Penggunaan Elman Recurrent Neural Network dalam Peramalan Suhu Udara sebagai Faktor yang Mempengaruhi Kebakaran Hutan

(1)

PENGGUNAAN ELMAN RECURRENT NEURAL NETWORK DALAM

PERAMALAN SUHU UDARA SEBAGAI FAKTOR YANG

MEMPENGARUHI KEBAKARAN HUTAN

ANA MAULIDA

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

(2)

ABSTRACT

ANA MAULIDA. Utilization of Elman Recurrent Neural Network to Forecast Air Temperature as Forest Fire Factor. Supervised by HARI AGUNG ADRIANTO.

Recent forest and land wildfires in Indonesia not only cause to the ecosystem lost but also economical lost as well as health and polution effect. On the other hand, fire weather is concerned to be an important aspects for fire occurrences. Fire weather directly affects fuel temperature, which accelerating its easiness to be burnt. Thus, it is important to clarify the effects of air temperature to forest fire incidence. A statistical analysis and forecasting for air temperature is used to predict the future air temperature condition.

In this research we use Elman Recurrent Neural Network (ERNN) to predict the temperature for a few days ahead, then the result of this prediction will be compared by using ARIMA (Ramdani, 2011). In this research we use the air temperature data of 2001- 2004 which implemented using MATLAB. The best result in this research is one day ahead prediction with RMSE 0.51 and MAPE 1.55%. ERNN gave the better performance with MAPE (ERNN) 1.55% and MAPE (ARIMA) 3.11% (Ramdani, 2011).

(3)

PENGGUNAAN ELMAN RECURRENT NEURAL NETWORK DALAM

PERAMALAN SUHU UDARA SEBAGAI FAKTOR YANG

MEMPENGARUHI KEBAKARAN HUTAN

ANA MAULIDA

Skripsi

Sebagai salah satu syarat memperoleh gelar Sarjana Komputer Pada Fakultas Matematika dan Ilmu Pengetahuan Alam

Institut Pertanian Bogor

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

(4)

(5)

Judul : Penggunaan Elman Recurrent Neural Network dalam Peramalan Suhu Udara sebagai Faktor yang Mempengaruhi Kebakaran Hutan

Nama : Ana Maulida

NIM : G64070129

Menyetujui:

Pembimbing

Hari Agung Adrianto, S.Kom, M.Si NIP. 19760917 200501 1 001

Mengatahui:

Ketua Departemen Ilmu Komputer Institut Pertanian Bogor

Dr. Ir. Sri Nurdiati, M.Sc. NIP 19601126 198601 2 001

(6)

RIWAYAT HIDUP

Penulis dilahirkan di Meunasah Kepula, Aceh pada tanggal 24 September 1990, dari bapak Fadhli dan ibu Nuridah. Penulis adalah anak kedua dari empat bersaudara.

Pada tahun 2004 Penulis studi di MA Jeumala Amal hingga tahun 2007. Pada tahun yang sama penulis berkesempatan untuk melanjutkan studi di Institut Pertanian Bogor (IPB) melalui jalur Beasiswa Utusan Daerah (BUD) yang diselenggarakan oleh Kementrian Agama (KEMENAG) melalui seleksi Program Beasiswa Santri Berprestasi (PBSB). Penulis memilih Program Studi Ilmu Komputer, Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam.

(7)

vi

PRAKATA

Puji syukur senantiasa Penulis panjatkan kehadirat Allah SWT yang telah melimpahkan rahmat dan karunia-Nya sehingga Penulis dapat menyelesaikan skripsi berjudul “Penggunaan Elman Recurrent Neural Network dalam Peramalan Suhu Udara sebagai Faktor yang Mempengaruhi Kebakaran Hutan” sebagai syarat untuk memperoleh gelar Sarjana Komputer pada Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.

Dalam menyelesaikan skripsi ini, banyak pihak yang selalu memberikan dukungan dan bantuannya kepada Penulis, oleh sebab itu Penulis ingin menyampaikan rasa terima kasih kepada:

1. Bapak dan Mama tercinta, atas semua do’a, kasih sayang, pengertian dan cinta yang tiada batas. Kakakku Lia Nanda Safitri, adik-adikku, Khairul Munzir dan Azkia Rahmah serta seluruh keluarga besar yang telah memberi perhatian penuh selama Penulis menjalani hidup di Bogor.

2. Kementrian Agama (KEMENAG) dan seluruh jajarannya yang telah memberikan beasiswa kepada Penulis selama studi di IPB.

3. Bapak Hari Agung Adrianto, S.Kom, M.Si, selaku dosen pembimbing yang selalu memberikan bimbingan dan saran selama penyelesaian skripsi.

4. Bapak Aziz Kustiyo, S.Si, M.Kom dan Ibu Annisa, S.Kom, M.Kom selaku dosen penguji atas

kesediaannya menguji pada waktu sidang.

