16 12.2117 3.7883
2001/2002 17 14.8571 2.1429
2002/2003 6 3.4885 2.5115
2003/2004 11 17.1308 6.1308
2004/2005 15 13.584 1.416
2005/2006 17 17.3425 0.3425
2006/2007 13 17.6564 4.6564
2007/2008 9 0.6433 8.3567
2008/2009 13 16.1804 3.1804
Lampiran 10 Hasil prediksi kelompok wilayah hujan rataan Tahun Observasi Prediksi Galat
1995/1996 13.60 14.9409 1.3409 1996/1997 12.25 14.7715 2.5215 1997/1998 11.25 10.324 0.926 1998/1999 13.00 14.6178 1.6178 1999/2000 13.80 10.9366 2.8634 2000/2001 14.20 15.6958 1.4958
2001/2002 16.00 9.989 6.011
