PREDIKSI CUACA EKSTRIM DENGAN MODEL JARINGAN
SYARAF TIRUAN MENGGUNAKAN PROGRAM MATLAB
TESIS
Oleh
YENI MEGALINA
087026006/FIS
PROGRAM STUDI MAGISTER (S2) ILMU FISIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA
PREDIKSI CUACA EKSTRIM DENGAN MODEL JARINGAN
SYARAF TIRUAN MENGGUNAKAN PROGRAM MATLAB
TESIS
Untuk Memperoleh Gelar Magister Sains Dalam Program Studi Magister (S2) Ilmu Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam
Universitas Sumatera Utara
Oleh
YENI MEGALINA
087026006/FIS
PROGRAM STUDI MAGISTER (S2) ILMU FISIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
ALAM
UNIVERSITAS SUMATERA UTARA
MEDAN
PENGESAHAN TESIS
Judul Tesis
:
PREDIKSI CUACA EKSTRIM
DENGAN MODEL JARINGAN
SYARAF TIRUAN
MENGGUNAKAN PROGRAM
MATLAB
Nama Mahasiswa
:
YENI MEGALINA
Nomor Induk Mahasiswa
:
08 70 26 006
Program Studi
:
FISIKA
Menyetujui
Komisi Pembimbing
(Prof. Dr. Muhammad Zarlis, M.Sc) (Drs. Nasir Saleh,
M.Eng.Sc)
Ketua
Anggota
(Prof. Dr. Eddy Marlianto, M.Sc) (Prof. Dr. Eddy Marlianto,
M.Sc)
PERNYATAAN ORISINALITAS
PREDIKSI CUACA EKSTRIM DENGAN MODEL JARINGAN
SYARAF TIRUAN MENGGUNAKAN PROGRAM MATLAB
TESIS
Dengan ini saya menyatakan bahwa saya mengakui semua karya tesis ini adalah hasil kerja saya sendiri kecuali kutipan dan ringkasan yang tiap satuannya di jelaskan sumbernya dengan benar.
Medan, Mei 2010
PERNYATAAN PERSETUJUAN PUBLIKASI
KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS
Sebagai sivitas akademika Universitas Sumatera Utara, saya yang bertandatangan dibawah ini:
Nama : Yeni Megalina
NIM : 087026006
Program Studi : Magister Ilmu Fisika Jenis Karya Ilmiah : Tesis
Demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada Universitas Sumatera Utara Hak Bebas Royalti Non-Eksklusif (Non Excelusive
Royalty Free Right) atas Tesis saya yang berjudul :
PREDIKSI CUACA EKSTRIM DENGAN MODEL JARINGAN
SYARAF TIRUAN MENGGUNAKAN PROGRAM MATLAB
Beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti Non-Eksklusif ini, Universitas Sumatera Utara berhak menyimpan, mengalih media, memformat, mengelola dalam bentuk data-base, merawat dan mempublikasikan Tesis saya tanpa meminta izin saya selama mencantumkan nama saya sebagai penulis dan pemegang dan atau sebagai pemilik hak cipta
Demikian pernyataan ini dibuat dengan sebenarnya.
Medan, Mei 2010
Telah diujikan pada Tanggal : 20 Mei 2010
PANITIA PENGUJI TESIS
Ketua : Prof. Dr. Eddy Marlianto, M.Sc Anggota : 1. Prof. Dr. Muhammad Zarlis, M.Sc
RIWAYAT HIDUP
DATA PRIBADI
Nama Lengkap berikut Gelar : Yeni Megalina,SPd
Tempat dan Tanggal Lahir : P. Brandan, 21 Agustus 1984
Alamat Rumah : Jln. Eka Surya Gg. Eka Dewi No.41 Medan
Instansi Tempat Bekerja : SMA Panca Budi
Alamat Kantor : Jl. Gatot Subroto Medan
Telepon/Faks : 085262181460
E-mail : yenimegalina@yahoo.com
DATA PENDIDIKAN
SD : SD AL-AZHAR MEDAN Tamat : 1996
SMP : SMP AL-AZHAR MEDAN Tamat : 1999
SMA : SMA AL-AZHAR MEDAN Tamat : 2002
Strata-1 : FMIPA Universitas Negeri Medan Tamat : 2007
Pendidikan Fisika
Strata-2 : Program Studi Magister Ilmu Fisika Tamat : 2010
Universitas Sumatera Utara
Puji syukur kehadiran Tuhan Yang Maha Esa kami panjatkan karena berkat
keyakinan, kesehatan dan kesempatan yang telah diberikan-Nya membuat tesis ini
dapat diselesaikan.
Dengan selesainya tesis ini, kami mengucapkan terima kasih
sebesar-besarnya kepada:
Bapak Rektor Universitas Sumatera Utara, yang telah memberikan
kesempatan kepada kami untuk mengikuti dan menyelesaikan pendidikan
Program Magister Sains.
Bapak Prof. Dr. Eddy Marlianto, M.Sc, sebagai Dekan Fakultas
Matematika dan Ilmu Pengetahuan Alam dan sebagai Ketua Program Studi
Magister Ilmu Fisika, Drs. Nasir Saleh, M. Eng,Sc, Sekretaris Program
Studi Magister Ilmu Fisika beserta seluruh Staf Pengajar pada Program Studi
Magister Ilmu Fisika Universitas Sumatera Utara.
Terima kasih yang tak terhingga dan penghargaan yang setinggi-tingginya
saya ucapkan kepada Bapak Prof. Dr. Muhammad Zarlis, M.Sc, selaku
Pembimbing Utama yang dengan penuh perhatian dan telah memberikan
dorongan dan bimbingan, demikian juga kepada Bapak Drs. Nasir Saleh, M.Eng,
Sc, selaku Pembimbing Lapangan yang dengan penuh kesabaran menuntun dan
membimbing kami serta Kepala dan Staf Badan Meteorologi, Klimatologi dan
Geofisika Stasiun Klimatologi Klas I Sampali Medan atas bimbingan dan
Kepada Ayahanda Mark Yunan Sirhan, Ibunda Roslina Daulay, Abangku
Taufani Yunlinardo, SE, Adikku Reza Prima Kurniawan dan Annisa Yunlinanda,
Nenek, Bujing-bujingku dan Tulang-tulangku serta seluruh keluargaku tersayang
yang memberikan semangat dan dorongan bagi saya dalam menyelesaikan
pendidikan pada Program Studi Magister Ilmu Fisika Universitas Sumatera Utara.
Kawan-kawan Program Studi Magister Ilmu Fisika Univesitas Sumatera
Utara angkatan 2008 khususnya Mulkan Iskandar Nasution, S.Si, Ika Darsila
Warni Situmorang, S.Pd, Fazli Mirwan, S.Pd, Hendri Irwandi, Zainuddin, S.Si
yang telah memberikan bantuan dan dorongan kepada kami. Pegawai
Administrasi Program Studi Magister Ilmu Fisika USU Medan khususnya Pak
Mulkan, Bang Dodi dan Bang Zul yang telah memperlancar administrasi selama
penulis menempuh pendidikan, dan berbagai pihak yang banyak membantu kami
yang tidak bisa disebutkan satu persatu.
Dengan segala kerendahan hati, tulisan ini masih mempunyai kekurangnya,
namun penulis berharap dapat memberikan manfaat sebagai bahan referensi dan
untuk keperluan pengembangan ilmu pengetahuan.
Medan, Mei
2010
PREDIKSI CUACA EKSTRIM DENGAN MODEL JARINGAN
SYARAF TIRUAN MENGGUNAKAN PROGRAM MATLAB
ABSTRAK
Kota Medan merupakan kota metropolitan dengan jumlah kepadatan penduduk yang cukup tinggi. Pada saat memasuki masa pancaroba wilayah Kota Medan memiliki kondisi cuaca yang tidak stabil yang disebut dengan cuaca ekstrim. Cuaca ekstrim sangat sulit untuk di prediksi dengan kemajuan teknologi dan kemajuan ilmu pengetahuan kita dapat melakukan pendekatan-pendekatan empiris. Salah satu model yang lagi di kembangkan adalah Jaringan Syaraf Tiruan. Model ini dapat memprediksi suatu kondisi dimasa yang akan datang dengan mempelajari historis data yang sudah terjadi. Dari hasil analisis dua daerah yang mewakili Kota Medan yaitu Stasiun Polonia yang mewakili daerah perkotaan dan Stasiun Belawan yang mewakili daerah pinggiran kota dan daerah kawasan industri serta pemukiman dimana dari hasil analisis prediksi Jaringan Syaraf Tiruan dalam kurun waktu 5 tahun kedepan potensi terjadi kondisi ekstrim cenderung meningkat, sehingga dampak dari aktifitas tersebut perlu kita antisipasi dan waspadai. Diharapkan hasil penelitian ini dapat memberikan suatu gambaran mengenai potensi terjadinya cuaca ekstrim di wilayah Kota Medan.
Kata Kunci : Cuaca Ekstrim, Jaringan Syaraf Tiruan, Prediksi
EXTREME
WEATHER
PREDICTION
MODEL
WITH
NEURAL
NETWORK
USING
MATLAB
PROGRAMS
ABSTRACT
Medan City is a metropolitan city with a total population density is quite high. On entering the transition area of the city of Medan has a weather condition called unstable extreme weather. Extreme weather is very difficult to predict with technological advances and scientific progress we can make empirical approaches. One of the more developed model is neural networks. This model can predict a future condition by studying historical data is already happening. From the analysis of two regions which represent the Stations of Medan Polonia, representing urban and Belawan stations that represent the suburbs and industrial areas and residential areas where the results of predictive analysis of neural networks within the next 5 years the potential occurs under extreme conditions tend to increase , so that the impact of those activities we need to anticipate and be aware. Hope this research will provide an overview of the potential occurrence of extreme weather in the area of Medan.
