PREDIKSI PANJANG MUSIM HUJAN MENGGUNAKAN TIME DELAY NEURAL NETWORK AMALIA FITRANTY ALMIRA

PREDIKSI PANJANG MUSIM HUJAN MENGGUNAKAN

TIME DELAY NEURAL NETWORK

AMALIA FITRANTY ALMIRA

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR

BOGOR 2014

PERNYATAAN MENGENAI SKRIPSI DAN

SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA

Dengan ini saya menyatakan bahwa skripsi berjudul Prediksi Panjang Musim Hujan Menggunakan Time Delay Neural Network adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.

Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor.

Bogor, Juli 2014 Amalia Fitranty Almira NIM G64100020

ABSTRAK

AMALIA FITRANTY ALMIRA. Prediksi Panjang Musim Hujan Menggunakan Time Delay Neural Network. Dibimbing oleh AGUS BUONO dan M. ASYHAR AGMALARO.

Indonesia memiliki kekayaan alam hasil pertanian yang berlimpah. Hasil pertanian yang baik didapatkan dengan perencanaan musim tanam yang baik. Salah satu faktor penting yang menentukan yaitu panjang musim hujan (PMH). Panjang musim hujan bersifat dinamis dan sulit dikontrol sehingga perencanaan musim tanam menjadi kurang tepat dan dapat berdampak pada kegagalan panen. Penelitian ini bertujuan membangun model untuk memprediksi panjang musim hujan menggunakan metode time delay neural network (TDNN). Data observasi yang digunakan berupa data panjang musim hujan yang berasal dari tiga stasiun iklim dan cuaca wilayah Pacitan dari tahun 1982/1983 hingga 2011/2012. Data prediktor yang digunakan berupa data sea surface temperature (SST) yang berasal dari wilayah Nino 1+2, Nino 3, Nino 4, dan Nino 3.4 dari tahun 1982 hingga 2011. Akurasi model terbaik didapatkan oleh stasiun Pringkuku dengan RMSE sebesar 1.97 dengan parameter jaringan berupa delay [0 1 2 3], learning rate 0.1, hidden neuron 40, dan prediktor dari Nino 3 dan R2 sebesar 0.82 dengan parameter jaringan berupa delay [0 1], learning rate 0.3, hidden neuron 5, dan prediktor dari Nino 3.

Kata kunci: TDNN, PMH, SST

ABSTRACT

AMALIA FITRANTY ALMIRA. Forecasting the Length of the Rainy Season Using Time Delay Neural Network. Supervised by AGUS BUONO and M. ASYHAR AGMALARO.

Indonesia has abundant natural resources in agriculture. Good agricultural results can be obtained by determining a good growing season plan. One of important factors which determines the successful of crop is the length of the rainy season. The length of the rainy season is dynamic and difficult to be controlled. Therefore the planning of the growing season becomes inaccurate and cause crop failures. This research aims to develop a model to predict the length of the rainy season using time delay neural network (TDNN). Observational data used in this research is the length of rainy season from three weather and climate stations of the Pacitan region from 1982/1983 to 2011/2012. Predictor data used in this reserach is sea surface temperature (SST) derived from the region of Nino 1+2, Nino 3, Nino 4, and Nino 3.4 from 1982 to 2011. Model with the best accuracy was obtained by Pringkuku station with RMSE of 1.97 with parameters of delay [0 1 2 3], learning rate 0.1, 40 hidden neurons, and predictors of Nino 3 and R-squared of 0.82 with parameters of delay [0 1], learning rate 0.3, 5 hidden neurons, and predictors of Nino 3.

Skripsi

sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer

pada

Departemen Ilmu Komputer

PREDIKSI PANJANG MUSIM HUJAN MENGGUNAKAN

TIME DELAY NEURAL NETWORK

AMALIA FITRANTY ALMIRA

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR

BOGOR 2014

Judul Skripsi : Prediksi Panjang Musim Hujan Menggunakan Time Delay Neural Network

Nama : Amalia Fitranty Almira NIM : G64100020

Disetujui oleh

Dr Ir Agus Buono, MSi MKom Pembimbing I

M. Asyhar Agmalaro, SSi MKom Pembimbing II

Diketahui oleh

Dr Ir Agus Buono, MSi MKom Ketua Departemen

PRAKATA

Puji dan syukur penulis panjatkan kepada Allah subhanahu wata’ala atas segala karunia-Nya sehingga tugas akhir dengan judul Prediksi Panjang Musim Hujan Menggunakan Time Delay Neural Network dapat diselesaikan. Penulis juga ingin menyampaikan terima kasih kepada seluruh pihak yang telah berperan dalam penyelesaian tugas akhir ini, antara lain:

1 Ibunda Yenny, Ayahanda Tamsir, Kakanda Tamimi Hutama Putera, dan Adinda Talitha Amanda Shabrina serta seluruh keluarga atas segala doa, motivasi, dukungan, dan kasih sayang yang telah diberikan kepada penulis untuk penyelesaian tugas akhir ini.

2 Bapak Dr Ir Agus Buono, MSi, MKom serta Bapak M. Asyhar Agmalaro, SSi, Mkom selaku dosen pembimbing yang telah memberikan saran, arahan, bantuan, serta dukungan hingga selesainya tugas akhir ini.

3 Bapak Aziz Kustiyo, SSi, MKom selaku dosen penguji yang telah memberikan saran dan masukan untuk tugas akhir ini.

4 Center for Climate Risk and Opportunity Management in Southeast Asia Pacific (CCROM-SEAP) Institut Pertanian Bogor sebagai sumber data dalam tugas akhir ini.

5 Rekan-rekan mahasiswa satu bimbingan atas kerjasama dan dukungan yang diberikan satu sama lain selama penyelesaian tugas akhir ini.

6 Teman-teman S1 Ilmu Komputer angkatan 47 (Pixels 47) yang telah memberikan motivasi serta dukungan dalam penyelesaian tugas akhir ini. 7 Teman-teman asrama putri A1 lorong 9 yang telah memberikan dukungan

serta motivasi dalam penyelesaian tugas akhir ini.

Penulis juga ingin mengucapkan terima kasih kepada semua pihak yang telah memberikan dukungan dan motivasi selama penyelesaian tugas akhir ini yang tidak dapat disebutkan satu persatu. Penulis berharap tugas akhir ini dapat memberikan manfaat bagi pihak-pihak terkait untuk ke depannya.

Bogor, Juli 2014

DAFTAR ISI

DAFTAR TABEL vi DAFTAR GAMBAR vi DAFTAR LAMPIRAN vi PENDAHULUAN 1 Latar Belakang 1 Perumusan Masalah 2 Tujuan Penelitian 2 Manfaat Penelitian 2

Ruang Lingkup Penelitian 2

METODE 3

Tahapan Penelitian 3

Peralatan Penelitian 7

HASIL DAN PEMBAHASAN 7

Pemilihan Prediktor 7

Proses Time Delay Neural Network 9

SIMPULAN DAN SARAN 17

Simpulan 17

Saran 17

DAFTAR PUSTAKA 17

LAMPIRAN 19

DAFTAR GAMBAR

1 Diagram alir metode penelitian 3

2 Wilayah masing-masing stasiun 4

3 Wilayah data SST (NOAA 2014) 4

4 Data prediktor dan data observasi 5

5 Ilustrasi 3-fold cross validation 5

6 Arsitektur TDNN dengan delay [0 1] dan hidden neuron 2 6

7 Nilai korelasi antara SST dan PMH Arjosari 8

8 Nilai korelasi antara SST dan PMH Kebon Agung 8

9 Nilai korelasi antara SST dan PMH Pringkuku 9

10 Diagram pencar Arjosari R2 terbesar 10

11 Grafik pendugaan Arjosari R2 terbesar 10

12 Diagram pencar Arjosari RMSE terkecil 10

13 Grafik pendugaan Arjosari RMSE terkecil 11

14 Diagram pencar Kebon Agung R2 terbesar 11

15 Grafik pendugaan Kebon Agung R2 terbesar 11

16 Diagram pencar Kebon Agung RMSE terkecil 12

17 Grafik pendugaan Kebon Agung RMSE terkecil 12

18 Diagram pencar Pringkuku R2 terbesar 13

19 Grafik pendugaan Pringkuku R2 terbesar 13

20 Diagram pencar Pringkuku RMSE terkecil 13

21 Grafik pendugaan Pringkuku RMSE terkecil 14

22 RMSE dan R2 masing-masing stasiun 14

23 RMSE masing-masing stasiun 14

24 R2 masing-masing stasiun 15

25 Distribusi R2 masing-masing stasiun 16

26 Distribusi RMSE masing-masing stasiun 16

DAFTAR LAMPIRAN

1 Data PMH masing-masing stasiun 19

2 Data SST masing-masing wilayah Nino 20

3 Nilai korelasi antara SST setiap Nino dengan PMH setiap stasiun 24

4 Hasil prediksi untuk masing-masing stasiun 25

5 Arsitektur jaringan Arjosari untuk R2 terbesar 27 6 Arsitektur jaringan Arjosari untuk RMSE terkecil 28 7 Arsitektur jaringan Kebon Agung untuk R2 terbesar 29 8 Arsitektur jaringan Kebon Agung untuk RMSE terkecil 30 9 Arsitektur jaringan Pringkuku untuk R2 terbesar 31 10 Arsitektur jaringan Pringkuku untuk RMSE terkecil 32 11 Nilai RMSE dan R2 masing-masing pengulangan parameter terbaik 33

