Prediksi Curah Hujan Menggunakan Metode Learning Vector Quantization
(Studi Kasus : Kota Tanjungpinang)
Lisa Rosmala, Martaleli Bettiza, Nola Ritha
[email protected], [email protected], [email protected] Program Studi Teknik Informatika, Fakultas Teknik, Universitas Maritim Raja Ali
Haji
ABSTRAK
Curah hujan sangat berpengaruh bagi keberlangsungan kehidupan makhluk hidup untuk melakukan aktifitas sehari-hari khususnya penduduk di Kota Tanjungpinang. Pada penelitian ini penulis memprediksi curah hujan berdasarkan 730 data curah hujan harian dari tahun 2014-2015 yang diperoleh dari kantor BMKG Kota Tanjungpinang. Prediksi ini menggunakan empat variabel yaitu suhu, kelembaban udara, tekanan udara, dan kecepatan angin, dengan menggunakan metode learning vector quantization (LVQ) untuk memprediksi curah hujan di Kota Tanjungpinang. Hasil penelitian menunjukkan penggunaan data training 75% dan testing 25% dengan alfa 0.05 epoh 20 dan minalfa 0,001 memperoleh nilai akurasi terbaik 81.52%.
Kata Kunci : Curah Hujan, learning vector quantization, Kota Tanjungpinang
PENDAHULUAN
Kota Tanjungpinang memiliki intensitas curah hujan dan kemarau yang tinggi. Kondisi cuaca seperti ini sangat mempengaruhi aktifitas penduduk Kota Tanjungpinang dalam berbagai bidang seperti bidang pertanian, peternakan, industri dan lainnya. Salah satu cuaca yang sedikit menghambat aktifitas penduduk Kota Tanjungpinang adalah pengaruh curah hujan yang tidak dapat diperkirakan dengan peramalan tradisional.
Curah hujan itu sendiri sangat berpengaruh bagi keberlangsungan kehidupan makhluk hidup, kondisi cuaca yang stabil sangat dibutuhkan penduduk Kota Tanjungpinang untuk melakukan aktifitas sehari-hari. Maka dari itu prediksi curah hujan sangat dibutuhkan untuk mengetahui tingkat curah hujan diwaktu yang akan datang.
Untuk memprediksi curah hujan tersebut di butuhkan beberapa data diantaranya suhu, kecepatan angin, tekanan udara dan kelembaban udara. Pada penelitian ini data curah hujan yang di gunakan adalah data harian dari tahun 2014 dan 2015 yang di peroleh dari kantor BMKG Kota Tanjungpinang. Setelah data terkumpul maka akan di lakukan pemodelan prediksi curah hujan menggunakan metode Learning Vector Quantization.
BAHAN DAN METODE
Lokasi penelitian dalam menerapkan metode learning vector quantization adalah kantor BMKG Kota Tanjungpinang. Fokus penelitian pada sistem ini adalah dengan menerapkan metode learning vector quantization untuk memprediksi curah hujan di Kota Tanjungpinang dengan menggunakan beberapa variabel diantaranya suhu, kelembaban udara, tekanan udara dan kecepatan angin. Data yang digunakan pada penelitian ini yaitu data harian dari tahun 2014 sampai tahun 2015 yang diperoleh dari kantor BMKG Kota Tanjungpinang.
(BMKG, 2013) Curah hujan adalah ketinggian air hujan yang terkumpul dalam penakar hujan pada tempat yang datar, tidak menyerap, tidak meresap, dan tidak mengalir. Unsur hujan 1 (satu) millimeter artinya dalam luasan satu meter per segi pada tempat yang datar tertampung air hujan setinggi satu millimeter atau tertampung air hujan sebanyak satu liter. Sifat hujan adalah perbandingan antara jumlah curah hujan yang terjadi selama satu periode dengan nilai rata-rata atau normal di suatu tempat. Sifat hujan di bagi menjadi tiga kriteria yaitu diatas normal, normal, di bawah normal.
Sifat hujan dibagi menjadi 3 (tiga) katagori, yaitu : Tabel 1.Sifat Hujan
(Mahrina, 2014) Kemudian untuk menentukan target akan di jelaskan di bawah ini :
a. Menentukan target sifat hujan di bawah normal (diinisialisasikan “1”) : <85% dengan cara, 85
100x nilai rata-rata.
b. Menentukan target sifat hujan normal (diinisialisasikan “2”): Antara 85% - 115%.
c. Menentukan target sifat hujan diatas normal (diinisialisasikan “3”) : >115% dengan cara, 115
100x nilai rata-rata. Normalisasi Data
Hidayat (2012) normalisasi data merupakan sebuah teknik untuk mengorganisasikan data ke dalam tabel-tabel untuk memenuhi kebutuhan pemakai di dalam suatu organisasi. Data-data yang ada di lakukan normalisasi dengan
No Kategori Nilai terhadap rata-rata
1 Bawah Normal < 85%
2 Normal 85% - 115%
membagi nilai data tersebut dengan nilai range data ( nilai data maximum – nilai data minimum). Adapun rumusnya sebagai berikut :
Xn =
X0 − Xmin
Xmax − Xmin (1)
Akurasi
Andri (2012) Pengukuran akurasi sistem dapat dihitung dengan persamaan berikut :
Akurasi=( Jumlah target yang sama
Jumlah seluruh data x 100%) (2)
Learning Vector Quantization (LVQ)
LVQ adalah jaringan single layer yang terdiri dari dua lapisan yaitu lapisan input dan output (Nurkhozin, dkk, 2011).