Key words : Extreme Weather, Neural Network, Predict
Halaman
KATA PENGANTAR ... ..i
ABSTRAK ... iii
ABSTRACT……… …iv DAFTAR ISI ... v
DAFTAR TABEL ... vii
DAFTAR GAMBAR ... viii
DAFTAR LAMPIRAN... ix
BAB I PENDAHULUAN ... 1
1.1. Latar Belakang ... 1
1.2. Perumusan Masalah ... 3
1.3. Batasan Masalah ... 4
1.4. Tujuan Penelitian ... 4
1.5. Manfaat Penelitian ... 4
BAB II TINJAUAN PUSTAKA ... 6
2.1. Cuaca Ekstrim ... 6
2.1.1. Angin... 7
2.1.1.1. FaktorTerjadinyaAngin... 7
2.1.1.2. Jenis-jenis Angin... 8
2.1.1.3. Alat Ukur Angin ... 9
2.1.2. Curah Hujan ... 10
2.1.2.1. Pengertian Hujan... 10
2.1.2.2. Jenis-jenis Hujan Berdasarkan Terjadinya... 11
2.1.2.3. Jenis-jenis Hujan Berdasarkan Ukuran Butirnya .... 12
2.1.2.4. Jenis Hujan Berdasarkan Besaran Curahnya ... 12
2.1.3. Suhu Udara... 13
2.1.3.1. Definisi Suhu ... 13
2.1.3.2. Dasar Pengukuran Suhu Udara...13
2.1.3.3. Skala Suhu ... 14
2.1.3.4. Variasi Harian Suhu Permukaan ... 14
2.1.4. Kelembaban Udara... 15
2.2. Jaringan Syaraf Tiruan ... 16
2.2.1. Komponen JST... 22
2.2.2. Arsitektur JST ... 23
2.2.3. Fungsi Aktivasi ... 24
2.2.4. Proses Pembelajaran ... 29
2.3. Matlab. ... 33
2.3.1. Pengertian Matlab ... 33
2.3.2. Perbedaan Matlab dengan Sofware Lain ... 34
2.3.4. Perkembangan Matlab ... 36
2.3. Normalisasi Data... 37
BAB III METODOLOGI PENELITIAN... 38
3.1. Tempat Penelitian ... ... 38
3.2. Alat dan Bahan... 38
3.3. Rancangan Umum Penelitian... 38
3.4. Variabel yang diamati ... 39
3.5. Data... ... 39
3.5.1. Data Input Stasiun Polonia... 39
3.5.2. Data Target Stasiun Polonia... 40
3.5.3. Data Uji Stasiun Polonia ... 40
3.5.4. Data Input Stasiun Belawan... 40
3.5.5. Data Target Stasiun Belawan... 40
3.5.6. Data Uji Stasiun Belawan ... 41
BAB IV ANALISIS DAN PEMBAHASAN...42
4.1. Analisis Data Pengamatan ... 42
4.1.1. Analisis Data Input Stasiun Polonia ... 42
4.1.2. Analisis Data Target Stasiun Polonia... 43
4.1.3. Analisis Data Input Stasiun Belawan... 45
4.1.4. Analisis Data Target Stasiun Belawan... 46
4.2. Analisis Jaringan Syaraf Tiruan... 48
4.2.1. Prediksi Suhu Udara Maksimum Polonia ... 48
4.2.2. Prediksi Curah Hujan Maksimum Polonia ... 49
4.2.3. Prediksi Kecepatan Angin Maksimum Polonia ... 50
4.2.4. Prediksi Suhu Udara Maksimum Belawan ... 51
4.2.5. Prediksi Curah Hujan Maksimum Belawan... 52
4.2.6. Prediksi Kecepatan Angin Maksimum Belawan ... 53
4.3. Analisis Prediksi Cuaca Ekstrim... 54
BAB V KESIMPULAN DAN SARAN... 55
5.1 Kesimpulan ... 55
5.2 Saran ... 55
DAFTAR PUSTAKA... 57
Nomor Judul Halaman
Tabel 2.1 Perbedaan Pemograman JST dan Pemograman Tradisional... 20
Nomor Judul Halaman
Gambar 2.1 Alat pengukuran arah dan kecepatan angin ... 10
Gambar 2.2 Alat pengukuran curah hujan ... 11
Gambar 2.3 Termometer pengukur suhu udara ... 14
Gambar 2.4 Higrometer pengukur kelembaban udara... 16
Gambar 2.5 Sistematik Tipikal Neuron ... 19
Gambar 2.6 Neuron Buatan Mc Culloch-Pit Sebagai Operator Matematis... 21
Gambar 2.7a Struktur JST ... 22
Gambar 2.7b Arsitektur sistem berbasis JST... 22
Gambar 4.1 Rata-rata Suhu Udara Jam 13.00 wib Polonia ... 42
Gambar 4.2 Rata-rata Kelembaban Udara Jam 13.00 wib Polonia ... 43
Gambar 4.3 Rata-rata Suhu Udara Maksimum Polonia... 44
Gambar 4.4 Rata-rata Curah Hujan Maksimum Polonia ... 44
Gambar 4.5 Rata-rata Kecepatan Angin Maksimum Polonia... 45
Gambar 4.6 Rata-rata Suhu Udara Jam 13.00 wib Belawan ... 45
Gambar 4.7 Rata-rata Kelembaban Udara Jam 13.00 wib Belawan... 46
Gambar 4.8 Rata-rata Suhu Udara Maksimum Belawan... 47
Gambar 4.9 Rata-rata Curah Hujan Maksimum Belawan ... 47
Gambar 4.10 Rata-rata Kecepatan Angin Maksimum Belawan... 48
Gambar 4.11 Prediksi JST untuk Suhu Udara Maksimum di Polonia... 49
Gambar 4.12 Prediksi JST untuk Curah Hujan Maksimum di Polonia ... 50
Gambar 4.13 Prediksi JST untuk Kecepatan Angin Maksimum di Polonia... 51
Gambar 4.14 Prediksi JST untuk Suhu Udara Maksimum di Belawan... 52
Gambar 4.15 Prediksi JST untuk Curah Hujan Maksimum di Belawan ... 53
Gambar 4.16 Prediksi JST untuk Kecepatan Angin Maksimum di Belawan ... 55
Nomor Judul Halaman
Lampiran A Tabel Normalisasi Data Input Stasiun Polonia ... 59
Lampiran B Tabel Normalisasi Data Target 1 Stasiun Polonia ... 60
Lampiran C Tabel Normalisasi Data Target 2 Stasiun Polonia ... 61
Lampiran D Tabel Normalisasi Data Target 3 Stasiun Polonia ... 62
Lampiran E Tabel Normalisasi Data Uji Stasiun Polonia ... 63
Lampiran F Tabel Normalisasi Data Input Stasiun Belawan ... 64
Lampiran G Tabel Normalisasi Data Target 1 Stasiun Belawan ... 65
Lampiran H Tabel Normalisasi Data Target 2 Stasiun Belawan ... 66
Lampiran I Tabel Normalisasi Data Target 3 Stasiun Belawan ... 67
Lampiran J Tabel Normalisasi Data Uji Stasiun Belawan... 68
Lampiran K Analisis Prediksi Suhu Udara Maksimum Polonia ... 69
Lampiran L Analisis Prediksi Curah Hujan Maksimum Polonia ... 70
Lampiran M Analisis Prediksi Kecepatan Angin Maksimum Polonia ... 71
Lampiran O Analisis Prediksi Suhu Udara Maksimum Belawan ... 72
Lampiran P Analisis Prediksi Curah Hujan Maksimum Belawan ... 73
Lampiran Q Analisis Prediksi Kecepatan Angin Maksimum Belawan ... 74
Lampiran R.a Trend Prediksi JST Suhu Udara Maksimum Polonia ... 75
Lampiran R.b Trend Prediksi JST Curah Hujan Maksimum Polonia ... 75
Lampiran R.c Trend Prediksi JST Kecepatan Angin Maksimum Polonia ... 76
Lampiran R.d Trend Prediksi JST Suhu Udara Maksimum Belawan ... 76
Lampiran R.e Trend Prediksi JST Curah Hujan Maksimum Belawan ... 77
Lampiran R.f Trend Prediksi JST Kecepatan Angin Maksimum Belawan ... 77
Lampiran S Aplikasi Jaringan Syaraf Tiruan ... 78
Lampiran T Proses Pembelajaran Jaringan Syaraf Tiruan ... 82
PREDIKSI CUACA EKSTRIM DENGAN MODEL JARINGAN
SYARAF TIRUAN MENGGUNAKAN PROGRAM MATLAB
ABSTRAK
Kota Medan merupakan kota metropolitan dengan jumlah kepadatan penduduk yang cukup tinggi. Pada saat memasuki masa pancaroba wilayah Kota Medan memiliki kondisi cuaca yang tidak stabil yang disebut dengan cuaca ekstrim. Cuaca ekstrim sangat sulit untuk di prediksi dengan kemajuan teknologi dan kemajuan ilmu pengetahuan kita dapat melakukan pendekatan-pendekatan empiris. Salah satu model yang lagi di kembangkan adalah Jaringan Syaraf Tiruan. Model ini dapat memprediksi suatu kondisi dimasa yang akan datang dengan mempelajari historis data yang sudah terjadi. Dari hasil analisis dua daerah yang mewakili Kota Medan yaitu Stasiun Polonia yang mewakili daerah perkotaan dan Stasiun Belawan yang mewakili daerah pinggiran kota dan daerah kawasan industri serta pemukiman dimana dari hasil analisis prediksi Jaringan Syaraf Tiruan dalam kurun waktu 5 tahun kedepan potensi terjadi kondisi ekstrim cenderung meningkat, sehingga dampak dari aktifitas tersebut perlu kita antisipasi dan waspadai. Diharapkan hasil penelitian ini dapat memberikan suatu gambaran mengenai potensi terjadinya cuaca ekstrim di wilayah Kota Medan.