PENDAHULUAN

Latar Belakang

Indonesia memiliki kekayaan alam yang berlimpah, salah satunya di bidang pertanian. Kualitas kekayaan alam hasil pertanian dipengaruhi oleh perencanaan musim tanam yang baik. Salah satu faktor penting dalam perencanaan musim tanam yang baik adalah panjang musim hujan (PMH) yang sulit diprediksi. Indonesia dilewati oleh angin muson barat dan angin muson timur sehingga memiliki dua musim, yaitu musim hujan dan musim kemarau. Musim di Indonesia juga dipengaruhi oleh fenomena global yaitu El Nino dan La Nina (Said 2011). Pada daerah tropis, El Nino dan La Nina menyebabkan terjadinya pergeseran pola curah hujan, perubahan besaran curah hujan, dan perubahan temperatur udara (Irawan 2006). Keadaan yang beragam ini menyebabkan panjang musim hujan sulit diprediksi sehingga perencanaan musim tanam menjadi kurang tepat dan dapat berdampak pada kegagalan panen.

Panjang musim hujan sangat mempengaruhi produksi padi khususnya pada musim tanam kedua. Jika musim hujan pendek, maka peluang kekeringan pada musim tanam kedua menjadi besar sehingga menyebabkan kegagalan panen (Buono et al. 2012). Informasi mengenai panjang musim hujan sangat berguna bagi pihak terkait dalam perencanaan musim tanam yang baik agar semaksimal mungkin menghindari kegagalan panen dan seminimal mungkin mengalami kerugian. Penelitian ini bertujuan untuk mengatasi masalah tersebut dengan membangun model yang baik dalam memprediksi panjang musim hujan.

Prediksi panjang musim hujan sebelumnya telah dilakukan oleh Diponogoro (2013) dengan menggunakan metode adaptive neuro fuzzy inference system (ANFIS) serta data Southern Oscillation Index (SOI) sebagai prediktornya. Penelitian lain terkait prediksi panjang musim hujan juga dilakukan oleh Said (2011) dengan menggunakan metode jaringan syaraf tiruan resilient backpropagation serta data Sea Surface Temperature (SST) sebagai prediktornya. Pada penelitian ini, prediksi panjang musim hujan dilakukan dengan metode time delay neural network (TDNN) dengan menggunakan SST sebagai prediktornya. TDNN memiliki kelebihan yaitu mampu menangkap karakteristik yang beragam pada data (Benmahdjoub et al. 2013) sehingga cocok untuk data panjang musim hujan yang beragam dan tidak menentu. Metode ini termasuk ke dalam backpropagation yang memiliki bagian ekstraksi menggunakan sliding window pada lapisan input sehingga lebih dinamis (Benmahdjoub et al. 2013).

Prediktor yang digunakan dalam penelitian ini yaitu data SST yang merupakan salah satu fenomena global yang sangat mempengaruhi beberapa peubah curah hujan salah satunya PMH (Lo et al. 2007). Selain itu, berdasarkan penelitian yang dilakukan oleh Aldrian dan Susanto (2003) ditunjukkan bahwa ada hubungan korelasi yang kuat antara SST dengan hujan di wilayah Indonesia. Data observasi yang digunakan merupakan data panjang musim hujan dari wilayah Pacitan yang menunjukkan sekitar 90% dari bencana kekeringan terjadi pada musim kemarau (Mei, Juni, Juli, dan Agustus) dan sisanya terjadi pada awal musim hujan (November dan Desember), hal ini menarik karena secara teori

seharusnya air berlimpah pada periode tersebut, yang menunjukkan adanya pola yang unik pada data tersebut (Buono et al. 2014).

Perumusan Masalah

Kegiatan sektor pertanian sangat dipengaruhi dengan perubahan cuaca yang tidak pasti. Panjang musim hujan mempengaruhi perencanaan dalam memulai musim tanam. Akan tetapi, sulitnya memprediksi panjang musim hujan menyebabkan perencanaan musim tanam yang kurang tepat dan akhirnya menyebabkan kegagalan panen yang merugikan bagi petani. Kebutuhan untuk mengetahui panjang musim hujan menjadi sangat penting terlebih dalam sektor pertanian yang sangat bergantung pada perubahan iklim. Oleh karena itu, prediksi panjang musim hujan menjadi hal yang penting dan perlu diperhatikan. Atas dasar rumusan masalah tersebut kemudian muncul pertanyaan sebagai berikut:

1 Bagaimana memprediksi panjang musim hujan dengan menggunakan TDNN?

2 Bagaimana hasil dari prediksi panjang musim hujan dengan menggunakan TDNN?

Tujuan Penelitian

Tujuan dari penelitian ini yaitu membangun model untuk memprediksi panjang musim hujan dengan menggunakan metode TDNN serta mengevaluasi model untuk prediksi panjang musim hujan yang dihasilkan oleh metode TDNN.

Manfaat Penelitian

Manfaat dari penelitian ini yaitu dapat membangun model yang baik dalam memprediksi panjang musim hujan dengan menggunakan metode TDNN yang nantinya bermanfaat khususnya dalam sektor pertanian agar dapat memprediksi panjang musim hujan sehingga perencanaan musim tanam dapat dilakukan dengan baik sehingga memaksimalkan hasil dari sektor pertanian serta meminimalkan kegagalan panen.

Ruang Lingkup Penelitian

Ruang lingkup dari penelitian ini, yaitu:

1 Data PMH di setiap stasiun iklim dan cuaca, BMKG di setiap wilayah hujan di Pacitan, diperoleh dari Center for Climate Risk and Opportunity Management in Southeast Asia Pacific (CCROM-SEAP) Institut Pertanian Bogor.

2 Data SST yang diperoleh dari National Oceanic and Atmospheric Administration (NOAA) milik Departemen Pertanian Amerika Serikat. 3 Prediksi panjang musim hujan dilakukan dengan menggunakan metode

3

METODE

Tahapan Penelitian

Penelitian ini dilakukan melalui beberapa tahapan, yaitu: studi literatur dan perumusan masalah, pengumpulan data, pemilihan data, proses TDNN, dan analisis dan evaluasi. Diagram alir metode penelitian yang dilakukan dapat dilihat pada Gambar 1.

Gambar 1 Diagram alir metode penelitian

Studi Literatur dan Perumusan Masalah

Studi literatur dilakukan dengan menelaah jurnal dan buku yang terkait dengan penelitian. Jurnal dan buku terkait yang ditelaah mengenai PMH, SST, analisis korelasi, TDNN, koefisien determinasi, dan root mean square error (RMSE). Perumusan masalah dilakukan untuk membatasi ruang lingkup penelitian.

Pengumpulan Data

Data yang digunakan dalam penelitian yaitu data SST sebagai prediktor dan data PMH sebagai data observasi. Data PMH di stasiun iklim dan cuaca BMKG pada setiap wilayah hujan Pacitan, diperoleh dari CCROM-SEAP Institut Pertanian Bogor dari tahun 1982/1983 hingga 2011/2012 yang berasal dari stasiun iklim dan cuaca Arjosari, Kebon Agung, dan Pringkuku. Data PMH masing-masing stasiun dapat dilihat pada Lampiran 1. Gambar 2 menunjukkan wilayah dari masing-masing stasiun. Satuan yang digunakan untuk data PMH adalah dasarian, yaitu pengelompokkan waktu ke dalam sepuluh hari sehingga dalam satu tahun terbagi menjadi 36 dasarian (Buono et al. 2012). PMH didapat dengan menghitung banyak dasarian dari awal musim hujan hingga akhir musim hujan. Awal musim hujan ditetapkan pada dasarian yang memiliki curah hujan lebih dari atau sama dengan 50 milimeter yang diikuti oleh dua dasarian berikutnya (BMKG 2013). Mulai Studi literatur dan perumusan masalah Pengumpulan data Pemilihan data: Data SST dan PMH Data Latih Data Uji Pemodelan TDNN Hasil Analisis dan evaluasi Selesai

3-Fold Cross Validation

Gambar 2 Wilayah masing-masing stasiun

Data SST diperoleh melalui National Oceanic and Atmospheric Administration (NOAA) milik Departemen Pertanian Amerika Serikat yang berasal dari wilayah Nino 1+2, Nino 3, Nino 4, dan Nino 3.4 di setiap bulan dari tahun 1982 hingga 2011. Data SST pada masing-masing Nino terdapat pada Lampiran 2. Gambar 3 menunjukkan wilayah dari data SST.