5. Muhamad Arif Fauzi atas semua diskusi, bahasan, pendapat, saran, kritik, semangat, kesabaran, kasih sayang, dan perhatian. Terima kasih untuk selalu disini, untuk selalu percaya dan untuk semuanya.

6. Arif, Fadli, Romi, Erna dan Hendra, rekan-rekan satu bimbingan Penulis.

7. Ade, Chandra, Mukhlis, Jilly atas semua saran dan masukan yang membantu Penulis untuk menyelesaikan penelitian ini.

8. Windy Widowati, Nur Nisa,Dimpi, Anti, dan teman-teman seperjuangan Ilmu Komputer angkatan 44 yang banyak membantu Penulis baik dalam masa penulisan tugas akhir dan masa perkuliahan empat tahun terakhir.

9. Departemen Ilmu Komputer, para staf, dan dosen yang telah banyak membantu Penulis pada masa perkuliahan dan penelitian.

10.Dan semua pihak yang telah membantu Penulis dalam menyelesaikan masa perkuliahan selama di Ilmu Komouter IPB.

Semoga tulisan ini dapat bermanfaat dan dapat terus dikembangkan di masa mendatang.

Bogor, November 2011

(8)

vii

DAFTAR ISI

Halaman

DAFTAR GAMBAR ...viii

DAFTAR TABEL ...viii

DAFTAR LAMPIRAN ...viii

PENDAHULUAN Latar Belakang ... 1

Tujuan ... 1

Ruang Lingkup ... 1

TINJAUAN PUSTAKA Kebakaran Hutan ... 1

Suhu Udara ... 2

Artificial Neural Network (ANN) ... 2

Recurrent Neural Network (RNN) ... 2

Elman Recurrent Neural Network (ERNN) ... 2

Fungsi Aktivasi ... 3

Ketepatan Pendugaan ... 4

METODE PENELITIAN Kerangka Penelitian ... 4

Studi Literatur ... 4

Pengambilan Data ... 4

Pemilihan Data ... 5

Proses pada ERNN ... 5

Perbandingan Kinerja ERNN dengan ARIMA ... 5

Analisis dan Evaluasi ... 5

HASIL DAN PEMBAHASAN Pola Input Data ERNN ... 5

Perbandingan Kinerja ERNN vs ARIMA ... 8

SIMPULAN DAN SARAN SIMPULAN ... 9

SARAN ... 9

DAFTAR PUSTAKA ... 9

(9)

viii

DAFTAR GAMBAR

Halaman

1 Segitiga api ... 2

2 Struktur konseptual dari jaringan Elman ... 3

3 Diagram alur pada proses ERNN ... 3

4 Grafik fungsi sigmoid biner (kiri) dan sigmoid bipolar (kanan) ... 3

5 Grafik fungsi identitas (purelin) ... 4

6 Diagram alur proses peramalan suhu udara dengan ERNN ... 4

7 Ilustrasi contoh pola input untuk target 1 hari ... 5

8 Ilustrasi contoh pola input untuk target 2 hari ... 5

9 Grafik nilai prediksi dan aktual kelompok percobaan 1 hari ke depan ... 6

16 RMSE intuk semua kelompok percobaan ... 8

17 MAPE intuk semua kelompok percobaan ... 8

18 Hasil kinerja ERNN vs ARIMA ... 9

DAFTAR TABEL

Halaman 1 Struktur ERNN yang digunakan... 5

2 Hasil kinerja ERNN untuk semua kelompok percobaan ... 8

3 Hasil kinerja ERNN vs ARIMA ... 8

DAFTAR LAMPIRAN

Halaman 1 Langkah-langkah Elman Backpropagation (BP) ... 12

2 Turunan fungsi aktivasi ... 14

(10)

1

PENDAHULUAN

Latar Belakang

Hutan memiliki peran penting dalam mempertahankan lingkungan hidup manusia. Hutan juga merupakan sumber daya alam yang memberikan manfaat besar bagi

kesejahteraan manusia. Menurut

(Rahmawati 2004) hutan memiliki beberapa manfaat di antaranya adalah sebagai produksi, hidrologi, ilmu pengetahuan alam, wisata dan budaya. Melihat pentingnya manfaat dan peranan hutan tersebut maka diperlukan usaha perlindungan agar hutan tetap terjaga kelestariannya. Namun dalam mengelola hutan, pihak pengelola tidak akan lepas dari masalah gangguan keamanan pada hutan. Pada hutan tanaman industri, selain gangguan hama penyakit dan pencurian,

kebakaran hutan merupakan masalah

terbesar bagi pengelola hutan.

Kebakaran hutan yang sering terjadi

sebagian besar tidak hanya merusak

lingkungan alam dan keseimbangan ekologi, tetapi juga mengancam keamanan nyawa dan harta manusia. Kebakaran hutan di Indonesia memiliki perhatian yang cukup besar, baik nasional maupun internasional

karena Indonesia merupakan pusat

biodiversity (keanekaragaman makhluk hidup).