Kata Kunci : Cuaca Ekstrim, Jaringan Syaraf Tiruan, Prediksi
EXTREME
WEATHER
PREDICTION
MODEL
WITH
NEURAL
NETWORK
USING
MATLAB
PROGRAMS
ABSTRACT
Medan City is a metropolitan city with a total population density is quite high. On entering the transition area of the city of Medan has a weather condition called unstable extreme weather. Extreme weather is very difficult to predict with technological advances and scientific progress we can make empirical approaches. One of the more developed model is neural networks. This model can predict a future condition by studying historical data is already happening. From the analysis of two regions which represent the Stations of Medan Polonia, representing urban and Belawan stations that represent the suburbs and industrial areas and residential areas where the results of predictive analysis of neural networks within the next 5 years the potential occurs under extreme conditions tend to increase , so that the impact of those activities we need to anticipate and be aware. Hope this research will provide an overview of the potential occurrence of extreme weather in the area of Medan.
Key words : Extreme Weather, Neural Network, Predict
BAB I
PENDAHULUAN
1.1. Latar Belakang
Kota Medan merupakan salah satu kota yang terdapat di Provinsi Sumatera
Utara yang mana secara geografis terletak pada 2˚27’00”- 2˚47’00” Lintang Utara
dan 98˚35’00”- 98˚44’00” Bujur Timur dengan ketinggian 37,5 m dari permukaan
laut dengan luas wilayah 265,10 km2.
Wilayah Kota Medan pada saat memasuki masa pancaroba akan mengalami masa
transisi dari Musim Kemarau ke Musim Hujan umumnya memiliki kondisi cuaca
yang tidak stabil. Pola-pola cuaca yang menyimpang atau yang biasa di sebut
dengan ekstrim belakangan ini sangat sering terjadi dan frekuensinya cenderung
bertambah. Cuaca ekstrim yang biasa terjadi antara lain : Angin kencang, suhu
udara yang tinggi dengan periodenya yang singkat kadang-kadang disertai
dengan angin puting beliung dan curah hujan dengan intensitas tinggi yang dapat
mengakibatkan terjadinya banjir dan longsor. Cuaca ekstrim dapat mengancam
manusia dan mengakibatkan kerugian harta benda bahkan korban jiwa.
Cuaca ekstrim adalah keadaan atau fenomena kondisi cuaca di atas normal terjadi
di suatu wilayah tertentu berskala jangka pendek, misalnya suhu rata-rata 33° C, kemudian suhu menjadi 33-47° C, curah hujan melebihi 100 mm, angin dengan kecepatan >34 knot. Walaupun Indonesia diuntungkan dengan letaknya yang tepat
di khatulistiwa, ternyata menyimpan potensi bencana yang sangat kompleks.
perlu diantisipasi. Beberapa studi tentang penerapan jaringan syaraf tiruan untuk
peramalan telah dilakukan (Bambang, et. al., 1999), (Pratama, 1999) dan
(Resmana dan Dwi Wiyanto,1997).
Badan Meteorologi, Klimatologi dan Geofisika (BMKG) merupakan lembaga
resmi pemerintah yang bertugas memberikan layanan informasi kepada
masyarakat terkait cuaca dan ekstrim. Itulah sebabnya , BMKG dianggap sebagai
lembaga yang paling unggul dalam memprediksi cuaca ekstrim. tidak
tanggung-tanggung , BMKG didukung oleh 137 stasiun pemantau cuaca yang tersebar di
seluruh Indonesia. Dengan demikian BMKG sangat unggul dengan menyajikan
data hasil pengukuran (groundbased). Informasi prakiraan cuaca selama ini
disampaikan BMKG melalui berbagai media yaitu website, koran, radio, televisi
dan jurnal yang diterbitkan berkala setiap bulan.
Dari tabel informasi cuaca dapat diketahui,BMKG telah menyebarkan informasi
cuaca terkini dari skala waktu harian, mingguan, bulanan. Bahkan adapula analisis
yang ditulis oleh BMKG mengenai prakiraan awal musim serta berbagai
fenomena cuaca ekstrim seperti fenomena El Nino, La Nina dan MJO. Informasi
liputan awan juga diberikan BMKG melalui satelit GMS. Tapi, semua model
prediksi yang diberikan BMKG merupakan model statistik. BMKG masih belum
banyak bereksperimen dengan model numeric atau model dinamik.
Dengan menggunakan model prediksi cuaca secara tepat, akan memiliki skenario
perubahan cuaca selama tiga puluh tahun ke depan atau hingga beratus-ratus
tahun ke depan. Banyak model prediksi cuaca dikembangkan di Indonesia . Tapi
khatulistiwa yang sangat dinamis seperti Indonesia. Akibatnya model prediksi
memiliki banyak sekali kelemahan dan kurang menggambarkan kondisi
sebenarnya dari atmosfer Indonesia.
Berdasarkan uraian diatas maka penulis tertarik untuk melakukan penelitian
dengan Judul “ PREDIKSI CUACA EKSTRIM DENGAN MODEL
JARINGAN SYARAF TIRUAN MENGGUNAKAN PROGRAM
MATLAB”.
1.2. Rumusan Masalah
Kejadian cuaca ekstrim sangat sulit untuk diprediksi atau diprakirakan
sehingga hanya dapat dianalisis setelah kejadian itu terjadi. Dengan semakin
majunya ilmu pengetahuan dan teknologi dari berbagai disiplin ilmu sehingga
kejadian cuaca eksrim dapat di prediksi dengan melakukan
pendekatan-pendekatan empiris salah satunya dengan Model Jaringan Syaraf Tiruan disebut
kecerdasan buatan. Diharapkan hasil prediksi dengan model ini dapat memberikan
informasi yang berguna sehingga dampak yang ditimbulkan oleh cuaca ekstrim
tersebut dapat di antisipasi lebih awal.
Sejauh mana keakuratan hasil prediksi jaringan syaraf tiruan dalam memprediksi
cuaca ekstrim di Kota Medan, sehingga model ini dapat kita gunakan sebagai
acuan dalam melakukan prediksi dan dapat diterapkan dan dikembangkan untuk
1.3. Batasan Masalah
Batasan masalah dalam penelitian yang dilakukan:
1. Wilayah studi meliputi kota Medan dan sekitarnya.
2. Model yang digunakan adalah Jaringan Syaraf Tiruan dengan metode
pembelajaran propagasi balik memakai fungsi aktivasi sigmoid bipolar
tangen.
3. Menggunakan program Matlab R2007
4. Menggunakan data Stasiun Meteorologi Polonia dan Stasiun Maritim
Belawan selama 22 tahun.
1.4. Tujuan Penelitian
Tujuan penelitian yang akan dilakukan antara lain:
1. Mengetahui pola-pola cuaca ekstrim yang terjadi di Kota Medan
dengan mengumpulkan data dukung, berupa data-data kejadian ekstrim
yang pernah terjadi.
2. Melakukan prediksi kejadian ekstrim dengan Model Jaringa Syaraf
Tiruan atau lebih dikenal dengan kecerdasan buatan.
3. Menerapkan Model Jaringan Syaraf Tiruan dalam aplikasinya untuk
melakukan pengenalan pola dan melakukan suatu prediksi.
1.5. Manfaat Penelitian
Manfaat Penelitian yang akan dilakukan antara lain:
1. Hasil prediksi diharapkan akan menjadi suatu informasi yang berguna
dalam mengantisipasi dampak yang akan ditimbulkan oleh cuaca
2. Sebagai sistem informasi dini dalam penanggulangan cuaca ekstrim.
3. Informasi yang dihasilkan diharapkan dapat mengurangi dampak
BAB II
TINJAUAN PUSTAKA
2.1. Cuaca Ekstrim
Cuaca ekstrim adalah keadaan atau fenomena atmosfer di suatu tempat
pada waktu tertentu dan berskala jangka pendek. Cuaca ekstrim yang biasanya
terjadi diwilayah kita antara lain: suhu udara yang tinggi, angin puting beliung,
intensitas curah hujan yang tinggi, longsor dan kebakaran hutan.
Dampak dari timbulnya cuaca eksrim sangat merugikan sehingga perlu diadakan
kajian atau penelitian yang dapat mengatisipasi datangnya cuaca ekstrim sehingga
bahaya dan bencana yang dapat ditimbulkan dapat diminimalisirkan.
Beberapa peristiwa yang termasuk cuaca ekstrim antara lain:
1. Angin ribut/angin puting beliung adalah angin kencang yang berputar
sehingga dasar awan comulunimbus menyentuh daratan dengan kecepatan
mencapai 175 km/jam namun intensitasnya masih dibawah Tornado.
2. Hujan lebat yang memiliki curah hujan 1 hari > 50 mm.
3. Tinggi gelombang laut yang mencapai > 2m.
4. Tornado adalah kolom udara yang berputar kencang yang membentuk
hubungan antara awan cumulonimbus atau dasar awan cumulus dengan
permukaan tanah. Tornado memiliki kecepatan angin mencapai
177 km/jam.