Gambar 3 Wilayah data SST (NOAA 2014)

Pemilihan Data

Pemilihan data dilakukan dengan melakukan analisis korelasi sederhana terhadap data SST dan data PMH untuk mendapatkan bulan-bulan yang digunakan sebagai data prediktor. Data SST untuk setiap bulan pada masing-masing Nino akan dihitung nilai korelasinya dengan data PMH di setiap stasiun. Nilai korelasi dihitung menggunakan koefisien korelasi linear yaitu hubungan linear antara dua peubah acak X dan Y yang dilambangkan dengan r (Walpole 1992). Persamaan nilai korelasi adalah sebagai berikut:

n ∑ ∑ n ∑n n √ n ∑n ∑n n ∑n ∑n dengan xi = peubah 1 yi = peubah 2 n = jumlah data.

5

Setiap bulan yang telah dicari nilai korelasinya akan dipilih yang berkorelasi nyata dengan PMH pada taraf nyata 10% dengan membandingkan nilai korelasi pada taraf nyata 10% dengan nilai korelasi PMH dan SST setiap bulan. Nilai korelasi pada taraf nyata 10% didapatkan dengan persamaan:

t √ n t dengan

t = nilai t tabel pada taraf nyata 10% n = jumlah data.

Variabel bulan SST yang dipilih adalah bulan yang memiliki pengaruh pada PMH satu periode ke depan (Buono et al. 2012). Gambar 4 menunjukkan ilustrasi data yang digunakan sebagai prediktor dan observasi menggunakan PMH stasiun Pringkuku tahun 1984/1985.

Gambar 4 Data prediktor dan data observasi

Proses Time Delay Neural Network

Data yang telah dipilih dibagi menjadi 3 kelompok data dengan data latih sebanyak 2/3 dan data uji sebanyak 1/3 menggunakan 3-fold cross validation dengan ilustrasi pada Gambar 5. Pada k-fold cross validation suatu data set akan dibagi ke dalam k buah subset yang saling bebas dengan ukuran yang sama, sebanyak k-1 buah subset digunakan sebagai data latih dan 1 buah subset digunakan sebagai data uji (Kohavi 1995).

Gambar 5 Ilustrasi 3-fold cross validation

Proses pelatihan akan dilakukan pada data latih menggunakan algoritme pembelajaran TDNN. TDNN terdiri dari dua bagian utama yaitu bagian ekstraksi dan bagian pengelompokan. Sebelum masuk ke bagian pengelompokan, pada bagian ekstraksi data dipindai menggunakan sliding window dengan ukuran yang telah ditentukan yang selanjutnya disebut delay, setelah itu data masuk ke bagian pengelompokan yang prosesnya sama dengan artificial neural network pada umumnya (Benmahdjoub et al. 2013). Gambar 6 menunjukkan ilustrasi arsitektur dari TDNN dengan 1 variabel masukkan, delay [0 1], dan hidden neuron 2.

Gambar 6 Arsitektur TDNN dengan delay [0 1] dan hidden neuron 2 Proses pembelajaran dilakukan untuk mendapatkan arsitektur TDNN yang telah terboboti yang akan digunakan untuk memprediksi PMH menggunakan data uji. Struktur TDNN yang digunakan dalam penelitian terdapat pada Tabel 1.

Tabel 1 Struktur TDNN yang digunakan dalam penelitian Karakteristik Spesifikasi

arsitektur 1 layer hidden

delay [0 1], [0 1 2], dan [0 1 2 3]

neuron layer input bulan-bulan yang dipilih sebagai prediktor neuron layer hidden 5, 10, 20, dan 40

neuron layer output 1 target data (PMH) fungsi aktivasi layer hidden sigmoid biner fungsi aktivasi layer output linear

toleransi galat 0.001

maksimum epoch 500

learning rate 0.3, 0.1, dan 0.01

algoritme pelatihan resilient backpropagation (trainrp)

Analisis dan Evaluasi

Analisis dan evaluasi hasil pengujian dilihat dengan menghitung nilai root mean square error (RMSE) dan koefisien determinasi (R2). R2 digunakan untuk menunjukkan proporsi jumlah kuadrat total yang dapat dijelaskan oleh sumber

X(t) X(t-1) Z1 Z2 Y(t) 1 1 V11 V12 V21 V22 V01 V02 W11 W21 W01

7

keragaman peubah bebas dan semakin baik jika mendekati 1. Menurut Walpole (1992), R2 dirumuskan sebagai berikut:

∑ ̂ ̂̅ ̅ n ∑n ̂ ̂̅ ∑n ̅ dengan = nilai-nilai aktual ̂ = nilai-nilai dugaan.

RMSE adalah perhitungan yang menunjukkan besarnya simpangan antara nilai dugaan dan nilai aktualnya dan semakin baik jika mendekati 0. Menurut Walpole (1992), RMSE dirumuskan sebagai berikut:

√ ∑ t t n

t n dengan

Xt = nilai aktual pada waktu ke-t Ft = nilai dugaan pada waktu ke-t.

Peralatan Penelitian

Perangkat lunak dan perangkat keras yang digunakan dalam mengembangkan penelitian ini adalah sebagai berikut:

 Perangkat lunak:  Matlab R2010a  Microsoft Excel 2010  Perangkat keras:

 Processor: Intel® Core™ i5-3210M CPU @ 2.5GHz  Memory: 4.00 GB

 Operating system: Microsoft® Windows 8

HASIL DAN PEMBAHASAN

Pemilihan Prediktor

Arsitektur jaringan akan dibangun di setiap stasiun untuk memprediksi panjang musim hujan dengan terlebih dahulu memilih bulan-bulan dari masing-masing wilayah Nino yang berkorelasi dengan PMH di setiap stasiun pada taraf nyata 10% yang kemudian digunakan sebagai prediktor. Nilai korelasi antara data PMH masing-masing stasiun dengan data SST masing-masing Nino dapat dilihat pada Lampiran 3. Gambar 7 menunjukkan nilai korelasi antara SST setiap bulan di masing-masing wilayah Nino dengan PMH Arjosari, dengan garis merah merupakan nilai korelasi pada taraf nyata 10%. Prediktor yang digunakan pada

stasiun Arjosari dari Nino 1+2, yaitu bulan September, Oktober, November, dan Desember. Prediktor yang digunakan dari Nino 3, yaitu bulan Agustus, September, Oktober, November, dan Desember. Prediktor yang digunakan dari Nino 4, yaitu bulan Juli, Agustus, September, Oktober, dan November. Prediktor yang digunakan dari Nino 3.4, yaitu bulan Juli, Agustus, September, Oktober, November, dan Desember.

Gambar 7 Nilai korelasi antara SST dan PMH Arjosari

Gambar 8 menunjukkan nilai korelasi antara SST setiap bulan di masing-masing wilayah Nino dengan PMH Kebon Agung, dengan garis merah merupakan nilai korelasi pada taraf nyata 10%. Prediktor yang digunakan pada stasiun Kebon Agung dari Nino 1+2, yaitu bulan April dan November. Prediktor yang digunakan dari Nino 3, yaitu bulan Maret, April, November, dan Desember. Prediktor yang digunakan dari Nino 4, yaitu bulan Juli, Agustus, September, Oktober, November, dan Desember. Prediktor yang digunakan dari Nino 3.4, yaitu bulan Agustus, September, Oktober, November, dan Desember.

Gambar 8 Nilai korelasi antara SST dan PMH Kebon Agung

Gambar 9 menunjukkan nilai korelasi antara SST setiap bulan di masing-masing wilayah Nino dengan PMH Pringkuku, dengan garis merah merupakan nilai korelasi pada taraf nyata 10%. Prediktor yang digunakan pada stasiun

-0.6 -0.4 -0.2 0 0.2 0.4

Jan Feb Mar Apr Mei Jun Jul Agu Sep Okt Nov Des

Nila i K o re la si Bulan

Nino 1+2 Nino 3 Nino 4 Nino 3.4

-0.6 -0.4 -0.2 0 0.2 0.4 0.6

Jan Feb Mar Apr Mei Jun Jul Agu Sep Okt Nov Des

Nila i K o re la si Bulan

9

Pringkuku dari Nino 1+2, yaitu bulan Agustus, September, Oktober, November, dan Desember. Prediktor yang digunakan dari Nino 3, yaitu bulan Juni, Juli, Agustus, September, Oktober, November, dan Desember. Prediktor yang digunakan dari Nino 4, yaitu bulan April, Juni, Juli, Agustus, September, Oktober, November, dan Desember. Prediktor yang digunakan dari Nino 3.4, yaitu bulan Juni, Juli, Agustus, September, Oktober, November, dan Desember.