Untuk mengontrol kebakaran hutan kita

perlu memahami perilaku kebakaran

tersebut. Salah satu caranya dengan

menemukan pola tak terduga yang

tersembunyi dalam suatu database

kebakaran hutan. Salah satu hal yang dapat dilakukan adalah melakukan peramalan

kebakaran hutan untuk mengontrol

kebakaran hutan.

Terdapat beberapa variabel yang sering digunakan dalam pencegahan kebakaran hutan, di antaranya adalah curah hujan, suhu udara, kelembaban udara, intensitas cahaya matahari, dan kecepatan angin (cuaca kebakaran). Variabel tersebut diperoleh dari stasiun klimatologi hasil observasi lapangan yang diambil secara berurutan berdasarkan interval harian. Menurut Young dan Giesse dalam (Thoha 2010), suhu merupakan faktor cuaca penting yang dapat menyebabkan terjadinya kebakaran hutan dan suhu udara juga secara konstan merupakan faktor yang berpengaruh pada suhu bahan bakar dan kemudahan bahan bakar untuk terbakar. Oleh karena itu pemahaman terhadap pola

suhu udara akan membantu memprediksi kebakaran hutan.

Salah satu metode analisis statistik yang telah dilakukan adalah peramalan suhu udara menggunakan pemodelan ARIMA (Ramdani 2011). Pada peramalan time series selain menggunakan pemodelan ARIMA, menurut (Subanar dan Sulandari) Elman Recurrent Neural Network (ERNN) adalah salah satu model Neural Network (NN) yang optimal untuk prediksi time series. Dengan demikian dalam penelitian ini akan menggunakan ERNN untuk memprediksi suhu udara di masa mendatang. Hasil prediksi suhu udara tersebut diharapkan dapat digunakan sebagai salah satu parameter dalam prediksi kejadian kebakaran hutan.

Tujuan

Tujuan yang hendak dicapai dari penelitian ini adalah:

1. Memprediksi suhu udara menggunakan ERNN.

2. Menentukan berapa hari ke depan yang baik sebagai prediksi menggunakan ERNN.

3. Membandingkan hasil prediksi time

series menggunakan ERNNdengan hasil prediksi menggunakan metode ARIMA (Ramdani 2011).

Ruang Lingkup

Penelitian dibuat dengan batasan sebagai berikut:

1. Implementasi dalam mengolah data time series menggunakan MATLAB.

2. Menggunakan data suhu udara tahun 2000-2004.

3. Peramalan data time series dengan menggunakan ERNN, yaitu dengan hanya menggunakan satu variabel (suhu

udara). Penelitian ini merupakan

penelitian pendahuluan untuk

menentukan pola yang tepat untuk

peramalan suhu udara. Karenanya

penelitian ini belum mencakup hubungan antara suhu udara dengan prediksi kebakaran hutan.

TINJAUAN PUSTAKA

Kebakaran Hutan

(11)

2 hutan dan panas, ditandai dengan adanya

cahaya, panas dan asap. Proses ini menyebar dengan bebas dan mengonsumsi bahan bakar alam yang terdapat di hutan seperti serasah, rumput, humus, ranting-ranting, kayu mati, tiang, gulma, semak, dedaunan dan pepohonan segar lainnya (Brown dan Davis 1973).

Proses kebakaran hutan merupakan kebalikan dari proses fotosintesis (Brown dan Davis 1973) :

Proses fotosintesis,

CO2+H2O+energi matahari C6H12O6+O2

Proses pembakaran,

C6H12O6+O2+sumber panas CO2+H2O

+energi panas

Proses kebakaran hanya dapat terjadi apabila terdapat tiga unsur yang saling mendukung, yakni bahan bakar, oksigen dan sumber panas yang disebut dengan segitiga api (Clar dan Chatten 1945). Ilustrasi ketiga unsur tersebut dapat dilihat pada Gambar 1.

Gambar 1 Segitiga api (Clar dan Chatten 1945)

Suhu Udara

Suhu rata-rata harian di daerah tropika termasuk Indonesia relatif konstan sepanjang tahun (Handoko 1993), sedangkan suhu udara akan berfluktuatif dengan nyata setiap periode 24 jam. Fluktuatif ini berkaitan erat dengan proses pertukaran energi yang berlangsung di atmosfer. Menurut Young dan Giesse dalam (Thoha 2010), suhu udara merupakan faktor cuaca penting yang dapat menyebabkan terjadinya kebakaran hutan dan suhu udara juga secara konstan merupakan faktor yang berpengaruh pada suhu bahan bakar dan kemudahan bahan bakar untuk terbakar.

Dasarian

Dasarian adalah satuan waktu

meteorologi, yang lamanya adalah sepuluh hari. Satuan dasarian biasa dipakai dalam analisis cuaca dan dalam metode perkiraan

cuaca. Dalam satu tahun kalender terbagi ke dalam 36 dasarian (BMG 2008 dalam Yunus 2009).