Perkembangan perkotaan yang pesat akan mendorong terjadinya konversi lahan
dalam skala yang besar, sehingga berakibat pada perubahan lahan vegetasi
menjadi non vegetasi dan perubahan tata ruang. Perubahan tata ruang apabila
tidak direncanakan dengan baik akan sangat berdampak negatif pada makhluk
hidup. Dampak tersebut antara lain terjadinya pencemaran udara, tanah,
perubahan iklim dan menurunnya tingkat kenyamanan kondisi lingkungan
(Tursilowati, et.al. 2006). Dampak yang paling sering dirasakan adalah adanya
peningkatan aktifitas cuaca ekstrim akibat dampak adanya perubahan iklim.
2.1.1. Angin
Angin adalah udara yang bergerak yang diakibatkan oleh rotasi bumi dan
juga karena adanya perbedaan tekanan udara di sekitarnya. Angin bergerak dari
tempat bertekanan udara tinggi ke bertekanan udara rendah. Apabila dipanaskan,
udara memuai. Udara yang telah memuai menjadi lebih ringan sehingga naik.
Apabila hal ini terjadi, tekanan udara turun kerena udaranya berkurang. Udara
dingin di sekitarnya mengalir ke tempat yang bertekanan rendah tadi. Udara
menyusut menjadi lebih berat dan turun ke tanah. Di atas tanah udara menjadi
panas lagi dan naik kembali. Aliran naiknya udara panas dan turunnya udara
dingin ini dinamanakan konveksi.
2.1.1.1. Faktor Terjadinya Angin
Faktor terjadinya angin, yaitu:
1. Gradien barometris : Bilangan yang menunjukkan perbedaan tekanan
udara dari 2 isobar yang jaraknya 111 km. Makin besar gradien
2. Letak tempat : Kecepatan angin di dekat khatulistiwa lebih cepat dari yang
jauh dari garis khatulistiwa.
3. Tinggi tempat : Semakin tinggi tempat, semakin kencang pula angin yang
bertiup, hal ini disebabkan oleh pengaruh gaya gesekan yang menghambat
laju udara. Di permukaan bumi, gunung, pohon, dan topografi yang tidak
rata lainnya memberikan gaya gesekan yang besar. Semakin tinggi suatu
tempat, gaya gesekan ini semakin kecil.
4. Waktu : Di siang hari angin bergerak lebih cepat daripada di malam hari.
2.1.1.2. Jenis-jenis Angin
Jenis-jenis angin antara lain:
1. Angin laut adalah angin yang bertiup dari arah laut ke arah darat yang
umumnya terjadi pada siang hari dari pukul 09.00 sampai dengan pukul
16.00. Angin ini biasa dimanfaatkan para nelayan untuk pulang dari
menangkap ikan di laut.
2. Angin darat adalah angin yang bertiup dari arah darat ke arah laut yang
umumnya terjadi pada saat malam hari dari jam 20.00 sampai dengan jam
06.00. Angin jenis ini bermanfaat bagi para nelayan untuk berangkat
mencari ikan dengan perahu bertenaga angin sederhana.
3. Angin lembah adalah angin yang bertiup dari arah lembah ke arah puncak
gunung yang biasa terjadi pada siang hari.
4. Angin gunung adalah angin yang bertiup dari puncak gunung ke lembah
5. Angin Fohn adalah angin yang terjadi seusai hujan Orografis. angin yang
bertiup pada suatu wilayah dengan temperatur dan kelengasan yang
berbeda. Angin Fohn terjadi karena ada gerakan massa udara yang naik
pegunungan yang tingginya lebih dari 200 meter di satu sisi lalu turun di
sisi lain. Angin Fohn yang jatuh dari puncak gunung bersifat panas dan
kering, karena uap air sudah dibuang pada saat hujan Orografis.
6. Angin Munsoon atau muson adalah angin yang berhembus secara periodik
(minimal 3 bulan) dan antara periode yang satu dengan yang lain polanya
akan berlawanan yang berganti arah secara berlawanan setiap setengah
tahun. Umumnya pada setengah tahun pertama bertiup angin darat yang
kering dan setengah tahun berikutnya bertiup angin laut yang basah.
7. Angin Musim Barat adalah angin yang mengalir dari Benua Asia (musim
dingin) ke Benua Australia (musim panas) dan mengandung curah hujan
yang banyak di Indonesia bagian Barat, hal ini disebabkan karena angin
melewati tempat yang luas, seperti perairan dan samudra. Contoh perairan
dan samudra yang dilewati adalah Laut China Selatan dan Samudra
Hindia. Angin Musim Barat menyebabkan Indonesia mengalami musim
hujan.
8. Angin Musim Timur adalah angin yang mengalir dari Benua Australia
(musim dingin) ke Benua Asia (musim panas) sedikit curah hujan
(kemarau) di Indonesia bagian Timur karena angin melewati celah- celah
sempit dan berbagai gurun (Gibson, Australia Besar, dan Victoria). Ini
bulan Juni, Juli dan Agustus, dan maksimal pada bulan Juli
(…………..2010a).
2.1.1.3. Alat Ukur Angin
Meskipun pada kenyataan angin tidak dapat dilihat bagaimana wujudnya,
namun masih dapat diketahui keberadaannya melalui efek yang ditimbulkan pada
benda – benda yang mendapat hembusan angin. Seperti ketika kita melihat dahan
– dahan pohon bergerak atau bendera yang berkibar kita tahu bahwa ada angin
yang berhembus. Dari mana angin bertiup dan berapa kecepatannya dapat
diketahui dengan menggunakan alat – alat pengukur angin. Alat–alat pengukur
angin tersebut adalah :
a. Anemometer, yaitu alat yang mengukur kecepatan angin.
b. Wind vane, yaitu alat untuk mengetahui arah angin.
c. Windsock, yaitu alat untuk mengetahui arah angin dan memperkirakan
besar kecepatan angin (…………..2010b).
2.1.2. Curah Hujan
2.1.2.1. Pengertiah Hujan
Hujan merupakan satu bentuk presipitasi yang berwujud cairan. Presipitasi
sendiri dapat berwujud padat (misalnya salju dan hujan es) atau aerosol (seperti
embun dan kabut). Hujan terbentuk apabila titik air yang terpisah jatuh ke bumi
dari awan. Tidak semua air hujan sampai ke permukaan bumi karena sebagian
menguap ketika jatuh melalui udara kering. Hujan jenis ini disebut sebagai virga.
Hujan memainkan peranan penting dalam siklus hidrologi. Lembaban dari laut
menguap, berubah menjadi awan, terkumpul menjadi awan mendung, lalu turun
kembali ke bumi, dan akhirnya kembali ke laut melalui sungai dan anak sungai
untuk mengulangi daur ulang itu semula (…………..2010c).
Gambar 2.2. Alat Pengukur Curah Hujan
2.1.2.2. Jenis-jenis Hujan Berdasarkan Terjadinya
a. Hujan siklonal yaitu: hujan yang terjadi karena udara panas yang naik
disertai dengan angin berputar.
b. Hujan zenithal yaitu: hujan yang sering terjadi di daerah sekitar ekuator
Kemudian angin tersebut naik dan membentuk gumpalan-gumpalan awan
di sekitar ekuator yang berakibat awan menjadi jenuh dan turunlah hujan.
c. Hujan orografis yaitu hujan yang terjadi karena angin yang mengandung
uap air yang bergerak horisontal. Angin tersebut naik menuju pegunungan,
suhu udara menjadi dingin sehingga terjadi kondensasi. Terjadilah hujan di
sekitar pegunungan.
d. Hujan frontal yaitu hujan yang terjadi apabila massa udara yang dingin
bertemu dengan massa udara yang panas. Tempat pertemuan antara kedua
massa itu disebut bidang ''front''. Karena lebih berat massa udara dingin
lebih berada di bawah. Di sekitar bidang ''front'' inilah sering terjadi hujan
lebat yang disebut hujan frontal.
e. Hujan muson atau hujan musiman, yaitu hujan yang terjadi karena Angin
Musim (Angin Muson). Penyebab terjadinya Angin Muson adalah karena
adanya pergerakan semu tahunan Matahari antara Garis Balik Utara dan
Garis Balik Selatan. Di Indonesia, hujan muson terjadi bulan Oktober
sampai April. Sementara di kawasan Asia Timur terjadi bulan Mei sampai
Agustus. Siklus muson inilah yang menyebabkan adanya musim penghujan
dan musim kemarau.
2.1.2.3. Jenis Hujan berdasarkan Ukuran Butirnya
a. Hujan gerimis / drizzle, diameter butirannya kurang dari 0,5 mm.
b. Hujan salju, terdiri dari kristal-kristal es yang suhunya berada dibawah 0°
c. Hujan batu es, curahan batu es yang turun dalam cuaca panas dari awan
yang suhunya dibawah 0° Celsius.
d. Hujan deras / rain, curahan air yang turun dari awan dengan suhu diatas 0°
Celsius dengan diameter ±7 mm.
2.1.2.4. Jenis Hujan berdasarkan Besarnya Curah Hujan
a. Hujan sedang, 20 - 50 mm per hari.
b. Hujan lebat, 50-100 mm per hari.
c. Hujan sangat lebat, di atas 100 mm per hari (…………..2010c).