Gambar 9 Nilai korelasi antara SST dan PMH Pringkuku

Proses Time Delay Neural Network Parameter Terbaik

Arsitektur yang dibangun pada masing-masing stasiun menghasilkan nilai prediksi PMH menggunakan data uji yang kemudian dibandingkan dengan nilai aktual PMH pada data uji. Nilai prediksi dan nilai aktual atau observasi PMH pada masing-masing stasiun terdapat pada Lampiran 4. Pada stasiun Arjosari nilai R2 terbesar yang diperoleh sebesar 0.75 dengan nilai RMSE sebesar 2.40, nilai RMSE ini bukan merupakan nilai terkecil yang dihasilkan. R2 terbesar dihasilkan dengan parameter berupa delay [0 1 2 3], learning rate 0.3, hidden neuron 5, dan prediktor yang berasal dari wilayah Nino 1+2. R2 sebesar 0.75 menunjukkan bahwa 75% keragaman dalam nilai-nilai hasil prediksi dapat dijelaskan oleh hubungan linearnya dengan nilai-nilai aktualnya. RMSE sebesar 2.40 menunjukkan bahwa kesalahan rata-rata untuk memprediksi PMH sebesar 2.40 dasarian atau sekitar 24 hari. Gambar 10 menunjukkan diagram pencar antara data prediksi dan data observasi PMH stasiun Arjosari dengan nilai korelasi positif sebesar 0.87 yang artinya antara data observasi dan data prediksi PMH stasiun Arjosari memiliki hubungan yang searah. Gambar 11 menunjukkan grafik pendugaan stasiun Arjosari. Arsitektur jaringan untuk stasiun Arjosari dengan R2 terbesar dapat dilihat pada Lampiran 5.

-0.8 -0.6 -0.4 -0.2 0 0.2 0.4

Jan Feb Mar Apr Mei Jun Jul Agu Sep Okt Nov Des

Nila i K o re la si Bulan

Gambar 10 Diagram pencar Arjosari R2 terbesar

Gambar 11 Grafik pendugaan Arjosari R2 terbesar

Nilai RMSE terkecil yang dihasilkan pada stasiun Arjosari yaitu sebesar 2.09 dengan nilai R2 sebesar 0.41, nilai RMSE ini lebih kecil 0.31 dibandingkan nilai sebelumnya dan nilai R2 ini lebih kecil 0.34 dibandingkan nilai sebelumnya. Nilai RMSE terkecil diperoleh dengan parameter berupa delay [0 1 2 3], learning rate 0.1, hidden neuron 40, dan wilayah prediktor yang berasal dari Nino 4. Gambar 12 menunjukkan diagram pencar antara data prediksi dan data observasi PMH stasiun Arjosari dengan nilai korelasi positif sebesar 0.64. Gambar 13 menunjukkan grafik pendugaan stasiun Arjosari. Arsitektur jaringan untuk stasiun Arjosari dengan RMSE terkecil dapat dilihat pada Lampiran 6.

Gambar 12 Diagram pencar Arjosari RMSE terkecil 0 5 10 15 20 25 30 35 0 10 20 30 40 P re dik si Observasi 0 10 20 30 P M H Tahun Aktual Prediksi 0 5 10 15 20 25 30 0 10 20 30 P re dik si Observasi

11

Gambar 13 Grafik pendugaan Arjosari RMSE terkecil

Pada stasiun Kebon Agung nilai R2 terbesar yang diperoleh sebesar 0.74 dengan nilai RMSE sebesar 5.86, nilai RMSE ini bukan merupakan nilai terkecil yang dihasilkan. R2 terbesar dihasilkan dengan parameter berupa delay [0 1], learning rate 0.3, hidden neuron 20, dan prediktor yang berasal dari wilayah Nino 3. Gambar 14 menunjukkan diagram pencar antara data prediksi dan data observasi PMH stasiun Kebon Agung dengan nilai korelasi positif sebesar 0.86. Gambar 15 menunjukkan grafik pendugaan stasiun Kebon Agung. Arsitektur jaringan untuk stasiun Kebon Agung dengan R2 terbesar dapat dilihat pada Lampiran 7.

Gambar 14 Diagram pencar Kebon Agung R2 terbesar

Gambar 15 Grafik pendugaan Kebon Agung R2 terbesar 0 5 10 15 20 25 P M H Tahun Aktual Prediksi 0 5 10 15 20 25 30 35 0 10 20 30 40 P re dik si Observasi 0 10 20 30 P M H Tahun Aktual Prediksi

Nilai RMSE terkecil yang dihasilkan pada stasiun Kebon Agung yaitu sebesar 3.47 dengan nilai R2 sebesar 0.05, nilai RMSE ini lebih kecil 2.39 dibandingkan nilai sebelumnya dan nilai R2 ini lebih kecil 0.69 dibandingkan nilai sebelumnya. Nilai RMSE terkecil diperoleh dengan parameter berupa delay [0 1 2], learning rate 0.01, hidden neuron 5, dan wilayah prediktor yang berasal dari Nino 1+2. Gambar 16 menunjukkan diagram pencar antara data prediksi dan data observasi PMH stasiun Kebon Agung dengan nilai korelasi positif sebesar 0.22. Gambar 17 menunjukkan grafik pendugaan stasiun Kebon Agung. Arsitektur jaringan untuk stasiun Kebon Agung dengan RMSE terkecil dapat dilihat pada Lampiran 8.

Gambar 16 Diagram pencar Kebon Agung RMSE terkecil

Gambar 17 Grafik pendugaan Kebon Agung RMSE terkecil

Pada stasiun Pringkuku nilai R2 terbesar yang diperoleh sebesar 0.82 dengan nilai RMSE sebesar 2.41, nilai RMSE ini bukan merupakan nilai terkecil yang dihasilkan. R2 terbesar dihasilkan dengan parameter berupa delay [0 1], learning rate 0.3, hidden neuron 5, dan prediktor yang berasal dari wilayah Nino 3. Gambar 18 menunjukkan diagram pencar antara data prediksi dan data observasi PMH stasiun Pringkuku dengan nilai korelasi positif sebesar 0.90. Gambar 19 menunjukkan grafik pendugaan stasiun Pringkuku. Arsitektur jaringan untuk stasiun Pringkuku dengan R2 terbesar dapat dilihat pada Lampiran 9.

0 5 10 15 20 25 30 35 0 10 20 30 40 P re dik si Observasi 0 5 10 15 20 25 P M H Tahun Aktual Prediksi

13

Gambar 18 Diagram pencar Pringkuku R2 terbesar

Gambar 19 Grafik pendugaan Pringkuku R2 terbesar

Nilai RMSE terkecil yang dihasilkan pada stasiun Pringkuku yaitu sebesar 1.97 dengan nilai R2 sebesar 0.77, nilai RMSE ini lebih kecil 0.44 dibandingkan nilai sebelumnya dan nilai R2 ini lebih kecil 0.05 dibandingkan nilai sebelumnya. Nilai RMSE terkecil diperoleh dengan parameter berupa delay [0 1 2 3], learning rate 0.1, hidden neuron 40, dan wilayah prediktor yang berasal dari Nino 3. Gambar 20 menunjukkan diagram pencar antara data prediksi dan data observasi PMH stasiun Pringkuku dengan nilai korelasi positif sebesar 0.88. Gambar 21 menunjukkan grafik pendugaan stasiun Pringkuku. Arsitektur jaringan untuk stasiun Pringkuku dengan RMSE terkecil dapat dilihat pada Lampiran 10.

Gambar 20 Diagram pencar Pringkuku RMSE terkecil 0 5 10 15 20 25 30 35 0 10 20 30 40 P re dik si Aktual 0 10 20 30 P M H Tahun Aktual Prediksi 0 5 10 15 20 25 30 35 0 10 20 30 40 P re dis k i Aktual

Gambar 21 Grafik pendugaan Pringkuku RMSE terkecil

Perbandingan Seluruh Stasiun

Arsitektur untuk prediksi PMH dikatakan baik jika nilai RMSE mendekati 0 dan nilai R2 mendekati 1. Gambar 22 menunjukkan RMSE dan R2 masing-masing stasiun. Gambar 23 menunjukkan stasiun Pringkuku memiliki nilai RMSE terkecil dibandingkan dengan dua stasiun lainnya, sedangkan stasiun Kebon Agung memiliki nilai RMSE terbesar jika dibandingkan dengan dua stasiun lainnya. Gambar 24 menunjukkan stasiun Pringkuku memiliki nilai R2 terbesar dibandingkan dengan dua stasiun lainnya, sedangkan stasiun Kebon Agung memiliki nilai R2 terkecil jika dibandingkan dengan dua stasiun lainnya. Secara keseluruhan, stasiun Pringkuku memiliki arsitektur prediksi PMH terbaik.