Artificial Neural Network (ANN)

Artificial neural network atau biasa disebut neural network adalah sistem pemrosesan informasi yang memunyai karakteristik mirip dengan jaringan saraf biologi. Neural network telah dikembangkan sebagai generalisasi model matematik dari

neuron biologis manusia, yang berbasis pada asumsi sebagai berikut (Siang 2005):

1. Pemrosesan informasi terjadi pada

banyak elemen sederhana yang disebut

neuron.

2. Sinyal diberikan antara neuron melalui penghubung-penghubung.

3. Penghubung antar neuron memiliki

bobot yang akan memperkuat atau memperlemah sinyal.

4. Setiap neuron menerapkan fungsi

aktivasi terhadap jumlah sinyal masukan

terbobot untuk menentukan sinyal

keluarannya.

Neural network dikarakteristikkan dengan (Siang 2005):

1. Pola hubungan antar neuron (arsitektur). 2. Metode untuk menentukan bobot untuk

penghubung (pembelajaran atau

algoritme). 3. Fungsi aktivasi.

Beberapa arsitektur jaringan yang sering dipakai dalam jaringan saraf tiruan antara lain (Siang 2005):

1. Jaringan lapisan tunggal (single layer network)

2. Jaringan lapisan jamak (multilayer network)

3. Jaringan Recurrent

Recurrent Neural Network (RNN)

Recurrent Neural Network mempunyai struktur dan algoritme pelatihan yang lebih

kompleks dibandingkan Feedforward

Neural Network (Xiaolin Hu dan Balasubramaniam 2008). Pada RNN,

output dari network digunakan kembali sebagai input dengan mengirimkan kembali sebagai input network.

Elman Recurrent Neural Network (ERNN)

Elman recurrent neural network adalah jaringan yang kuat untuk mengekstraksi fitur informatif yang berkaitan dengan sistem

Bahan Bakar

Oksigen

API

(12)

3 dinamis pada lapisan tersembunyi (Elman

1990).

Perbedaan utama yang terdapat pada struktur ini adalah masukan jaringan tidak hanya nilai masukan dari luar jaringan tetapi ditambah dengan nilai keluaran dari neuron

tersembunyi dari propagasi sebelumnya seperti pada Gambar 2. Himpunan neuron

yang menerima umpan balik nilai ini disebut juga lapisan status atau layer konteks.

Gambar 2 Struktur konseptual dari jaringan Elman

Jaringan Elman terdiri atas N lapisan tersembunyi. Lapisan pertama memiliki bobot-bobot yang diperoleh dari lapisan input. Seperti halnya jaringan saraf yang lain, setiap lapisan akan menerima bobot dari lapisan sebelumnya. Semua lapisan kecuali lapisan terakhir memiliki satu bobot

recurrent, semua lapisan memiliki bias (Kusumadewi 2004).

Pada tiap langkahnya, masukan

disebarkan dengan cara standar feedforward

lalu dilakukan pembelajaran menggunakan algoritme Elman backpropagation (Gruning 2007), seperti yang terlihat pada Gambar 3. Dasar dari cara ini adalah menggunakan nilai keluaran dari hidden layer, yhidden (t -1) sebagai masukan tambahan. Galat dalam

hidden layer hanya digunakan untuk

memodifikasi bobot untuk masukan

tambahan ini. Adapun algoritma pelatihan ERNN dapat dilihat pada Lampiran 1.

Gambar 3 Diagram alur pada proses ERNN

Fungsi Aktivasi

Beberapa fungsi aktivasi yang sering dipakai adalah:

a. Fungsi Sigmoid

Dalam backpropagation, fungsi aktivasi yang dipakai harus memenuhi beberapa syarat yaitu: kontinu, terdiferensial dengan mudah dan merupakan fungsi yang tidak turun (Siang 2005). fungsi yang memenuhi ketiga syarat tersebut adalah fungsi sigmoid. Terdapat dua buah fungsi sigmoid yaitu

sigmoid biner (logsig) dan sigmoid bipolar

(tansig), namun yang digunakan dalam penelitian ini adalah fungsi sigmoid biner

(logsig). Grafik fungsinya tampak pada Gambar 4.

(13)

4

Sigmoid biner memiliki nilai interval (0,1) dan memiliki bentuk fungsi:

Turunan fungsi dapat dilihat pada Lampiran 2. Sedangkan pada sigmoid bipolar yang bentuk fungsinya mirip dengan fungsi

sigmoid biner, tapi dengan interval (-1,1) dengan turunan fungsi dapat dilihat pada Lampiran 2.

b. Fungsi identitas

Fungsi identitas dipakai apabila kita menginginkan keluaran jaringan berupa sembarang bilangan real (bukan hanya pada interval [0,1] atau [-1,1]). grafik fungsi identitas tampak pada Gambar 5.