2.1.3. Suhu udara
2.1.3.1. Definisi Suhu
Suhu udara adalah ukuran energi kinetik rata – rata dari pergerakan
molekul – molekul. Suhu suatu benda ialah keadaan yang menentukan
kemampuan benda tersebut, untuk memindahkan (transfer) panas ke benda –
benda lain atau menerima panas dari benda – benda lain tersebut. Dalam sistem
dua benda, benda yang kehilangan panas dikatakan benda yang bersuhu lebih
rendah.
2.1.3.2.Dasar pengukuran suhu
Alat pengukur suhu disebut termometer. Termometer dibuat dengan
mendasarkan sifat – sifat fisik dari suatu zat (bahan), misalnya pengembangan
benda padat, benda cair, gas dan juga sifat merubahnya tahanan listrik terhadap
suhu. Alat yang digunakan untuk mengukur suhu – suhu yang tinggi disebut
yang panas dan tidak perlu menempelkan alat tersebut pada benda yang diukur
suhunya. Suhu tidak berdimensi sehingga untuk mengukur derajat suhu, pertama –
tama ditentukan 2 titik tertentu yang disesuaikan dengan suatu sifat fisik suatu
benda tertentu. Kemudian diantara dua buah titik yang telah di tentukan tersebut
di bagi – bagi dalam skala – skala, yang menunjukan derajat – derajat suhu. Skala
– skala tersebut merupakan pembagian suhu dan bukan satuan daripada suhu.
[image:32.595.206.453.305.359.2]
Gambar 2.3. Termometer Pengukur Suhu Udara
2.1.3.3. Skala Suhu
Titik es adalah suhu dimana es murni mulai mencair di bawah tekanan dari
luar 1 atmosfer standar (normal) yaitu tekanan yang dapat menahan berat sekolom
air raksa setinggi 76 cm atau 1013,250 mb. Sedangkan yang dimaksud titik uap
adalah suhu dimana air murni mulai mendidih dibawah tekanan dari luar 1
atmosfer standar.
Skala suhu yang biasa digunakan yaitu :
1. Skala Celsius, dengan titik es 0°C dan titik uap 100°C dan dibagi menjadi 100
bagian (skala).
2. Skala Fahreinheit, dengan titik es 32°F dan titik uap 212°F, dibagi menjadi
2.1.3.4. Variasi Harian Suhu Permukaan
Selama 24 jam, suhu udara selalu mengalami perubahan – perubahan. Di
atas lautan perubahan suhu berlangsung lebih banyak perlahan – lahan daripada di
atas daratan. Variasi suhu pada permukaan laut kurang dari 1°C, dan dalam
keadaan tenang variasi suhu udara dekat laut hampir sama. Sebaliknya diatas
daerah pedalaman continental dan padang pasir perubahan suhu udara permukaan
antara siang dan malam mencapai 20°C. Sedangkan pada daerah pantai variasinya
tergantung dari arah angin yang bertiup. Variasinya besar bila angin bertiup dari
atas daratan dan sebaliknya.
2.1.4. Kelembaban udara
Kelembaban udara adalah banyaknya kandungan uap air di atmosfer. Udara
atmosfer adalah campuran dari udara kering dan uap air. Beberapa cara untuk
menyatakan jumlah uap air yaitu :
1. Tekanan uap adalah tekanan parsial dari uap air. Dalam fase gas maka uap
air di dalam atmosfer seperti gas sempurna (ideal).
2. Kelembaban mutlak yaitu massa air yang terkandung dalam satu satuan
volume udara lengas.
3. Nisbah percampuran (mixing ratio) yaitu nisbah massa uap air terhadap
massa udara kering.
4. Kelembaban spesifik didefinisikan sebagai massa uap air persatuan massa
5. Kelembaban nisbi (RH) ialah perbandingan nisbah percampuran dengan
nilai jenuhnya dan dinyatakan dalam %.
6. Suhu virtual.
Besaran yang sering dipakai untuk menyatakan kelembaban udara adalah
kelembaban nisbi yang diukur dengan psikrometer atau higrometer. Kelembaban
nisbi berubah sesuai tempat dan waktu. Pada siang hari kelembaban nisbi
berangsur – angsur turun kemudian pada sore hari sampai menjelang pagi
bertambah besar.
Gambar 2.4. Higrometer Pengukur Kelembaban Udara
2.2. Jaringan Syaraf Tiruan
Jaringan Syaraf Tiruan (JST) adalah model sistem komputasi yang bekerja
seperti sistem syaraf biologis pada saat berhubungan dengan 'dunia luar', nama
jaringan syaraf tiruan merupakan terjemahan dari "Artificial Neural Network".
Terjemahan yang diambil bukan jaringan syaraf buatan seperti dalam
menterjemahkan Artificial Inteligent (AI). Penggunaan kata buatan dapat
Padahal maksud dari JST adalah membuat model sistem komputasi yang dapat
menirukan cara kerja jaringan syaraf biologis.
Salah satu model untuk memprakirakan harga di masa datang dengan memakai
data deret waktu adalah model jaringan syaraf tiruan (JST). Model ini sudah
banyak digunakan diantaranya untuk memprakirakan harga minyak sawit (Salya,
2006), memprakirakan keuntungan saham (Zhang, et al. 2004) dan
memprakirakan kebutuhan energi (McMenamin dan Monforte, 1998).
Model jaringan syaraf tiruan (JST) memiliki karakteristik yang menyerupai
jaringan syaraf biologi dalam memproses informasi (Marimin, 2005). JST dapat
menyimpan pengetahuan pola kejadian di masa lampau melalui proses pelatihan
yang kemudian pengetahuan tersebut digunakan untuk memprakirakan kejadian
yang akan terjadi dimasa akan datang. Tiga hal yang sangat menentukan
keandalan sebuah JST adalah pola rangkaian neuron-neuron dalam jaringan yang
disebut dengan arsitektur jaringan, algoritma untuk menentukan bobot
penghubung yang disebut dengan algoritma pelatihan, dan persamaan fungsi
untuk mengolah masukan yang akan diterima oleh neuron yang disebut dengan
fungsi aktivasi (Fausett, 1994).
Model JST yang digunakan dalam penelitian ini adalah arsitektur feedforward
(umpan maju). Sedangkan konsep belajar yaitu algoritma belajar backpropagation
momentum yang merupakan perkembangan dari algoritma belajar backpropagation standar.
Suatu jaringan syaraf tiruan memproses sejumlah besar informasi secara
Beberapa definisi tentang jaringan saraf tiruan adalah sebagai berikut (Diyah P.,
2006) :
1. Jaringan Syaraf Tiruan adalah suatu struktur pemroses informasi yang
terdistribusi dan bekerja secara paralel, terdiri atas elemen pemroses (yang
memiliki memori lokal dan beroperasi dengan informasi lokal) yang
diinterkoneksi bersama dengan alur sinyal searah yang disebut koneksi.
Setiap elemen pemroses memiliki koneksi keluaran tunggal yang bercabang
(fan out) ke sejumlah koneksi kolateral yang diinginkan (setiap koneksi
membawa sinyal yang sama dari keluaran elemen pemroses tersebut).
Keluaran dari elemen pemroses tersebut dapat merupakan sebarang jenis
persamaan matematis yang diinginkan. Seluruh proses yang berlangsung pada
setiap elemen pemroses harus benar-benar dilakukan secara lokal, yaitu
keluaran hanya bergantung pada nilai masukan pada saat itu yang diperoleh
melalui koneksi dan nilai yang tersimpan dalam memori lokal.
(Hecht-Nielsend, 1988)
2. Haykin, S. (1994), mendefinisikan jaringan saraf sebagai berikut: Sebuah
jaringan syaraf adalah sebuah prosesor yang terdistribusi paralel dan
mempuyai kecenderungan untuk menyimpan pengetahuan yang
didapatkannya dari pengalaman dan membuatnya tetap tersedia untuk
digunakan. Hal ini menyerupai kerja otak dalam dua hal yaitu:
(1). Pengetahuan diperoleh oleh jaringan melalui suatu proses belajar ;
(2). Kekuatan hubungan antar sel saraf yang dikenal dengan bobot sinapsis
3. Zurada, J.M. (1992), mendefinisikan Jaringan Syaraf Tiruan sebagai sistem
saraf tiruan atau jaringan syaraf tiruan adalah sistem selular fisik yang dapat
memperoleh, menyimpan dan menggunakan pengetahuan yang didapatkan
dari pengalaman.
Neuron adalah unit pemroses informasi yang menjadi dasar dalam pengoperasian
Jaringan syaraf tiruan. Neuron terdiri atas tiga elemen pembentuk (Siang, 2005) :
a) Himpunan unit-unit yang dihubungkan dengan jalur koneksi. Jalur-jalur
tersebut memiliki bobot / kekuatan yang berbeda-beda. Bobot yang bernilai
positif akan memperkuat sinyal dan yang bernilai negatif akan memperlemah
sinyal yang dibawanya. Jumlah, Struktur, dan pola hubungan antar unit-unit
tersebut akan menentukan arsitektur jaringan (dan juga model jaringan yang
terbentuk).
b) Suatu unit penjumlah yang akan menjumlahkan input-input sinyal yang sudah
dikalikan dengan bobotnya.
c) Fungsi aktivasi yang akan menentukan apakah sinyal dari input neuron akan
[image:37.595.239.416.574.675.2]diteruskan ke neuron lain ataukah tidak.