Gambar 22 RMSE dan R2 masing-masing stasiun

Gambar 23 RMSE masing-masing stasiun 0 10 20 30 P M H Tahun Aktual Prediksi 0.72 0.74 0.76 0.78 0.80 0.82 0.84 0.00 1.00 2.00 3.00 4.00 R -sq RMSE

Arjosari Kebon Agung Pringkuku

0.00 1.00 2.00 3.00 4.00

Arjosari Kebon Agung Pringkuku

RM

SE

15

Gambar 24 R2 masing-masing stasiun

Distribusi R2 dan RMSE

Parameter dari masing-masing stasiun yang menghasilkan arsitektur terbaik dilatih ulang sebanyak 10 kali dan hasilnya berupa nilai RMSE dan nilai R2 yang berbeda untuk setiap kali pelatihan. Gambar 25 menunjukkan sebaran dari nilai R2 masing-masing stasiun dari 10 kali pelatihan. Stasiun Arjosari menggunakan parameter berupa delay [0 1 2 3], learning rate 0.3, hidden neuron 5, dan prediktor dari Nino 1+2. Stasiun Kebon Agung menggunakan parameter berupa delay [0 1], learning rate 0.3, hidden neuron 20, dan prediktor dari Nino 3. Stasiun Pringkuku menggunakan parameter berupa delay [0 1], learning rate 0.3, hidden neuron 5, dan prediktor dari Nino 3. Distribusi nilai R2 dari stasiun Arjosari tidak simetris dan miring ke kiri dengan nilai median lebih dekat ke kuartil 3. Distribusi nilai R2 dari stasiun Kebon Agung juga tidak simetris dan miring ke kanan dengan nilai median lebih dekat ke kuartil 1, selain itu terdapat nilai outlier di atas batas maksimum dari boxplot. Distribusi nilai R2 dari stasiun Pringkuku juga tidak simetris dan miring ke kiri dengan nilai median lebih dekat ke kuartil 3.

Gambar 26 menunjukkan sebaran dari nilai RMSE masing-masing stasiun dari 10 kali pelatihan. Stasiun Arjosari menggunakan parameter berupa delay [0 1 2 3], learning rate 0.1, hidden neuron 40, dan prediktor dari Nino 4. Stasiun Kebon Agung menggunakan parameter berupa delay [0 1 2], learning rate 0.01, hidden neuron 5, dan prediktor dari Nino 1+2. Stasiun Pringkuku menggunakan parameter berupa delay [0 1 2 3], learning rate 0.1, hidden neuron 40, dan prediktor dari Nino 3. Distribusi nilai RMSE dari stasiun Arjosari kurang simetris dan miring ke kiri dengan nilai median sedikit lebih dekat ke kuartil 3. Distribusi nilai RMSE dari stasiun Kebon Agung juga tidak simetris dan miring ke kanan dengan nilai median lebih dekat ke kuartil 1, selain itu terdapat nilai outlier di bawah batas minimum dan di atas batas maksimum dari boxplot. Distribusi nilai RMSE dari stasiun Pringkuku juga tidak simetris dan miring ke kiri dengan nilai median lebih dekat ke kuartil 3, selain itu terdapat nilai outlier di atas batas maksimum dari boxplot. Nilai RMSE dan R2 yang dihasilkan untuk setiap pengulangan pelatihan dengan parameter yang disebutkan sebelumnya untuk masing-masing stasiun terdapat pada Lampiran 11.

0.68 0.70 0.72 0.74 0.76 0.78 0.80 0.82 0.84

Arjosari Kebon Agung Pringkuku

R

-sq

Gambar 25 Distribusi R2 masing-masing stasiun

Gambar 26 Distribusi RMSE masing-masing stasiun

Hasil prediksi PMH yang dihasilkan berbeda untuk setiap kali pengulangan walaupun menggunakan parameter yang sama sehingga menghasilkan nilai RMSE dan R2 yang berbeda pula. Hasil terbaik tidak selalu dihasilkan oleh parameter yang sama karena hasil terbaik dapat dihasilkan oleh parameter lain dengan inisialisasi bobot yang berbeda. Ini disebabkan parameter yang digunakan dalam penelitian ini ditetapkan secara manual dan pencarian parameter menjadi kurang teliti sehingga nilai optimum tidak dapat dicapai dengan penggunaan parameter-parameter tersebut. Oleh karena itu, diperlukan pencarian nilai parameter yang lebih teliti untuk mendapatkan hasil yang optimum.

0.00 0.10 0.20 0.30 0.40 0.50 0.60 0.70 0.80 0.90

Arjosari Kb Agung Pringkuku

R -sq Stasiun 0.00 2.00 4.00 6.00 8.00 10.00 12.00

Arjosari Kb Agung Pringkuku

RM

SE

17

SIMPULAN DAN SARAN

Simpulan

Simpulan dari hasil penelitian ini yaitu pada stasiun Arjosari, hasil prediksi PMH menghasilkan nilai R2 terbaik sebesar 0.75 dengan parameter berupa delay [0 1 2 3], learning rate 0.3, hidden neuron 5, dan prediktor dari Nino 1+2, serta nilai RMSE terbaik sebesar 2.09 dengan parameter berupa delay [0 1 2 3], learning rate 0.1, hidden neuron 40, dan prediktor dari Nino 4. Pada stasiun Kebon Agung, hasil prediksi PMH menghasilkan nilai R2 terbaik sebesar 0.74 dengan parameter berupa delay [0 1], learning rate 0.3, hidden neuron 20, dan prediktor dari Nino 3, serta nilai RMSE terbaik sebesar 3.47 dengan parameter berupa delay [0 1 2], learning rate 0.01, hidden neuron 5, dan prediktor dari Nino 1+2. Pada stasiun Pringkuku, hasil prediksi PMH menghasilkan nilai R2 terbaik sebesar 0.82 dengan parameter berupa delay [0 1], learning rate 0.3, hidden neuron 5, dan prediktor dari Nino 3, serta nilai RMSE terbaik sebesar 1.97 dengan parameter berupa delay [0 1 2 3], learning rate 0.1, hidden neuron 40, dan prediktor dari Nino 3.

Saran

Penelitian masih memiliki kekurangan yang memungkinkan untuk dilakukan pengembangan lebih lanjut. Untuk mendapatkan hasil yang optimum perlu dilakukan pencarian nilai parameter yang lebih teliti, misalnya dengan menggunakan algoritme optimisasi salah satunya yaitu algoritme genetika. Selain itu, penggunaan variabel lain sebagai masukkan dalam proses TDNN dapat digunakan dalam penelitian selanjutnya.

DAFTAR PUSTAKA

Aldrian E, Susanto RD. 2003. Identification of three dominant rainfall regions within Indonesia and their relationship to sea surface temperature. International Journal of Climatology. 23:1435-1452.doi:10/1002/joc.950. Benmahdjoub K, Ameur Z, Boulifa M. 2013. Forecasting of rainfall using time

delay neural network in Tizi-Ouzou (Algeria). Energy Procedia. 36:1138-1146.doi:10.1016/j.egypro.2013.07.129.

[BMKG] Badan Meteorologi Klimatologi dan Geofisika. 2013. Prakiraan Musim Hujan [Internet]. [diunduh 2014 Jan 18]. Tersedia pada: http://www.bmkg.go.id/BMKG_Pusat/DataDokumen/PMH_1314.pdf.

Buono A, Mukhlis M, Faqih A, Boer R. 2012. Pemodelan jaringan syaraf tiruan untuk prediksi panjang musim hujan berdasar sea surface temperature. Di dalam: Seminar Nasional Aplikasi Teknologi Informasi (SNATI); 2012 Jun 15-16; Yogyakarta, Indonesia. hlm 22-26.

Buono A, Sitanggang IS, Mushthofa, Kustiyo A. 2014. A time-delay cascading neural network architecture for modelling time-dependent predictor in onset prediction. Journal of Computer Science. 10(6):976-984.doi:10.3844/jcssp. 2014.976.984.

Diponogoro AB. 2013. Peramalan panjang musim hujan menggunakan adaptive neuro fuzzy inference system [skripsi]. Bogor (ID): Institut Pertanian Bogor. Irawan B. 2006. Fenomena anomali iklim El Nino dan La Nina: kecenderungan

jangka panjang dan pengaruhnya terhadap produksi pangan. Forum Penelitian Agro Ekonomi. 24(1):28-45.