Gambar 5 Grafik fungsi identitas (purelin)

Ketepatan Pendugaan

Ketepatan atau keakuratan suatu model regresi dapat dilihat dari Root Mean Square Error (RMSE) dan Mean Absolute Percentage Error (MAPE). Dengan persamaan menurut (Douglas et. al 2008) sebagai berikut:

Semakin kecil nilai MAPE menunjukkan bahwa data hasil prediksi mendekati nilai aktual, sedangkan RMSE menunjukkan seberapa besar simpangan nilai dugaan terhadap nilai aktualnya. Kecocokan model

dikatakan semakin baik jika RMSE

mendekati 0.

dengan :

= nilai aktual pada waktu ke-t

= nilai dugaan pada waktu ke-t

n = jumlah data yang diprediksi

METODE PENELITIAN

Kerangka Penelitian

Penelitian ini dikembangkan dengan metode yang terdiri atas beberapa tahap yaitu seperti yang terdapat pada Gambar 6.

Gambar 6 Diagram alur proses peramalan suhu udara dengan ERNN

Studi Literatur

Studi literatur dilakukan dengan

mempelajari buku-buku baik yang tercetak maupun digital, juga sumber-sumber dari internet yang berkaitan dengan peramalan suhu udara dalam prediksi kebakaran hutan. Mempelajari hasil dari penelitian dari

(Ramdani 2011) “Penggunaan Model

ARIMA dalam Peramalan Suhu Udara untuk Prediksi Kebakaran Hutan di Sekitar Palangkaraya”.

Pengambilan Data

(14)

5 Donis Samad Palangka Raya, 27 meter di

atas permukaan laut.

Variabel-variabel data yang diambil antara lain suhu, curah hujan, kelembaban, tekanan udara, dan angin yang diambil secara berurutan berdasarkan interval hari.

Namun dalam penelitian ini hanya

menggunakan data suhu saja.

Pemilihan Data

Data terdiri atas 1765 record yang terbagi menjadi dua bagian. Pertama, data yang digunakan untuk proses pembelajaran (training) dari tanggal 1 Januari 2000 sampai 30 September 2004. Kedua, data yang digunakan untuk pengujian (testing) yaitu data suhu udara dari tanggal 1 Oktober sampai 31 Oktober 2004.

Proses pada ERNN menggunakan data masukan 10 hari sebelum target (warna hijau) dengan lag 1 hari sebelum target (warna merah) seperti yang terlihat pada Gambar 8, begitu juga untuk prediksi 3, 4, 5, 6, dan 7 hari ke depan.

Gambar 7 Ilustrasi contoh pola input untuk prediksi 1 hari

Gambar 8 Ilustrasi contoh pola input untuk prediksi 2 hari

Satu kelompok data dibagi menjadi data

training dan data testing. Data training di latih terlebih dahulu untuk mendapatkan arsitektur ERNN yang terboboti dan

mensimulasikan data testing dengan

arsitektur ERNN yang sudah terboboti

tersebut untuk mendapatkan nilai

dugaannya.

Parameter yang digunakan pada saat proses penentuan arsitektur ERNN adalah

hidden node 5 dengan laju pembelajaran atau learning rate 0.3, 0.1 dan 0.01 untuk mengetahui kinerja jaringan secara umum dengan toleransi galat yang digunakan

adalah 0,001. Fungsi aktivasi yang

digunakan adalah sigmoid biner (logsig)

pada lapisan tersembunyi dan fungsi identitas (purelin) pada lapisan output.

Struktur ERNN yang digunakan dalam penelitian ini seperti pada Tabel 1.

Tabel 1 Struktur ERNN yang digunakan

Karakteristik Spesifikasi

Arsitektur 1 hidden layer

Hidden Node 5

Fungsi aktivasi

hidden layer logsig

Fungsi aktivasi

output layer purelin

Toleransi galat 0.001

Maksimum epoch 500

Learning rate 0.3, 0.1 dan 0.01

Perbandingan Kinerja ERNN vs ARIMA

Setelah proses pada ERNN selesai sehingga didapatkan hasil prediksinya, selanjutnya akan dibandingkan tingkat keakuratan hasil kinerja ERNN dengan hasil

kinerja ARIMA (Ramdani, 2011)

menggunakan perbandingan MAPE.

Semakin kecil MAPE yang di dapat berarti nilai hasil prediksi semakin mendekati nilai aktualnya dan kinerjanya semakin bagus.

Analisis dan Evaluasi

Setelah proses ERNN dilakukan dan

dibandingkan hasil kinerjanya dengan

ARIMA, selanjutnya adalah menganalisis

dan mengevaluasi kinerja ERNN

berdasarkan parameter dan data yang digunakan.

HASIL DAN PEMBAHASAN

Pola Input Data ERNN

(15)

6 parameter yang digunakan. Pada metode

penelitian telah dijelaskan, data diolah ke dalam beberapa kelompok percobaan dan selanjutnya akan dibahas dan diperlihatkan grafik untuk masing-masing percobaan dengan proses kinerja terbaiknya.