Teknologi Jaringan syaraf tiruan memberikan perubahan epistemologis pada
sistem pemrograman dibandingan pemrograman tradisional. Jaringan Syaraf
Tiruan memproses informasi dengan cara yang sangat berbeda dengan cara
konvensional. Perbedaan pemrograman Jaringan Syaraf Tiruan dan cara
konvensional disajikan pada Tabel 2.1
Tabel 2.1. Perbedaan Pemrograman Jaringan Syaraf Tiruan dan Pemrograman Tradisional
Jaringan Syaraf Tiruan Pemrograman Tradisional
Komputasi dilakukan secara paralel dan
terdistribusi dalam unit pemrosesan
data dengan jumlah yang banyak
Komputasi dilakukan secara serial
Informasi terdistribusi dalam
jaring-Jaringan Syaraf Tiruan
Informasi teralokasi dalam tempat
tetentu
disebut teknologi pemroses paralel
terdistribusi (Parallel distributed
processing)
Pemrosesan informasi dalam Jaringan Syaraf Tiruan dapat disingkat
sebagai berikut : Sinyal (baik berupa aksi ataupun potensial) muncul sebagai
masukan unit (sinapsis); efek dari tiap sinyal ini dinyatakan sebagai bentuk
perkalian dengan sebuah nilai bobot untuk mengindikasikan kekuatan dari
sinapsis. Semua sinyal yang diberi pengali bobot ini kemudian dijumlahkan satu
sama lain untuk menghasilkan unit aktivasi. Jika aktivasi ini melampaui sebuah
batas ambang tertentu maka unit tersebut akan memberikan keluaran dalam
dengan sebuah nilai ambang, dan hasilnya dimasukkan kedalam fungsi transfer
(fungsi non-linier) yang akan menghasilkan sebuah keluaran. Secara ringkas
proses tersebut dapat digambarkan dalam gambar 2.6
[image:39.595.212.426.205.324.2]
Gambar 2.6. Neuron buatan McCulloch-Pitts sebagai operator matematis
Aktivasi dari unit masukan diatur dan diteruskan melalui jaring hingga
nilai dari keluaran dapat ditentukan. Jaringan berperan sebagai fungsi vektor yang
mengambil satu vektor pada masukan dan mengeluarkan satu vektor lain pada
keluaran. Model Jaringan Syaraf Tiruan dapat memiliki sebuah lapisan bobot,
dimana masukan dihubungkan langsung dengan keluaran, atau beberapa lapisan
yang didalamnya terdapat beberapa lapisan tersembunyi, karena berada
tersembunyi diantara neuron masukan dan keluaran. Jaringan syaraf
menggunakan unit tersembunyi untuk menghasilkan representasi pola masukan
secara internal didalam jaring syaraf. Fungsi transfer (non-linier) yang digunakan
dalam tiap neuron (baik dilapisan masukan, keluaran, atau lapisan tersembunyi)
dapat berupa fungsi nilai ambang, fungsi linier, fungsi sigmoid, ataupun fungsi
gaussian, tergantung dari karakter neuron sesuai keinginan kita. Hal ini dapat
Sinaptik Lapisan Hidden Input Jaringan Sinaptik Lapisan Output Neuron Lapisan Output Neuron Lapisan Hidden Unit Sensor Output Jaringan Wij neuron i neuron j ΣΦ ΣΦ (a) Neurokontroler Model Inversi (b)
Gambar 2.7. (a) Struktur JST. (b) Arsitektur sistem berbasis jaringan syaraf tiruan.
2.2.1. Komponen Jaringan Syaraf
Terdapat beberapa tipe jaringan syaraf, hampir semuanya memiliki
komponen-komponen yang sama. Seperti halnya otak manusia, jaringan syaraf
juga terdiri atas beberapa neuron dan ada hubungan antar neuron tersebut.
Neuron-neuron tersebut akan mentransformasikan informasi yang diterima
melalui sambungan keluarnya menuju ke neuron-neuron yang lain. Pada jaringan
syaraf, hubungan ini dikenal dengan nama bobot.Informasi tersebut disimpan
pada suatu nilai tertentu pada bobot tersebut.
Isyarat kontrol
Isyarat latih
Setpoint Plant
Neuron ini sebenarnya mirip dengan sel neuron biologis. Neuron-neuron buatan
tersebut bekerja dengan cara yang sama pula dengan neuron biologis. Informasi
(disebut dengan: input) akan dikirim ke neuron dengan bobot kedatangan tertentu.
Input ini akan diproses oleh suatu fungsi perambatan yang akan menjumlahkan
nilai-nilai semua bobot yang datang. Hasil penjumlahan ini kemudian akan
dibandingkan dengan suatu nilai ambang(threshold) tertentu melalui fungsi
aktivasi setiap neuron.
Apabila input tersebut melewati suatu nilai ambang tertentu, maka neuron tersebut
akan diaktifkan, tapi kalau tidak, maka neuron tersebut tidak akan diaktifkan.
Apabila neuron tersebut diaktifkan, maka neuron tersebut akan mengirimkan
output melalui bobot-bobot outputnya kesemua neuron yang berhubungan
dengannnya.
Pada Jaringan syaraf tiruan, neuron-neuron akan dikumpulkan dalam lapisan
(layer) yang disebut dengan lapisan neuron (neuron layer). Neuron-neuron pada
satu lapisan akan dihubungkan dengan lapisan-lapisan sebelum dan sesudahnya
(kecuali lapisan input dan lapisan output). Informasi yang diberikan pada jaringan
syaraf akan dirambatkan lapisan ke lapisan. Mulai dari lapisan input sampai ke
lapisan output melalui lapisan lainnya, yang sering disebut sebagai lapisan
tersembunyi (hidden layer). (Panjaitan, Lanny W., 2007).
2.2.2. Arsitektur Jaringan Syaraf
Arsitektur jaringan yang sederhana adalah jaringan layar tunggal yang
menghubungkan langsung neuron-neuron pada layar input dengan neuron-neuron
layar input, beberapa layar tersembunyi dan layar output. Arsitektur seperti ini
disebut juga jaringan layar jamak (Rumelhart, et al. 1986). Jaringan layar jamak
lebih sering digunakan karena dapat menyelesaikan masalah yang lebih kompleks
dibandingkan jaringan layar tunggal, meskipun proses pelatihannya lebih komplek
dan lebih lama (Haykin, 1999).
Jaringan dengan lapisan tunggal hanya memiliki satu lapisan dengan bobot-bobot
terhubung. Jaringan ini hanya menerima input kemudian secara langsung akan
mengolahnya menjadi output tanpa harus melalui lapisan tersembunyi.
Jaringan dengan banyak lapisan memiliki 1 atau lebih lapisan yang terletak
diantara lapisan input dan lapisan output (memiliki 1 atau lebih lapisan
tersembunyi). Umumnya, ada lapisan bobot-bobot yang terletak antara 2 lapisan
yang bersebelahan. Jaringan dengan banyak lapisan ini dapat menyelesaikan
permasalahan yang lebih sulit daripada jaringan dengan lapisan tunggal, tentu saja
dengan pembelajaran yang lebih rumit. Namun demikian, pada banyak kasus,
pembelajaran pada jaringan dengan banyak lapisan ini lebih sukses dalam
menyelesaikan masalah.
2.2.3. Fungsi Aktivasi
Ada beberapa fungsi aktivasi yang sering digunakan dalam jaringan
syaraf tiruan, antara lain (Suyanto,2008):
a. Fungsi Undak Biner (Hard Limit)
Jaringan dengan lapisan tunggal sering menggunakan fungsi undak (step
function) untuk mengkonversikan input dari suatu variabel yang bernilai
Fungsi undak biner (hard limit) dirumuskan sebagai : ⎩ ⎨ ⎧ > ≤ = 0 x jika 1, 0 x jika 0, y
b. Fungsi undak biner (Threshold)
Fungsi undak biner dengan menggunakan nilai ambang sering juga disebut
dengan fungsi nilai ambang (Threshold) atau fungsi Heaviside.
Fungsi undak biner (dengan nilai ambang θ) dirumuskan sebagai
⎩ ⎨ ⎧ ≥ < = θθ x jika 1, x jika 0, y
c. Fungsi Bipolar (Symetric Hard Limit)
Fungsi bipolar sebenarnya hampir sama dengan fungsi undak biner, hanya saja
Fungsi Symetric Hard Limit dirumuskan sebagai : ⎪⎩ ⎪ ⎨ ⎧ < − = > = 0 x jika 1, 0 x jika 0, 0 x jika 1, y
d. Fungsi Bipolar (dengan threshold)
Fungsi bipolar sebenarnya hampir sama dengan fungsi undak biner dengan
threshold. Hanya saja keluaran yang dihaslkan berupa 1, 0, atau -1.
Fungsi bipolar (dengan nilai ambang θ) dirumuskan sebagai
⎩ ⎨ ⎧ < − ≥ = θ θ x jika 1, x jika , y 1
e. Fungsi Linear (Identitas)
Fungsi linear memiliki nilai output yang sama dengan nilai inputnya. Fungsi
y = x
f. Fungsi Saturating Linear
Fungsi ini akan bernilai 0 jika inputnya kurang dari – ½, dan akan bernilai 1
jika inputnya lebih dari ½. Sedangkan jika nilai input terletak antara -1/2 dan
½, maka outputnya akan bernilai sama dengan nilai input ditambah ½
Fungsi saturating linear dirumuskan sebagai :
g. Fungsi Symetric Saturating Linear
Fungsi ini akan bernilai -1 jika inputnya kurang dari -1, dan akan bernilai 1
jika inputnya lebih dari 1. Sedangkan jika nilai input terletak antara -1 dan 1,
maka outputnya akan bernilai sama dengan nilai inputnya.