Kohavi R. 1995. A study of cross validation and bootstrap for accuracy estimation and model selection. Proceedings of the 14th International Joint Conference on Artificial Intelligence (IJCAI); 1995 Agu 20-25; Montreal, Kanada. San Francisco (US): Morgan Kaufmann. hlm 1137-1145.

Lo F, Wheeler MC, Meinke H, Donald A. 2007. Probabilistic forecasts of the onset of the North Australian wet season. Monthly Weather Review. 135:3506-3520.doi:10.1175/MWR3473.1.

[NOAA] National Oceanic and Atmospheric Administration. 2014. Equatorial pacific sea surface temperatures [Internet]. [diunduh 2014 Jan 17]. Tersedia pada: http://www.ncdc.noaa.gov/teleconnections/enso/indicators/sst.php. Said MM. 2011. Peramalan panjang musim hujan menggunakan jaringan syaraf

tiruan resilient backpropagation [skripsi]. Bogor (ID): Institut Pertanian Bogor. Walpole ER. 1992. Pengantar Statistika Edisi ke-3. Sumantri B, penerjemah. Jakarta (ID): Gramedia. Terjemahan dari: Introduction to Statistics 3rd Edition.

19

Lampiran 1 Data PMH masing-masing stasiun

Tahun PMH PMH Arjosari PMH Kebon Agung PMH Pringkuku

1982/1983 13 15 15 1983/1984 15 22 16 1984/1985 10 15 18 1985/1986 15 16 15 1986/1987 16 15 17 1987/1988 15 13 14 1988/1989 17 14 20 1989/1990 19 16 15 1990/1991 16 12 16 1991/1992 15 17 15 1992/1993 23 24 14 1993/1994 17 15 14 1994/1995 10 9 13 1995/1996 11 8 12 1996/1997 12 8 15 1997/1998 11 10 12 1998/1999 14 21 21 1999/2000 19 20 20 2000/2001 18 22 22 2001/2002 18 20 20 2002/2003 10 9 9 2003/2004 14 20 12 2004/2005 14 18 17 2005/2006 14 23 17 2006/2007 16 13 11 2007/2008 18 15 13 2008/2009 14 20 13 2009/2010 20 22 17 2010/2011 26 27 22 2011/2012 21 15 18

Lampiran 2 Data SST masing-masing wilayah Nino

Nino Tahun Jan Feb Mar Apr Mei Jun Jul Agu Sep Okt Nov Des

Nino 1+2 1982 -0.32 -0.68 -1.11 -0.65 -0.21 0.28 0.51 0.79 1.16 1.68 2.75 2.88 1983 2.56 2.12 2.35 3.21 3.95 4.35 3.74 2.78 1.38 1.02 0.38 0.18 1984 -0.36 -0.99 -0.76 -0.21 -0.83 -0.78 -0.45 -0.46 -0.15 -0.59 -0.12 -0.55 1985 -0.84 -1.28 -0.91 -1.33 -1.75 -1.24 -1.24 -1.2 -1.02 -0.94 -0.85 -0.52 1986 -0.38 -0.21 -0.72 -0.75 -1.07 -1.05 -0.34 -0.03 0.25 0.25 0.35 0.52 1987 0.92 0.91 1.38 1.34 1.54 0.96 1.02 0.82 1.12 1.34 1.01 0.5 1988 0.07 -0.37 -0.79 -0.93 -1.24 -1.42 -1.39 -1.47 -1.43 -1.38 -0.86 -0.76 1989 -0.32 -0.09 -0.3 -0.07 -1.05 -0.94 -0.72 -0.24 -0.71 -0.69 -0.38 -0.41 1990 -0.47 0.06 -0.36 -0.46 -0.28 -0.32 -0.63 -0.39 -0.6 -0.81 -0.63 -0.72 1991 -0.7 -0.52 -0.19 -0.46 0.03 0.2 0.4 0.29 0.34 0.53 0.58 0.74 1992 0.33 0.51 1.21 1.97 2.02 0.78 -0.15 -0.23 -0.03 -0.05 0.01 -0.23 1993 0 0.35 0.56 1.23 1.18 1.03 0.63 0.55 0.23 0.51 0.25 -0.16 1994 -0.13 -0.22 -0.75 -1.12 -0.89 -0.77 -0.81 -0.88 -0.23 0.83 0.45 0.74 1995 0.79 0.14 -0.41 -1.29 -1.05 -0.65 -0.56 -0.63 -0.38 -0.58 -0.33 -0.98 1996 -0.87 -0.59 -0.22 -1.61 -1.31 -1.42 -1.27 -0.87 -0.45 -0.68 -1.05 -1.33 1997 -0.98 -0.03 0.67 1.13 2.35 3.07 3.6 3.86 3.81 3.43 4.03 4.07 1998 3.44 2.71 2.73 2.84 2.94 2.11 1.63 1.17 0.43 0.16 -0.22 -0.2 1999 -0.46 -0.38 -0.03 -1.08 -0.78 -0.99 -0.63 -0.42 -0.8 -0.74 -1.2 -0.59 2000 -0.68 -0.73 -0.84 -0.09 -0.15 -0.15 -0.52 -1.02 -0.24 -0.31 -1.15 -0.95 2001 -0.43 0.01 0.39 0.38 -0.44 -0.37 -0.51 -0.86 -1.15 -1.06 -1.14 -1.3 2002 -0.6 0.11 0.87 0.83 0.86 0.19 -0.36 0.2 0.53 0.64 1.02 1.03 2003 0.31 0.15 0.4 -0.2 -1.18 -0.93 -0.49 0.16 -0.13 0.5 0.51 0.59 2004 0.4 0.37 -0.37 -0.32 -0.94 -0.53 -0.72 -0.29 -0.03 0.37 1.07 0.38 2005 -0.07 -1.02 -1.28 -0.42 -0.11 -0.48 -0.42 -0.64 -0.9 -1.33 -1.23 -0.82 2006 0.05 0.39 -0.31 -1.35 -0.6 -0.28 0.19 0.78 1.04 1.24 0.8 1.24 2007 1.24 0.81 -0.13 -0.83 -1.39 -1.46 -1 -1.52 -1.11 -1.93 -2 -1.88 2008 -0.43 0.28 0.4 0.07 0 0.1 1.04 1.04 0.72 0.18 -0.17 -0.36 2009 -0.41 -0.65 -0.89 0.35 0.55 0.99 1.17 0.86 0.58 0.27 0.3 0.21 2010 0.01 0.08 0.07 0.39 0.25 0.02 -0.98 -1.8 -1.51 -1.43 -1.39 -0.88 2011 -0.5 -0.16 -0.84 -0.33 -0.07 0.04 0.08 -0.24 -0.79 -1.16 -0.75 -0.79

21 Lanjutan Nino 3 1982 0.19 0.05 -0.18 -0.03 0.42 0.7 0.54 1.01 1.79 2.25 2.54 2.93 1983 2.83 2.14 1.67 1.5 1.73 1.57 0.87 0.58 0 -0.58 -0.95 -0.73 1984 -0.47 -0.07 -0.1 -0.31 -0.86 -1.12 -0.74 -0.38 -0.39 -0.73 -0.91 -1.2 1985 -1.09 -0.84 -0.79 -0.92 -0.98 -0.95 -1.07 -1.08 -0.97 -0.83 -0.74 -0.75 1986 -0.78 -0.46 -0.32 -0.26 -0.47 -0.34 0.04 0.19 0.35 0.58 0.8 0.96 1987 0.97 1.1 1.15 1.08 1.05 0.9 1.16 1.4 1.59 1.13 1.07 1.03 1988 0.7 -0.07 -0.14 -0.54 -1.37 -2 -1.99 -1.49 -1.15 -1.65 -1.69 -1.8 1989 -1.5 -1.01 -1.01 -0.7 -0.67 -0.19 -0.46 -0.47 -0.36 -0.46 -0.58 -0.39 1990 -0.32 0.04 -0.23 0.01 0.17 -0.06 0.04 0.12 0.12 -0.1 -0.15 -0.08 1991 0.07 0 -0.12 0.09 0.4 0.81 0.96 0.51 0.3 0.57 0.96 1.11 1992 1.26 1.11 0.98 1.24 1.24 0.67 0.05 -0.08 -0.12 -0.41 -0.37 -0.33 1993 0.02 0.44 0.4 0.87 1.09 0.42 0.4 0.32 0.22 0.21 0.06 -0.01 1994 0.07 -0.1 -0.35 -0.4 -0.08 0.02 -0.18 -0.27 -0.06 0.58 1.03 0.93 1995 0.74 0.4 0.02 -0.35 -0.69 -0.31 -0.14 -0.84 -0.98 -0.9 -0.93 -0.85 1996 -0.71 -0.66 -0.49 -0.72 -0.61 -0.51 -0.5 -0.42 -0.5 -0.54 -0.58 -1 1997 -0.97 -0.72 -0.27 -0.06 0.78 1.61 2.2 2.55 2.79 3.03 3.26 3.22 1998 2.94 2.36 1.86 1.61 1.28 0.43 -0.19 -0.42 -0.84 -0.98 -0.75 -1.05 1999 -1.36 -0.94 -0.43 -0.65 -0.7 -0.73 -0.76 -0.84 -1.12 -1.3 -1.42 -1.54 2000 -1.65 -1.15 -0.46 -0.09 -0.4 -0.6 -0.55 -0.45 -0.3 -0.46 -0.71 -0.57 2001 -0.4 -0.11 0.07 -0.03 -0.04 -0.17 -0.15 -0.16 -0.54 -0.47 -0.61 -0.52 2002 -0.53 -0.28 0.27 0.15 0.43 0.68 0.52 0.42 0.65 0.87 1.28 1.32 2003 0.9 0.52 0.24 -0.32 -0.8 -0.4 0.39 0.46 0.18 0.52 0.71 0.78 2004 0.47 0.33 0.25 0.08 -0.27 -0.04 0.18 0.29 0.4 0.6 0.73 0.66 2005 0.33 -0.12 -0.12 0.06 29.26 0.23 0.28 0.24 -0.14 -0.24 -1.22 -1.3 2006 -1.13 -0.5 -0.42 -0.38 0.04 0.12 0.14 0.48 0.73 0.92 1.24 1.35 2007 0.94 0.09 -0.49 -0.65 -0.85 -0.5 -0.67 -1.14 -1.14 -1.2 -1.39 -1.41 2008 -1.34 -1.16 -0.7 -0.19 -0.09 -0.12 0.23 0.37 0.33 0.41 -0.16 -0.5 2009 -0.48 -0.32 -0.51 -0.11 0.35 0.57 0.63 0.75 0.71 0.77 1.07 1.34 2010 1.06 0.85 0.64 0.45 0.03 -0.42 -0.82 -1.05 -1.25 -1.39 -1.5 -1.26 2011 -1.41 -0.93 -0.83 -0.3 -0.19 0.18 -0.07 -0.43 -0.7 -0.98 -0.99 -1.05