Pada kelompok percobaan pertama, data suhu udara untuk prediksi 1 hari ke depan. Data dibagi menjadi dua bagian, training

dan testing menggunakan data masukan 10 tanpa ada lag dengan target. Grafik pada Gambar 9 merupakan grafik pendugaan terbaik yang didapatkan pada kelompok percobaan ini dengan stuktur ERNN terdiri atas jumlah hidden node sebanyak 5 dan

learning rate sebesar 0,3. MAPE yang di hasilkan adalah 1,55% dengan RMSE sebesar 0,51.

Terlihat garis prediksi menempel garis aktual. Namun ada beberapa juga yang nilai prediksinya tidak sama dengan nilai aktual sehingga menghasilkan sisaan yang disebut

error.

Gambar 9 Grafik hasil prediksi dan aktual kelompok percobaan 1 hari ke depan

Pada kelompok percobaan kedua, data suhu udara untuk prediksi 2 hari ke depan. Data dibagi menjadi dua bagian, training

dan testing menggunakan data masukan 10 dengan lag 1 hari antara data masukan dan target. Grafik pada Gambar 10 merupakan grafik pendugaan terbaik yang didapatkan pada kelompok percobaan ini dengan stuktur ERNN terdiri atas jumlah hidden node

sebanyak 5 dan learning rate sebesar 0,3. MAPE yang dihasilkan adalah 1,78% dengan RMSE sebesar 0,60.

Apabila dibandingkan dengan percobaan pertama terlihat terdapat peningkatan MAPE sebesar 0,23 % dan peningkatan RMSE sebesar 0,1. Hal ini menunjukkan bahwa untuk prediksi 1 hari kedepan lebih baik dibandingkan prediksi 2 hari ke depan.

Gambar 10 Grafik nilai prediksi dan aktual kelompok percobaan 2 hari ke depan

Pada kelompok percobaan ketiga, data suhu udara untuk prediksi 3 hari ke depan. Data dibagi menjadi dua bagian, training

dan testing menggunakan data masukan 10 dengan lag 2 hari antara data masukan dan target. Grafik pada Gambar 11 merupakan grafik pendugaan terbaik yang didapatkan pada kelompok percobaan ini. MAPE yang dihasilkan adalah 2,12% dengan RMSE sebesar 0,73.

Arsitektur ERNN yang didapat pada Gambar 11 terdiri atas jumlah hidden node sebanyak 5 dan learning rate sebesar 0,3.

Pada kelompok percobaan keempat, data suhu udara untuk prediksi 4 hari ke depan. Data dibagi menjadi dua bagian, training

(16)

7 Gambar 12 Grafik nilai prediksi dan aktual

kelompok percobaan 4 hari ke depan

Pada kelompok percobaan kelima, data suhu udara untuk prediksi 5 hari ke depan. Data dibagi menjadi dua bagian, training

Arsitektur ERNN yang didapat pada Gambar 13 terdiri atas jumlah hidden node sebanyak 5 dan learning rate sebesar 0,3.

Pada kelompok percobaan keenam, data suhu udara untuk prediksi 6 hari ke depan. Data dibagi menjadi dua bagian, training

dan testing menggunakan data masukan 10 dengan lag 5 hari antara data masukan dan target. Grafik pada Gambar 14 merupakan grafik pendugaan terbaik yang didapatkan pada kelompok percobaan ini. MAPE yang

Pada kelompok percobaan ketujuh, data suhu udara untuk prediksi 7 hari ke depan. Data dibagi menjadi dua bagian, training

Apabila dibandingkan dengan percobaan sebelumnya (percobaan 6) terlihat terdapat penurunan MAPE sebesar 0,09 % dan penurunan RMSE sebesar 0,04. Arsitektur ERNN yang didapat pada Gambar 15 terdiri atas jumlah hidden node sebanyak 5 dan

learning rate sebesar 0,3.

Dari kelompok percobaan 1 sampai 7 hasil kinerja ERNN semakin menurun,

dimana RMSE dan MAPE semakin

meningkat seperti terlihat pada Tabel 2. Semua kelompok percobaan (1 sampai 7) mamberikan hasil pendugaan terbaik pada saat percobaan menggunakan learning rate

0,3 dan hidden node 5. Hal ini dapat disimpulkan bahwa untuk prediksi data time series suhu udara menggunakan ERNN, laju pembelajaran (learning rate) 0,3 lebih baik daripada 0,1 dan 0,01. Namun demikian, untuk kasus lain belum tentu learning rate

(17)

8 Pada kelompok percobaan 7 terjadi

sedikit penurunan RMSE dan MAPE seperti yang terlihat pada Gambar 16 dan Gambar 17. Untuk hasil keseluruhan kelompok percobaan dapat dilihat pada Lampiran 3.