Fungsi symetric saturating linear dirumuskan sebagai :
⎪⎩ ⎪ ⎨ ⎧ ≤ − ≤ ≤ − ≥ = 1 ; 1 1 1 ; 1 ; 1 jikaX x jika x jikaX y
h. Fungsi Sigmoid Biner
Fungsi ini digunakan untuk jaringan syaraf yang dilatih dengan menggunakan
metode backpropagation. Fungsi sigmoid biner memiliki nilai pada range 0
sampai 1. Oleh karena itu, fungsi ini sering digunakan untuk jaringan syaraf
yang membutuhkan nilai output yang terletak pada interval 0 sampai 1.
Namun, fungsi ini bisa juga digunakan oleh jaringan syaraf yang nilai
outputnya 0 atau 1.
Fungsi sigmoid biner dirumuskan sebagai :
e x
x f
y −σ
+ = = 1 1 ) (
i. Fungsi Sigmoid Bipolar
Fungsi sigmoid bipolar hampir sama dengan fungsi sigmoid biner, hanya saja
output dari fungsi ini memiliki range antara 1 sampai -1
Fungsi sigmoid bipolar dirumuskan sebagai :
x x e e x f y − − + − = = 1 1 ) (
Dengan :
[
1 ( )][
1 ( ) 2) (
' x f x f x
f =σ + −
]
Fungsi ini sangat dekat dengan fungsi hyperbolic tangent. Keduanya memiliki
range antara -1 sampai 1. Untuk fungsi hyperbolic tangent, dirumuskan
sebagai : x x x x e e e e x f y − − + − = = ( ) Atau : x x e e x f y 2 2 1 1 ) ( − − +− = =
Dengan : f'(x)=
[
1+ f(x)][
1− f(x)]
2.2.4. Proses Pembelajaran
Terdapat dua tipe pembelajaran dalan Jaringan Syaraf Tiruan, yaitu :
a. Pembelajaran terawasi (supervised learning)
Metode pembelajaran pada jaringan syaraf disebut terawasi jika output
input akan diberikan ke satu neuron pada lapisan input. Pola ini akan dirambatkan
di sepanjang jaringan syaraf hingga sampai ke neuron pada lapisan output.
Lapisan output ini akan membangkitkan pola output yang nantinya akan
dicocokkan dengan pola output targetnya. Apabila terjadi perbedaan antara pola
output hasil pembelajaran dengan pola target, maka disini akan muncul error.
Apabila nilai error ini masih cukup besar, mengindikasikan bahwa masih perlu
dilakukan lebih banyak pembelajaran lagi. Terdapat berbagai tipe pembelajaran
terawasi beberapa diantaranya Hebb Rule, Perceptron, Delta Rule,
Backpropagation, Heteroassociative Memory, Bidirectional Associative Memory
(BAM), Learning Vector Quantization (LVQ).
Penelitian ini akan menggunakan propagasi balik (backpropagation) sebagai
metode pembelajaran. Metode propagasi balik merupakan algoritma pembelajaran
yang terawasi dan biasanya digunakan oleh perceptron dengan banyak lapisan
untuk mengubah bobot-bobot yang terhubung dengan neuron-neuron yang ada
pada lapisan tersembunyinya. Algoritma propagasi balik menggunakan error
output untuk mengubah nilai bobot-bobotnya dalam arah mundur (backward).
Untuk mendapatkan error ini, tahap perambatan maju (forward propagation)
harus dikerjakan terlebih dahulu. Pada saat perambatan maju, neuron-neuron
diaktifkan dengan menggunakan fungsi aktivasi sigmoit. (Siang, 2005).
Algoritma backpropagation :
♦ Masing-masing unit masukan (Xi, i = 1,….n) menerima sinyal masukan Xi
dan sinyal tersebut disebarkan ke unit-unit bagian berikutnya (unit-unit lapisan
♦ Masing-masing unit dilapisan tersembunyi dikalikan dengan faktor penimbang dan dijumlahkan serta ditambah dengan biasanya.
∑
= − = + n i n oji V X v
in Z
1
1 (2.1)
Kemudian menghitung sesuai dengan fungsi aktifasi yang digunakan:
Z1 = f (Z_in1) (2.2)
♦ Masing-masing unit keluaran (yk., k = 1, 2, 3 …..m) dikalikan dengan faktor
penimbang dan dijumlahkan:
∑
= − = + p p n oji W Z W
in Z
11
1 (2.3)
Menghitung kembali sesuai dengan fungsi aktifasi
yk = f (y_in1) (2.4) Back Propgasi dan Galatnya
♦ Masing-masing unit keluaran (Yk, k =1,……m) menerima pola target sesuai
dengan pola masukan saat pelatihan / training dan dihitung galatnya:
δk = ( fk – yk) f (y_ink) (2.5) Karena f’ (y_ink) = yk menggunakan fungsi sigmoid, maka:
F (y_ink) = f (y_ink) ( 1 – f (y_ink) (2.6) Menghitung perbaikan faktor penimbang (kemudian untuk memperbaiki wjk).
Δ Wkj = α.δk. Z1 (2.7)
Menghitung perbaikan koreksi:
Δ Wok = α.δk (2.8)
♦ Masing-masing penimbang yang menghubungkan unit-unit lapisan keluaran dengan unit-unit pada lapisan tersembunyi (Zj, j = 1…,p)
dikalikan delta dan dijumlahkah sebagaimana masukan ke unit-unit lapisan
berikutnya. (2.9)
∑
= ∂ = ∂ n k jk kW in 1 1 _Selanjutnya dikalikan dengan turunan dari fungsi aktifasinya untuk menghitung
galat.
δ1 = δ_ in1 f (y_in1) (2.10) Kemudian menghitung perbaikan penimbang (digunakan untuk memperbaiki Vij).
Δ Vy = αδ1 X1 (2.11)
Kemudian menghitung perbaikan bias (untuk memperbaiki Voj)
Δ Voj = αδ1 (2.12)
Memperbaiki penimbang dan bias
♦ Masing-masing keluaran unit (yk, k = 1,…………m) diperbaiki bias dan penimbangnya (j = 0, ……P).
Wjk (baru) = Vjk (lama) + Δ Vjk (2.13)
Masing-masing unit tersembunyi (Zj, j : 1,…….p) diperbaiki bias dan
penimbangnya ( j=0,…..n).
b. Pembelajaran tak terawasi (unsupervised learning)
Pembelajaran tak terawasi tidak memerlukan target output. Pada metode ini,
tidak dapat ditentukan hasil yang seperti apakah yang diharapkan selama
proses pembelajaran. Selama proses pembelajaran, nilai bobot disusun dalam
suatu range tertentu tergantung pada nilai input yang diberikan. Tujuan
pembelajaran ini adalah mengelompokkan unit-unit yang hampir sama dengan
suatu area tertentu. Pembelajaran ini biasanya sangat cocok untuk
pengelompokan (klasifikasi) pola.Contoh metode pembelajaran tak terawasi
adalah jaringan kohonen (kohonen network). (Suyanto.,2008)
2.3. Matlab
2.3.1. Pengertian Matlab
Matlab adalah suatu software pemrograman perhitungan dan analisis
yang banyak digunakan dalam semua area penerapan matematika baik bidang
pendidikan maupun penelitian pada universitas dan industri. Dengan matlab,
maka perhitungan matematis yang rumit dapat diimplementasikan dalam program
dengan lebih mudah.
Matlab merupakan singkatan dari MATriks LABoratory dan berarti software ini
dibuat berdasarkan vektor-vektor dan matrik-matrik. Hal ini mengakibatkan
software ini pada awalnya banyak digunakan pada studi aljabar linier, serta juga
merupakan perangkat yang tepat untuk menyelesaikan persamaan aljabar dan
diferensial dan juga untuk integrasi numerik.
Matlab memiliki perangkat grafik yang powerful dan dapat membuat
bahasa C dan bahkan salah satu dari bahasa pemrograman termudah dalam hal
penulisan program matematik. Matlab juga memiliki beberapa toolbox yang
berguna untuk pengolahan sinyal (signal processing), pengolahan gambar (image
processing), dan lain-lain.
2.3.2. Perbedaan matlab dengan software pemograman lain.
Terdapat perbedaan yang signifikan antara Matlab dengan software
pemrograman lainnya (C/C++, Visual Basic, Java, dan lain-lain). Perbedaan yang
utama antara keduanya dapat dilihat dari tiga faktor yaitu tujuan penggunaannya,
fitur yang disediakan dan orientasi hasil masing-masing.
Ditinjau dari segi penggunaannya, software pemrograman biasanya berfungsi
umum untuk berbagai kebutuhan (misalnya sistem informasi dan database),
sedangkan Matlab digunakan spesifik sebagai alat bantu komputasi untuk
bidang-bidang ilmiah (pendidikan, riset penelitian akademis, riset penelitian industri, dan
lain-lain) yang membutuhkan library program perhitungan dan tools disain dan
analisis sistem matematis.
Ditinjau dari segi fiturnya, bahasa pemrograman umumnya hanya merupakan alat
bantu membuat program, sedangkan Matlab dalam softwarenya selain membuat
program juga terdapat fitur lain yang memungkinkan Matlab sebagai tools untuk
disain dan analisis matematis dengan mudah.
Ditinjau dari segi orientasi hasilya, software pemrograman lain lebih berorientasi
sebagai program untuk menghasilkan solusi program baru yang eksekusinya
cepat, reliable dan efektif terhadap berbagai kebutuhan. Sedangkan Matlab lebih
matematis. Dalam hal ini dengan Matlab maka pembuatan program matematis
yang kompleks bisa menjadi lebih singkat waktunya namun bisa jadi eksekusi
program Matlab ini jauh lebih lambat dibandingkan bila dibuat dengan software
pemrograman lainnya.