Lanjutan Nino 4 1982 -0.13 -0.13 0.07 0.24 0.37 0.35 0.02 0.09 0.27 0.65 0.52 0.59 1983 0.64 0.63 0.52 0.27 0.36 0.14 -0.16 -0.37 -0.67 -0.8 -0.93 -0.79 1984 -0.68 -0.58 -0.7 -0.76 -0.66 -0.47 -0.34 -0.42 -0.46 -0.53 -0.73 -0.94 1985 -0.77 -0.49 -0.7 -0.77 -0.85 -0.76 -0.49 -0.38 -0.4 -0.32 -0.17 -0.15 1986 -0.36 -0.22 -0.18 -0.32 -0.32 -0.08 -0.05 0.23 0.48 0.55 0.67 0.43 1987 0.49 0.64 0.65 0.42 0.4 0.6 0.56 0.68 0.76 0.96 0.88 0.71 1988 0.64 0.36 0.17 -0.13 -0.59 -0.84 -0.86 -0.65 -0.82 -1.6 -1.59 -1.69 1989 -1.69 -1.42 -1.05 -0.84 -0.61 -0.73 -0.58 -0.62 -0.34 -0.45 -0.56 -0.03 1990 0.17 0.4 0.39 0.29 0.08 0.12 0.2 0.27 0.2 0.38 0.48 0.62 1991 0.64 0.53 0.28 0.39 0.53 0.43 0.46 0.51 0.53 0.72 0.75 0.92 1992 0.71 0.82 0.74 0.61 0.54 0.43 0.35 0.2 0.11 -0.03 0.01 0.28 1993 0.39 0.19 0.2 0.23 0.19 0.18 0.2 0.14 0.3 0.12 0.23 0.31 1994 0.22 0.1 0.16 0.28 0.35 0.42 0.68 0.79 0.66 0.79 0.94 1.02 1995 0.92 0.99 0.93 0.71 0.51 0.36 0.22 0.09 -0.12 -0.2 -0.33 -0.41 1996 -0.43 -0.56 -0.39 -0.3 -0.22 -0.13 -0.15 -0.1 -0.15 -0.1 -0.03 -0.02 1997 0.1 0.36 0.44 0.79 0.66 0.52 0.61 0.59 0.83 0.79 0.8 0.73 1998 0.74 0.72 0.54 0.22 0.03 -0.39 -0.5 -0.73 -0.89 -1.21 -1.25 -1.35 1999 -1.43 -1.28 -1.16 -0.89 -0.7 -0.79 -0.92 -0.95 -0.76 -0.79 -1.11 -1.24 2000 -1.16 -1.29 -1.34 -1.14 -0.94 -0.59 -0.4 -0.44 -0.35 -0.45 -0.59 -0.87 2001 -0.83 -0.79 -0.61 -0.38 -0.19 0.07 0.31 0.26 0.39 0.37 0.28 0.22 2002 0.53 0.53 0.33 0.6 0.77 0.74 0.74 0.71 0.7 0.8 1.01 1.04 2003 0.76 0.77 0.66 0.4 0.17 0.32 0.38 0.36 0.33 0.5 0.42 0.45 2004 0.39 0.44 0.24 0.28 0.35 0.39 0.56 0.74 0.83 0.83 0.84 0.88 2005 0.93 0.76 0.61 0.51 28.3 0.38 0.15 0.08 0.15 0.15 0.01 -0.16 2006 -0.39 -0.57 -0.43 -0.16 0.1 0.34 0.36 0.51 0.61 0.74 0.92 0.94 2007 0.68 0.54 0.55 0.32 0.08 0.09 -0.03 -0.15 -0.44 -0.6 -0.73 -0.82 2008 -1.12 -1.39 -1.07 -1 -0.9 -0.73 -0.61 -0.44 -0.46 -0.47 -0.5 -0.67 2009 -0.88 -0.72 -0.38 0.09 0.26 0.33 0.4 0.49 0.64 1.02 1.27 1.26 2010 1.18 1.05 0.88 0.75 0.28 -0.18 -0.52 -1.02 -1.27 -1.32 -1.04 -0.98 2011 -1.06 -0.87 -0.64 -0.31 -0.25 -0.21 -0.14 -0.22 -0.46 -0.6 -0.78 -0.94

23 Lanjutan Nino 3.4 1982 0.02 -0.12 0.03 0.11 0.51 0.63 0.37 0.71 1.38 1.89 1.98 2.25 1983 2.26 1.92 1.43 0.94 0.91 0.58 -0.1 -0.42 -0.64 -1.03 -1.19 -0.87 1984 -0.53 -0.11 -0.28 -0.5 -0.6 -0.74 -0.44 -0.26 -0.39 -0.64 -1.13 -1.31 1985 -1.1 -0.72 -0.8 -0.87 -0.82 -0.77 -0.64 -0.65 -0.74 -0.56 -0.35 -0.5 1986 -0.63 -0.57 -0.34 -0.15 -0.34 -0.13 0.1 0.28 0.53 0.81 0.94 1.06 1987 1.15 1.19 1.16 0.89 0.79 0.98 1.24 1.55 1.59 1.29 1.2 0.91 1988 0.82 0.19 0.12 -0.23 -0.94 -1.48 -1.62 -1.22 -1.11 -1.97 -2.01 -2.01 1989 -1.98 -1.49 -1.21 -0.96 -0.74 -0.46 -0.48 -0.5 -0.36 -0.48 -0.44 -0.11 1990 -0.05 0.2 0.06 0.14 0.17 -0.06 0.14 0.23 0.13 0.22 0.15 0.28 1991 0.39 0.29 0.06 0.31 0.45 0.72 0.89 0.8 0.59 0.83 1.2 1.63 1992 1.69 1.6 1.33 1.26 1.1 0.66 0.28 0.03 -0.16 -0.39 -0.13 0.03 1993 0.2 0.37 0.38 0.7 0.79 0.39 0.31 0.08 0.31 0.22 0.19 0.1 1994 0.07 0.14 0.2 0.33 0.36 0.4 0.39 0.47 0.42 0.75 1.22 1.33 1995 1.07 0.84 0.58 0.37 -0.04 0.11 -0.04 -0.51 -0.62 -0.71 -0.91 -0.82 1996 -0.84 -0.85 -0.6 -0.38 -0.26 -0.2 -0.26 -0.18 -0.39 -0.3 -0.3 -0.56 1997 -0.58 -0.37 -0.2 0.18 0.72 1.17 1.58 1.76 2.06 2.35 2.39 2.36 1998 2.31 1.88 1.33 0.85 0.56 -0.28 -0.76 -1.01 -1.17 -1.33 -1.25 -1.57 1999 -1.71 -1.25 -0.9 -0.88 -0.92 -1.03 -1 -1.11 -1.06 -1.17 -1.54 -1.72 2000 -1.79 -1.6 -1.06 -0.81 -0.81 -0.72 -0.59 -0.47 -0.51 -0.67 -0.73 -0.86 2001 -0.74 -0.58 -0.44 -0.41 -0.21 -0.08 0.1 0.03 -0.08 -0.12 -0.26 -0.36 2002 -0.18 0 0.15 0.2 0.52 0.79 0.75 0.73 0.92 1.16 1.4 1.4 2003 1.01 0.8 0.52 -0.05 -0.49 -0.12 0.38 0.4 0.28 0.55 0.4 0.37 2004 0.24 0.23 0.07 0.12 0.12 0.26 0.59 0.75 0.77 0.77 0.65 0.71 2005 0.64 0.34 0.31 0.23 0.39 0.3 0.17 0.19 -0.02 -0.07 -0.6 -0.88 2006 -1.01 -0.68 -0.52 -0.25 0 0.14 0.09 0.33 0.49 0.69 1.08 1.18 2007 0.71 0.16 -0.07 -0.25 -0.36 -0.15 -0.34 -0.63 -0.85 -1.03 -1.26 -1.3 2008 -1.59 -1.64 -1.16 -0.83 -0.72 -0.55 -0.28 -0.12 -0.12 -0.12 -0.41 -0.81 2009 -0.95 -0.74 -0.54 -0.16 0.24 0.43 0.53 0.6 0.71 0.99 1.54 1.79 2010 1.58 1.32 1 0.64 0.11 -0.46 -0.9 -1.3 -1.52 -1.52 -1.42 -1.41 2011 -1.59 -1.15 -0.96 -0.6 -0.25 -0.05 -0.19 -0.39 -0.65 -0.8 -1.03 -1.08