Tabel 2 Hasil kinerja ERNN untuk semua kelompok percobaan

Kel_percobaan RMSE MAPE

1 0,5059 1,55%

Gambar 16 MAPE untuk semua kelompok percobaan

Gambar 17 RMSE untuk semua kelompok percobaan

Perbandingan Kinerja ERNN vs ARIMA

Penelitian menggunakan model ARIMA untuk prediksi suhu udara telah dilakukan oleh (Ramdani 2011) yang menyimpulkan bahwa model AR(5) merupakan model yang baik digunakan untuk peramalan suhu udara perhari (1 hari ke depan) karena memiliki

nilai MAPE 3,11%. Penelitian ini

menggunakan ERNN untuk prediksi 1 hari ke depan menggunakan parameter hidden node 5 dan LR 0,3 memberikan hasil yang

lebih bagus yaitu memiliki MAPE 1,55 %. Maka dapat disimpulkan bahwa kinerja ERNN (1,55%) lebih bagus dibandingkan dengan kinerja ARIMA (3,11%) seperti yang terlihat pada Tabel 3 dan Gambar 18.

Tabel 3 Hasil kinerja ERNN vs ARIMA

(18)

9 Gambar 18 Perbandingan hasil kinerja

ERNN vs ARIMA

SIMPULAN DAN SARAN

SIMPULAN

Dari hasil analisis data yang telah dilakukan dapat diambil kesimpulan:

1. Elman recurrent neural network mampu meramalkan suhu udara, namun dengan data yang cukup. Karena apabila data pelatihan tidak cukup, ERNN tidak dapat mempelajari hubungan antara variabel

input-output dengan baik.

2. ERNN bagus untuk memprediksi 1 hari

ke depan menggunakan parameter

hidden node 5 dan LR 0,3 dengan RMSE 0,51 dan MAPE 1,55%.

3. Tingkat keakuratan ERNN (1,55%)

dalam memprediksi suhu udara lebih

bagus dibandingkan dengan model

ARIMA (3,11%) (Ramdani 2011) untuk data time series suhu udara.

SARAN

Penelitian ini adalah penelitian

pendahuluan mengenai penggunaan ERNN untuk prediksi suhu udara. Untuk itu diperlukan penelitian lanjutan sebagai berikut:

1. Penelitian lanjutan validasi model dengan data kejadian kebakaran hutan untuk memperlihatkan hubungan antara suhu udara dengan prediksi kebakaran hutan.

2. Penelitian lanjutan penerapan ERNN untuk faktor-faktor cuaca lain yang mempengaruhi kebakaran hutan, yaitu kelembaban udara, curah hujan, arah angin, intensitas cahaya matahari dan lain-lain.

3. Penelitian lanjutan disarankan untuk pembagian data training dan data testing

berdasarkan musim atau iklim.

DAFTAR PUSTAKA

Brown AA, Davis P. 1973. Forest Fire Control and Use. Mc Graw-Hill Books Company: 658.

Clar CD, Chatten LR. 1954. Principles of Forest Fire Management Departemen of Natural Resources Division of Forestry. California: 200.

Douglas CM, Cheryl LJ, Murat K. 2008.

Introduction to time series analysis and forcasting. John Wiley & Sons.

Elman JL. 1990 Finding Structure in Time. Cognitive Science 14: 179-211.

Gruning A. 2007. Elman Backpropagation as Reinforcement for Simple Recurrent Network. Neural Computation.

Handoko. 1993. Klimatologi Dasar:

Landasan Pemahaman Fisika Atmosfet dan Unsur-Unsur Iklim. Bogor: Pustaka Jaya.

Kusumadewi S. 2004. Membangun Jaringan Saraf Tiruan (Menggunakan MATLAB & Excel Link). Yogyakarta: Graha Ilmu.

Rahmawati. 2004. Hutan: Fungsi dan Perannya Bagi Masyarakat. Fakultas Pertanian Universitas Sumatera Utara.

Ramdani AL. 2011. Penggunaan Model ARIMA dalam Peramalan Suhu Udara untuk Prediksi Kebakaran Hutan di Sekitar Palangkaraya [skripsi]. Bogor: Departemen Ilmu Komputer FMIPA, IPB.

Siang JJ. 2005. Jaringan Saraf Tiruan &

Pemogramannya Menggunakan

MATLAB. Yogyakarta: ANDI.

Subanar, Sulandari W. Neural Network

Model ARIMA untuk Prediksi Data Finansial. Fakultas MIPA Universitas Gajah Mada.

(19)

10

Xiaolin H, Balasubramaniam. 2008.

Recurrent Neural Networks. University Library Rijeka, 978-953-7019-08-04.

Yunus SS. 2009. Simulasi Pediksi

Probabilitas Awal Musim Hujan dan Panjang Musim Hujan di Ambon.

(20)

11

(21)

12 Lampiran 1 Langkah-langkah Elman Backpropagation (BP)

Algoritma pelatihan Elman Backpropagation terdiri dari dua tahap, yaitu feed forward dan

backpropagation. Secara umum langkah dalam pelatihan Elman BPsama dengan BP biasa hanya saja dalam elman backpropagation menggunakan nilai keluaran dari hidden layer, yhidden (t-1) sebagai masukan tambahan yang disebut dengan context layer. Galat dalam hidden layer hanya digunakan untuk memodifikasi bobot untuk masukan tambahan ini. Algoritma pembelajaran ini juga juga disebut sebagai algoritma pembelajaran Back Propagation Trough Time (BPTT).