2.3.3. Aplikasi Matlab
Matlab memiliki ruang lingkup kegiatan penggunaan yaitu:
• Disain matematis
• Pemodelan sistem matematis
• Pengolahan data matematis (sinyal, citra dan lain-lain)
• Simulasi, baik yang real time maupun tidak
• Visualisasi 2D dan 3D
• Tools analisis & testing
Karena kemampuan komputasi matematisnya yang tinggi, library program
perhitungan yang lengkap, serta tools disain dan analisis matematis yang sudah
tersedia maka Matlab begitu banyak digunakan di bidang-bidang pendidikan dan
riset penelitian (akademis maupun industri) di dunia. Matlab digunakan mulai dari
mengajarkan siswa tentang matriks, grafik fungsi matematik, sistem kontrol,
pengolahan citra, pengolahan sinyal, sampai dengan memprediksi (forecasting)
harga saham serta disain persenjataan militer berteknologi tinggi. Terdapat
beberapa bidang yang paling sering menggunakan Matlab sebagai software
• Bidang MIPA, terutama matematika termasuk statistik (aljabar linier,
diferensial, integrasi numerik, probability, forecasting), fisika (analisis
gelombang), dan biologi (computational biology, matematika genetika)
• Bidang teknik (engineering), terutama elektro (analisis rangkaian, sistem
kontrol, pengolahan citra dan pengolahan sinyal digital), mesin (disain
bentuk alat, analisis sistem kalor)
• Bidang ekonomi dan bisnis, terutama dalam hal pemodelan ekonomi,
analisis finansial, dan peramalan (forecasting)
2.3.4. Perkembangan Matlab
Karena kebutuhan yang tinggi terhadap program komputer yang
menyediakan tools komputasi, pemodelan dan simulasi dengan berbagai
fasilitasnya, maka berbagai fitur ditambahkan kepada Matlab dari tahun ke tahun.
Matlab kini sudah dilengkapi dengan berbagai fasilitas yaitu Simulink, Toolbox,
Blockset, Stateflow, Real Time Workshop, GUIDE dan lain-lain. Selain itu hasil
dari program Matlab sudah dapat diekspor ke C/C++, Visual Basic, Fortran,
COM, Java, Excel, dan web/internet. Dengan demikian hasil dari Matlab dapat
dikompilasi dan menjadi program yang waktu eksekusinya lebih cepat, serta bisa
diakses dengan berbagai cara.
Selain Matlab sebenarnya sudah ada beberapa software komputasi lain yang
sejenis, namun tidak selengkap dan berkembang sebagus Matlab. Selain itu
Matlab tersedia untuk berbagai platform komputer dan sistem operasi. Hingga
dunia komputer Macintosh maupun PC, yang sistem operasinya Windows ataupun
Linux/Unix
2.4. Normalisasi Data
Fungsi yang digunakan adalah fungsi hyperbolic tangent. Keduanya
memiliki range antara -1 sampai 1. Sehingga data harus di normalisasi pada
rentangan [-1 1]. Poses normalisasi data ditentukan dengan persamaan:
1
min) max
(
min) (
2 −
− − =
X X
X Xn y
(2.15)
Dimana y merupakan data hasil normalisasi, Xn merupaka data asli, Xmax dan
BAB III
METODOLOGI PENELITIAN
3.1. Tempat Penelitian
Penelitian ini dilaksanakan di Badan Meteorologi, Klimatologi dan
Geofisika, Stasiun Klas I Sampali Medan.
3.2. Alat dan Bahan
Bahan-bahan yang digunakan dalam penelitian antara lain:
1. Komputer/Laptop untuk membantu dalam mengolah data.
2. Software Matlab R2007 sebagai alat untuk memudahkan dalam
pengolahan data.
3. Data unsur-unsur cuaca ekstrim sebagai data target yang akan diolah
dengan model yang digunakan.
3.3. Rancangan Umum Penelitian
Rancangan umum penelitian yang akan dilakukan antara lain:
1. Melakukan pengumpulan data cuaca ekstrim sebagai data dukung
dalam melakukan prediksi.
2. Membangun algoritma Jaringan Syaraf Tiruan Backpropagation
dengan menggunakan software Matlab R2007
3. Menjalankan Aplikasi Jaringan Syaraf Tiruan dengan menggunakan
data-data yang real dan melakukan prediksi berdasarkan metode yang
digunakan.
4. Hasil analisis aplikasi dijadikan suatu informasi peringatan dini
terhadap bahaya dan dampak terjadinya cuaca ekstrim.
3.4. Variabel Yang Diamati
Variabel-variabel yang akan diamati adalah unsur-unsur iklim/cuaca yang
menjadi penyebab dan memicu terjadinya cuaca ekstrim. Unsur-unsur tersebut
antara lain: suhu udara, kecepatan angin, curah hujan dan kelembaban udara.
3.5. Data
Dalam penelitian ini menggunakan data cuaca wilayah Kota Medan
dimana digunakan data 2 (dua) stasiun pengamat iklim dan cuaca yaitu Stasiun
Meteorologi Polonia yang mewakili daerah perkotaan dan Stasiun Maritim
Belawan yang mewakili daerah perairan, pemukiman dan industri, diharapkan
dari kedua stasiun tersebut dapat mewakili wilayah Kota Medan secara
keseluruhan.
3.5.1. Data Input Stasiun Polonia
Data input yang digunakan dalam penelitian adalah data suhu udara
bulanan jam 13.00 WIB dan data kelembaban udara bulanan jam 13.00 WIB, dari
tahun 1983 hingga 2004 yang telah dinormalisasi. Data Normalisasi input dapat
3.5.2. Data Target Stasiun Polonia
Data target merupakan data yang digunakan untuk mempelajari pola
sebelum dilakukannya prediksi sesuai dengan metode yang ada. Data target yang
digunakan adalah data suhu udara maksimum bulanan, curah hujan maksimum
bulanan dan kecepatan angin maksimum bulanan dari tahun 1988 hingga 2009.
Data Normalisasi target dapat dilihat pada Lampiran B,C dan D.
3.5.3. Data Uji Stasiun Polonia
Data uji yang digunakan dalam penelitian adalah data suhu udara bulanan
jam 13.00 WIB dan data kelembaban udara bulanan jam 13.00 WIB, dari tahun
2005 hingga 2009 yang telah dinormalisasi. Data Normalisasi input dapat dilihat
pada Lampiran E.
3.5.4. Data Input Stasiun Belawan
Data input yang digunakan dalam penelitian adalah data suhu udara
bulanan jam 13.00 WIB dan data kelembaban udara bulanan jam 13.00 WIB, dari
tahun 1983 hingga 2004 yang telah dinormalisasi. Data Normalisasi input dapat
dilihat pada Lampiran F.
3.5.5. Data Target Stasiun Belawan
Data target merupakan data yang digunakan untuk mempelajari pola
sebelum dilakukannya prediksi sesuai dengan metode yang ada. Data target yang
digunakan adalah data suhu udara maksimum bulanan, curah hujan maksimum
bulanan dan kecepatan angin maksimum bulanan dari tahun 1988 hingga 2009.
3.5.6. Data Uji Stasiun Belawan
Data uji yang digunakan dalam penelitian adalah data suhu udara bulanan
jam 13.00 WIB dan data kelembaban udara bulanan jam 13.00 WIB, dari tahun
2005 hingga 2009 yang telah dinormalisasi. Data Normalisasi input dapat dilihat
BAB IV
ANALISIS DAN PEMBAHASAN
4.1. Analisis Data Pengamatan
Data pengamatan merupakan data aktual yang diamati oleh tiap stasiun
iklim dan cuaca yang mana hasil pengamatan ini dijadikan data historis untuk
diolah dan dianalisa serta dijadikan acuan dalam mengambil keputusan dalam
melakukan prediksi di masa yang akan datang.
4.1.1. Analisis Data Input Stasiun Polonia
Suhu udara jam 13.00 WIB merupakan salah satu parameter input dalam
melakukan prediksi cuaca ekstrim. Hasil analisis rata-rata bulanan Suhu Udara
Jam 13.00 WIB di Polonia menunjukkan bahwa kecendrungan terjadi peningkatan
suhu udara pada bulan Pebruari hingga Agustus yang mana diketahui pada
bulan-bulan tersebut ditandai dengan musim kemarau dan pancaroba, sedangkan
penurunan suhu udara terjadi pada bulan September hingga Januari yang
merupakan kondisi musim penghujan. Terlihat jelas pada gambar 4.1.
Gambar 4.1. Rata-rata Suhu Udara Jam 13.00 wib Polonia
Kelembaban udara jam 13.00 wib merupakan salah satu parameter input dalam
melakukan prediksi cuaca ekstrim. Hasil analisis rata-rata bulanan kelembaban
udara Jam 13.00 wib di Polonia menunjukkan bahwa kecendrungan terjadi
penurunan kelembaban udara pada bulan Pebruari hingga Agustus, sedangkan
peningkatan kelembaban udara terjadi pada bulan September hingga Januari.
[image:61.595.165.457.279.438.2]Terlihat jelas pada gambar 4.2.
Gambar 4.2. Rata-rata Kelembaban Udara Jam 13.00 wib Polonia
4.1.2. Analisis Data Target Stasiun Polonia
Suhu udara maksimum merupakan salah satu parameter target dalam
melakukan prediksi c