Menurut Kusumadewi (2004), learning vector quantization(LVQ) adalah suatu metode untuk melakukan pelatihan terhadap lapisan-lapisan kompetitip yang terawasi.
Kusumadewi (2004) menyatakan ada beberapa langkah yang harus dilakukan pada perhitungan Learning Vector Quantization. Langkah-langkah tersebut akan dipaparkan dibawah:
0. Tetapkan :
a. Bobot awal variabel input ke-j menuju ke kelas ke-I Wij, dengan i=1, 2,…K; dan j=1, 2,…,m.
b. Maksimum epoh : MaxEpoh c. Parameter learning rate : α d. Pengurangan learning rate : Decα
e. Minimal learning rate yang diperbolehkan : Minα 1. Masukkan :
a. Data input : Xij ; Dengan i= 1, 2,…,n dan j= 1, 2,…,m. b. Target berupa kelas: T; Dengan k=1, 2,…,n.
2. Tetapkan kondisi awal: epoh=0.
3. Kerjakan jika: (epoh ≤ MaxEpoh) dan (α ≥ Minα) a. Epoh = epoh + 1;
b. Kerjakan untuk i=1 sampai n
i. Tentukan J sedemikian hingga |Xi – Wj | minimum; Dengan j=1,2,…,K. √(𝑥𝑖− 𝑤𝑗) 2 + (𝑥𝑖2− 𝑤𝑗2) 2 … + (𝑥𝑖𝑚− 𝑤𝑗𝑚) 2 (3)
ii. Perbaiki Wj dengan ketentuan : o Jika T = Cj maka :
Wj = Wj + α (Xi – Wj) (4) o Jika T ≠ Cj maka :
c. Kurangi nilai α.
α = α – (0,1 * α) (6) Tabel 1. Data Nornalisasi Curah Hujan Beserta Target
X1 X2 X3 X4 Y T
Target
Suhu Kelembaban Udara Tekanan Udara Kecepatan Angin Curah Hujan
(Celcius) (%) (mb) (knot) (mm) 0.5000 0.5758 0.5385 0.6364 0.0000 1 0.5185 0.5758 0.5165 0.3636 0.0000 1 0.4630 0.6364 0.5275 0.4545 0.0398 1 0.4630 0.5455 0.4725 0.4545 0.1420 3 0.1852 0.7273 0.3956 0.3636 0.0019 1 0.1481 0.8485 0.3956 0.3636 0.2415 3 0.2407 0.7273 0.4286 0.4545 0.0369 1 0.4074 0.5152 0.4286 0.6364 0.0000 1 0.6481 0.6667 0.4286 0.3636 0.0672 2 ... … … … … … 0.7778 0.3636 0.2527 0.3636 0.0000 1 0.8333 0.3636 0.2747 0.7273 0.0000 1 0.8704 0.4242 0.3626 0.4545 0.3996 3 0.6852 0.5758 0.3187 0.5455 0.0473 1 0.7037 0.6061 0.3736 0.0909 0.1913 3
HASIL DAN PEMBAHASAN Tabel 51. Tabel Perbandingan Hasil Uji
No Suhu Kelembaban Udara Tekanan Udara Kecepatan Angin Curah Hujan Target Awal Hasil Testing Ket. 1 0.8750 0.6458 0.8033 0.1250 0.0000 1 1 Sama 2 0.8864 0.6667 0.6229 0.8750 0.0000 1 1 Sama 3 0.8864 0.6250 0.4426 1.0000 0.0000 1 1 Sama
4 0.68 18 0.81 25 0.54 10 0.37 50 0.11 80 3 5 0.80 68 0.66 67 0.32 79 0.62 50 0.00 00 0.6818 0.8125 0.5410 0.3750 0.1180 3 3 Sama 5 0.8068 0.6667 0.3279 0.6250 0.0000 1 1 Sama 6 0.8977 0.6250 0.1311 0.3750 0.0000 1 1 Sama 7 0.9318 0.6250 0.1639 0.8750 0.0000 1 1 Sama 8 0.9545 0.6667 0.2951 0.5000 0.4220 3 1 Tidak 9 0.8409 0.7708 0.2295 0.6250 0.0500 1 1 Sama 10 0.8523 0.7917 0.3115 0.0000 0.2020 3 1 Tidak … … … … 180 0.7727 0.7292 0.8688 0.6250 0.0000 1 1 Sama 181 0.7614 0.8125 1.0000 0.6250 0.0220 1 1 Sama 182 0.7500 0.7917 0.8361 0.6250 0.0780 2 1 Tidak 183 0.8636 0.6667 0.7377 0.7500 0.0050 1 1 Sama 184 0.7841 0.7917 0.7377 0.7500 0.1030 3 1 Tidak Akurasi 81,52 %
Tabel perbandingan hasil uji merupakan tabel hasil pengujian yang dilakukan pada sistem. Pada tabel perbandingan hasil uji diatas dapat dilihat bahwa dari 184 data testing, target yang sama dengan target awal yaitu berjumlah 150 data.