Feed Forward

1. Memberi nilai awal secara random bagi seluruh weight antara input-hidden layer dan

hidden layer-output.

2. Tiap unit input menerima sinyal input dan sinyal tersebut dikirimkan pada seluruh unit hidden layer.

3. Tiap unit hidden layer ditambah dengan input yang dikali dengan bobot dan

dikombinasikan dengan yang dikali dengan bobot dijumlah

dengan bias .

Fungsi pengaktif neuron yang digunakan digunakan sigmoid polar

4. Tiap unit output ditambah dengan nilai keluaran hidden layer yang dikali bobot dan dijumlah dengan bias bagian hidden layer . Untuk mendapatkan keluaran, maka

dihitung dalam fungsi pengaktif menjadi .

Elman BackPropagation

5. Tiap unit output menerima pola target sesuai dengan pola masukan saat pelatihan dan dihitung nilai error-nya dan diperbaiki nilai bobot-nya.

Perhitungan Error dalam turunan Fungsi Pengaktif

Menghitung perbaikan bobot

(22)

13 Dan menggunakan nilai pada semua unit lapisan sebelunya.

6. Tiap bobot yang menghubungkan unit output dengan unit hidden layer dikali dan dijumlahkan sebagai masukan unit berikutnya.

Selanjutnya dikalikan dengan turunan dari fungsi aktivasi untuk menghitung galat.

Kemudian menghitung perbaikan bobot

Menghitung parbaikan kolerasi

7. Tiap unit output diperbaiki bobot dan biasnya.

Tiap unit hidden layer diperbaiki bobot dan biasnya.

8. Tiap output dibandingkan dengan target yang diinginkan, untuk memperoleh error ( ) Keseluruhan

9. Uji kondisi pemberhentian (akhir iterasi)

Ket :

: input dari i = 1, . . . , n

: pola keluaran target dari pelatihan

: hasil copy dari hidden layer waktu ke t-1

: bobot dari input layer ke hidden layer

:bobot dari layer konteks ke hidden layer

:bobot dari hidden layer ke output layer

: konstanta laju pembelajaran (learning rate)

: Total galat

(23)

14 Lampiran 2 Turunan fungsi aktivasi

Fungsi Aktivasi Sigmoid Biner

(24)

15 Lampiran 3 Hasil prediksi semua kelompok percobaan

Tanggal Aktual Prediksi

1 2 3 4 5 6 7

1 26,3 26,68 27,17 27,01 27,01 26,91 26,87 27,50

2 27,4 26,89 27,32 27,28 27,17 27,05 27,04 27,08

3 27,3 27,05 26,49 26,87 26,86 27,04 26,96 26,48

4 26,5 27,09 27,17 26,79 27,02 27,03 26,84 27,35

5 27,1 27,01 27,44 27,06 27,28 27,04 26,88 27,05

6 27 26,67 27,01 27,10 27,06 27,13 26,91 26,31

7 26,3 26,79 26,91 26,99 27,05 27,03 27,02 26,77

8 27 27,12 26,89 26,87 27,10 26,92 26,90 26,97

9 28,1 27,28 27,35 27,01 27,26 27,04 26,85 27,45

10 28 27,50 27,37 27,04 27,16 27,09 27,00 26,87

11 27,9 27,47 26,99 26,89 26,69 27,03 26,96 26,59

12 27,6 26,82 27,42 27,14 27,04 27,02 26,89 27,42

13 27,4 26,73 27,32 27,45 27,55 27,07 26,93 26,96

14 27,3 27,13 26,79 27,34 27,27 27,01 26,95 26,51

15 27,1 27,59 27,28 27,29 27,25 26,85 26,94 27,40

16 26,8 27,84 27,72 27,38 27,27 27,00 26,97 27,60

17 27,3 28,06 27,47 27,23 26,82 27,17 27,01 27,00

18 28,3 28,18 27,50 26,99 26,76 27,21 27,00 26,99

19 27,4 27,83 27,81 26,90 27,15 27,23 26,94 26,82

20 28,2 27,89 27,65 26,98 27,20 27,23 26,92 26,68

21 26,8 26,83 27,60 27,17 27,19 27,11 26,99 26,84

22 28,7 27,68 27,36 27,30 27,50 26,99 27,05 27,22

23 27,8 27,40 27,25 27,23 27,22 26,95 27,04 27,62

24 27,9 28,26 27,73 27,26 27,38 26,86 26,98 28,14

25 27,8 27,79 27,72 27,46 26,97 27,10 27,05 28,11

26 28,2 28,03 27,67 27,40 27,06 27,02 27,01 27,21

27 28,2 28,02 27,54 27,34 27,15 27,25 27,03 27,64

28 27,7 28,27 27,85 27,23 27,25 27,02 26,95 26,79

29 29 28,45 27,89 27,39 27,29 27,21 26,96 27,70

30 28,3 28,21 28,20 27,49 27,22 27,09 27,11 26,89