Lampiran 3 Nilai korelasi antara SST setiap Nino dengan PMH setiap stasiun SST Nino PMH Stasiun Nilai Korelasi

Jan Feb Mar Apr Mei Jun Jul Agu Sep Okt Nov Des

Nino 1+2 Arjosari -0.01 0.05 -0.01 0.14 0.05 -0.03 -0.16 -0.30 -0.42 -0.44 -0.45 -0.38 Kb Agung 0.24 0.15 0.18 0.41 0.27 0.21 0.11 -0.06 -0.22 -0.26 -0.32 -0.26 Pringkuku 0.11 -0.04 -0.09 0.09 0.00 -0.05 -0.16 -0.34 -0.45 -0.47 -0.48 -0.43 Nino 3 Arjosari 0.00 0.03 0.01 0.14 -0.08 -0.11 -0.29 -0.33 -0.37 -0.43 -0.41 -0.34 Kb Agung 0.27 0.28 0.31 0.39 0.27 0.02 -0.11 -0.13 -0.26 -0.31 -0.37 -0.31 Pringkuku 0.08 0.09 0.12 0.12 0.05 -0.38 -0.48 -0.43 -0.48 -0.54 -0.54 -0.51 Nino 4 Arjosari -0.12 -0.12 -0.09 -0.09 -0.10 -0.27 -0.34 -0.41 -0.39 -0.37 -0.32 -0.27 Kb Agung 0.01 -0.02 -0.05 -0.11 0.23 -0.24 -0.33 -0.43 -0.40 -0.34 -0.34 -0.32 Pringkuku -0.20 -0.21 -0.27 -0.36 0.02 -0.56 -0.60 -0.62 -0.57 -0.56 -0.56 -0.59 Nino 3.4 Arjosari -0.01 -0.01 -0.01 0.00 -0.09 -0.24 -0.36 -0.43 -0.43 -0.43 -0.36 -0.31 Kb Agung 0.20 0.19 0.18 0.10 0.00 -0.20 -0.29 -0.35 -0.38 -0.36 -0.36 -0.34 Pringkuku -0.01 -0.03 -0.05 -0.15 -0.31 -0.56 -0.60 -0.56 -0.55 -0.56 -0.56 -0.55

25

Lampiran 4 Hasil prediksi untuk masing-masing stasiun

Stasiun R-sq RMSE Panjang Musim Hujan

Prediksi Observasi Arjosari 0.75 2.40 10.41 10 16.33 14 15.83 14 10.72 14 12.77 16 15.27 18 15.25 14 16.31 20 25.52 26 23.08 21 Arjosari 0.41 2.09 13.14 13 14.99 15 13.38 10 14.69 15 16.06 16 15.91 15 13.24 17 22.34 19 13.63 16 15.64 15 Kebon Agung 0.74 5.86 6.92 9 14.21 20 12.89 18 17.18 23 10.10 13 6.74 15 16.84 20 14.65 22 16.87 27 13.33 15

Lanjutan Kebon Agung 0.05 3.47 15.70 15 18.32 22 20.39 15 9.48 16 12.64 15 14.66 13 14.58 14 18.40 16 15.51 12 14.15 17 Pringkuku 0.82 2.41 14.76 14 11.19 14 13.74 13 8.69 12 16.53 15 8.52 12 24.49 21 21.14 20 20.43 22 17.27 20 Pringkuku 0.77 1.97 16.43 14 15.01 14 12.81 13 14.03 12 14.20 15 11.01 12 24.14 21 22.22 20 18.97 22 18.59 20

27

Lampiran 5 Arsitektur jaringan Arjosari untuk R2 terbesar

Sep(t) Okt(t) Nov(t) Des(t) Sep(t-3) Okt(t-3) Nov(t-3) Des(t-3) Z1 Z2 Z3 Z4 Z5 1 1 Y

Lampiran 6 Arsitektur jaringan Arjosari untuk RMSE terkecil Jul(t) Agu(t) Sep(t) Okt(t) Nov(t) Jul(t-3) Agu(t-3) Sep(t-3) Okt(t-3) Nov(t-3) Z1 Z2 Z3 Z40 Y 1 1

29

Lampiran 7 Arsitektur jaringan Kebon Agung untuk R2 terbesar

Mar(t) Apr(t) Nov(t) Des(t) Mar(t-1) Apr(t-1) Nov(t-1) Des(t-1) 1 Z1 Z2 Z3 Z20 Y 1

Lampiran 8 Arsitektur jaringan Kebon Agung untuk RMSE terkecil Apr(t) Nov(t) Apr(t-2) Nov(t-2) 1 Z1 Z2 Z3 Z4 Z5 1 Y

31

Lampiran 9 Arsitektur jaringan Pringkuku untuk R2 terbesar

Jul(t) Agu(t) Sep(t) Okt(t) Nov(t) Jul(t) Des(t) Sep(t) Okt(t) Nov(t) Des(t) Z1 Z2 Z3 Z4 Z5 1 1 Y

Lampiran 10 Arsitektur jaringan Pringkuku untuk RMSE terkecil Jul(t) Agu(t) Sep(t) Okt(t) Nov(t) Jul(t) Des(t) Sep(t-3) Okt(t-3) Nov(t-3) Des(t-3) Z1 Z2 Z3 Z4 Z5 1 1 Y Z40

33

Lampiran 11 Nilai RMSE dan R2 masing-masing pengulangan parameter terbaik

Train Arjosari Kebon Agung Pringkuku

RMSE R-sq RMSE R-sq RMSE R-sq

1 4.77 0.51 10.94 0.74 3.26 0.47 2 5.55 0.55 3.47 0.00 3.26 0.54 3 4.63 0.18 6.74 0.05 4.53 0.34 4 6.05 0.29 8.13 0.07 1.97 0.59 5 3.29 0.31 7.24 0.00 3.96 0.58 6 5.60 0.75 7.61 0.24 3.63 0.05 7 4.32 0.38 7.19 0.50 4.27 0.36 8 3.42 0.48 9.07 0.10 4.26 0.48 9 4.05 0.51 7.92 0.09 3.14 0.24 10 2.09 0.57 7.22 0.30 6.59 0.82

RIWAYAT HIDUP

Penulis lahir pada tanggal 7 Maret 1993 di Jakarta dari pasangan Ayah Tamsir, SH MH dan Ibu Yenny. Penulis merupakan anak kedua dari tiga bersaudara. Penulis menempuh pendidikan di Sekolah Menengah Atas Negeri 1 Situbondo dan lulus pada tahun 2010. Setelah menempuh pendidikan di SMA, penulis melanjutkan pendidikan pada Program Studi Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor pada tahun 2010 melalui jalur Undangan Seleksi Masuk IPB (USMI). Selama menjadi mahasiswa aktif, penulis juga aktif dalam organisasi sebagai bendahara divisi internal untuk periode 2011-2012 serta sebagai anggota divisi marketing untuk periode 2012-2013 pada Himpunan Mahasiswa Ilmu Komputer (HIMALKOM).