KESIMPULAN
Berdasarkan hasil penelitian diatas, dapat disimpulan sebagai berikut, yaitu : 1. Metode Learning Vector Quantization dapat menghasilkan model prediksi
yang bisa diterapkan dalam memprediksi curah hujan di Kota Tanjungpinang. 2. Hasil pengujian pada sistem menunjukkan bahwa akurasi terbaik yang didapat
dengan menggunakan data training sebanyak 75% dan data testing 25% yaitu dengan jumlah iterasi 20, alfa 0.05 dec alfa 0,1 dan minalfa 0,001 didapat sebesar 81.52%.
DAFTAR PUSTAKA
Andri, 2012, “Implementasi Segmentasi Citra dan Algoritma Learning Vector
Quantization (LVQ) Dalam Pengenalan Bentuk Botol” ISSN. 1412-0100, STMIK Mikroskil, Medan.
Arisandi, D., Situmpul, O.S., dan Batubara, E.A., 2015, “Learning Vector Quantization untuk Prediksi untuk Produksi Kelapa Sawit pada PT. Perkebunan Nusantara 1 Pulau Tiga”, Prosiding Seminar Ilmiah Nasional Teknologi Komputer (SENATKOM 2015), Universitas Sumatera Utara, Padang.
Badan Meteorologi Klimatologi dan Geofisika, Daftar Istilah Klimatologi, http://balai3.denpasar.bmkg.co.id/daftar-istilah-musim, 11 Maret 2017.
BPS, 2016, “Statistik Year Book Of Indonesia 2016”, Badan Pusat Statistik, Jakarta. Budianita, E., dan Arni, U.D., 2015, “Penerapan Learning Vector Quantization Penentuan
Bidang Konsentrasi Tugas Akhir (Studi Kasus : Mahasiswa Teknik Informatika UIN Suska Riau)”, Jurnal CoreIT, UIN, Pekanbaru.
Dillak, R.Y., Pangestuti, D.M., Bintiri, M.G., 2012, “Klasifikasi Jenis Musik Berdasarkan File Audio Menggunakan Jaringan Syaraf Tiruan Learning Vector Quantization”, Seminar Nasional Informatika 2012, AMIKOM, Yokyakarta.
Feng, Y., dan Zhao, C., 2013, “Application of Learning Vector Quantization Neural Network in the Financial Failure Prediction”, An Indian Journal, Xinzhou Teachers University, China.
Hidayat, R., dan Suprapto, 2012, “Meminimalisasi Nilai Error Peramalan dengan Algoritma Extreme Learning Machine”, Jurnal Optimasi Sistem Industri, Vol. 11 No. 1, April 2012 : 187-192
Kusumadewi, Sri., 2004, ”Jaringan Syaraf Tiruan Menggunakan MATLAB dan EXCEL LINK”,Graha Ilmu, Yogjakarta.
Leleury, Z.A., dan Aulele, S.N., 2016, “Perancangan Sistem Diagnosa Penyakit Saluran Pernapasan Menggunakan Metode Learning Vector Organization (LVQ)”, Jurnal Informatika Integratif, Unpatti, Ambon.
Meliawati, R., Soesanto, O., dan Kartini, D., 2016, Penerapan Metode Learning Vector Quantization (LVQ) pada Prediksi Jurusan di SMA PGRI Banjarbaru”, Kumpulan Jurnal Ilmu Komputer (KLIK), UNLAM, Kalimantan Selatan.
Mahrina, T., 2014.” Analisis Perbandingan Backpropagation dengan Learning Vector Quantization (LVQ) untuk Memprediksi Curah Hujan di Kota Medan”, Tesis, Universitas Sumatra Utara, Medan.
Mustaqbal, M.S., Firdaus, R.F., dan Rahmadi, H., 2015, “Pengujian Aplikasi Menggunakan Black Box Testing Boundari Value Analysis (Studi Kasus : Aplikasi Prediksi Kelulusan SNMPTN)”, Jurmal Ilmiah Teknologi Informasi Terapan, Universitas Widyatama, Bandung.
Nurkhozin, A., 2011. “Komparasi Hasil Klasifikasi Penyakit Diabetes Mellitus Menggunakan Jaringan Syaraf Tiruan Backpropagation dan 104 Learning Vector Quantization”, Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan FMIPA UNY. 14 Mei 2011.
Yousef, A., dan Charkari N.M., 2013, “A novel method based on new adaptive LVQ neural network for predicting protein-protein interactions from protein sequences” Journal of Theoretical Biology, Tarbiat Modares University,Iran
