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
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).
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
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
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.
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
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
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
10 Grafik nilai prediksi dan aktual kelompok percobaan 2 hari ke depan ... 6
11 Grafik nilai prediksi dan aktual kelompok percobaan 3 hari ke depan ... 6
12 Grafik nilai prediksi dan aktual kelompok percobaan 4 hari ke depan ... 7
13 Grafik nilai prediksi dan aktual kelompok percobaan 5 hari ke depan ... 7
14 Grafik nilai prediksi dan aktual kelompok percobaan 6 hari ke depan ... 7
15 Grafik nilai prediksi dan aktual kelompok percobaan 7 hari ke depan ... 7
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... 52 Hasil kinerja ERNN untuk semua kelompok percobaan ... 8
3 Hasil kinerja ERNN vs ARIMA ... 8
DAFTAR LAMPIRAN
Halaman 1 Langkah-langkah Elman Backpropagation (BP) ... 122 Turunan fungsi aktivasi ... 14
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
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
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.
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
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
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.
Gambar 11 Grafik nilai prediksi dan aktual kelompok percobaan 3 hari ke depan
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
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
dan testing menggunakan data masukan 10 dengan lag 4 hari antara data masukan dan target. Grafik pada Gambar 13 merupakan grafik pendugaan terbaik yang didapatkan pada kelompok percobaan ini. MAPE yang dihasilkan adalah 2,39% dengan RMSE sebesar 0,80.
Gambar 13 Grafik nilai prediksi dan aktual kelompok percobaan 5 hari ke depan
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
Gambar 14 Grafik nilai prediksi dan aktual kelompok percobaan 6 hari ke depan
Pada kelompok percobaan ketujuh, data suhu udara untuk prediksi 7 hari ke depan. Data dibagi menjadi dua bagian, training
dan testing menggunakan data masukan 10 dengan lag 6 hari antara data masukan dan target. Grafik pada Gambar 15 merupakan grafik pendugaan terbaik yang didapatkan pada kelompok percobaan ini. MAPE yang dihasilkan adalah 2,5% dengan RMSE sebesar 0,83.
Gambar 15 Grafik nilai prediksi dan aktual kelompok percobaan 7 hari ke depan
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
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
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.
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.
11
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
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
14 Lampiran 2 Turunan fungsi aktivasi
Fungsi Aktivasi Sigmoid Biner
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