SYARAF TIRUAN (JST) UNTUK PREDIKSI CURAH HUJAN DI KABUPATEN BANDUNG
Irzanes Putri¹, Fhira Nhita ², Dr. Adiwijaya³
¹Ilmu Komputasi, Fakultas Teknik Informatika, Universitas Telkom
Abstrak
Cuaca merupakan kejadian fenomenal yang terjadi di muka bumi ini. Cuaca terjadi karena perubahan suhu dan kelembaban antara suatu tempat dengan tempat yang lain. Perbedaan ini terjadi karena sudut pemanasan Matahari yang berbeda pada setiap tempatnya. Terjadinya pemanasan global mengakibatkan perubahan cuaca yang tidak menentu. Misalnya saja, pada musim kemarau hujan akan turun terus menerus dengan intensitas yang tinggi, begitu pula sebaliknya. Untuk itulah diperlukan suatu metode untuk memprediksi curah hujan agar didapatkan gambaran kejadian yang akan datang.
Penelitian tugas akhir ini menggunakan Algoritma Jaringan Syaraf Tiruan (JST) untuk
memprediksi curah hujan 12 bulan ke depan berdasarkan data curah hujan bulanan. Akan tetapi, JST memiliki kelemahan dalam menentukan arsitektur dan bobot yang optimal. Untuk
mendapatkan hasil terbaik, maka Algoritma Genetika akan digunakan untuk mengoptimasi JST.
Algoritma Genetika membangkitkan sejumlah individu dengan representasi biner dan real, kemudian individu tersebut didekodekan sehingga didapatkan sebuah arsitektur dan bobot JST.
Setiap individu akan dievaluasi menggunakan algoritma feedforward untuk mencari individu terbaik berdasarkan fitnessnya. Kemudian, individu tersebut akan mengalami seleksi orang tua, rekombinasi, dan mutasi sehingga didapatkan individu yang berisi arsitektur dan bobot JST yang optimal.
Arsitektur dan bobot JST yang optimal dihasilkan dengan probabilitas cross-over (P c ) 0.6 dan probabilitas mutasi (P ) 0.1, ukuran populasi 200 dan individu yang dievaluasi maksimal sebanyak 200.000 individu dengan akurasi rata-rata pelatihan dan pengujian adalah 75,21%. m
Kata Kunci : curah hujan, Jaringan Syaraf Tiruan, Algoritma Genetika, feedforward
Abstract
The weather is phenomenal events that occurred in the face of this earth. Weather occurs due to changes in temperature and humidity between the place and somewhere else. This difference occurs because of the different angle of the sun warming at each place. Global warming resulting in erratic weather changes. For example, in the dry season it will rain continuously with high intensity, and vice versa. Because of that, we need a method to predict rainfall in order to get an overview of events to come.
This thesis uses Algorithm Neural Network (ANN) to predict rainfall next 12 months based on monthly rainfall data. However, ANN has disadvantages in determining the optimal architecture and weights. To get the best results, Genetic Algorithm is used to optimize the ANN. Genetic Algorithm generates a number of individuals with binary representation and real, then the individual is decoded to obtain a neural network architecture and weights. Each individual will be evaluated using feedforward algorithms to find the best individuals based fitnessnya. Then, the individual will experience a parental selection, recombination and mutation to obtain individuals which contains the architecture and weight of the optimal ANN.
ANN architecture and optimal weights generated by the cross-over probability (Pc) 0.6 and probability of mutation (Pm) 0.1, the population size of 200 individuals were evaluated and a maximum of 200,000 people with an average accuracy of training and testing was 75.21%.
Keywords : rainfall, Artificial Neural Network, Genetic Algorithm, feedforward
1. PENDAHULUAN
Bab ini akan membahas tentang latar belakang, perumusan masalah, batasan masalah, tujuan, hipotesis, metode yang digunakan, dan sistematika penulisan laporan.
1.1 Latar Belakang
Cuaca merupakan kejadian fenomenal yang terjadi di muka Bumi ini. Cuaca terjadi karena perubahan suhu dan kelembaban antara suatu tempat dengan tempat yang lain. Perbedaan ini terjadi karena sudut pemanasan Matahari yang berbeda pada setiap tempatnya. Terjadinya pemanasan global mengakibatkan perubahan cuaca yang tidak menentu. Misalnya saja, pada musim kemarau hujan akan turun terus menerus dengan intensitas yang tinggi, begitu pula sebaliknya.
Cuaca memiliki pengaruh yang sangat besar bagi kehidupan di Bumi, terutama dalam bidang pertanian. Keadaan tanah yang digunakan untuk pertanian sangat dipengaruhi oleh unsur-unsur cuaca, yaitu curah hujan, suhu, dan kelembaban. Kondisi cuaca yang tidak tentu setiap bulannya sangat mempengaruhi pertumbuhan produksi pertanian terutama jika intensitas hujan yang cukup tinggi. Untuk itulah diperlukan suatu prediksi yang menggambarkan bagaimana kondisi cuaca di masa datang dengan mengamati pola-pola cuaca dari masa lampau agar didapatkan hasil produksi pertanian yang baik.
Berkaitan dengan hal di atas, Jaringan Syaraf Tiruan (JST) atau (Bahasa Inggris Artificial Neural Network (ANN)) merupakan salah satu metode peramalan time series. Dalam jurnalnya Juan Peralta, dkk menyebutkan bahwa, beberapa permasalahan telah ditangani oleh teknik peramalan time series dengan JST [5]. Selain itu, pada [3] juga disebutkan bahwa, JST telah berhasil digunakan untuk memecahkan masalah peramalan time series karena karakteristik pemodelan hubungan nonlinear yang kompleks diantara data tanpa beberapa anggapan sebelumnya dari data alam. JST memiliki kelemahan dalam
Computation (EC) yang melakukan proses pencarian dengan teknik evolusi agar didapatkan hasil arsitektur yang optimal [3].
Algoritma Genetika (AG) merupakan salah satu algoritma berbasis teknik evolusi yang memiliki keunggulan untuk mencari nilai optimasi pada JST, sehingga akan didapatkan arsitektur JST yang optimal. Algoritma Genetika tidak memerlukan perhitungan matematika yang rumit seperti differensial yang diperlukan oleh algoritma optimasi lain, misalnya saja Differential Evolution (DE). Pada jurnalnya [1], Shipra Banik, dkk juga menggunakan Algoritma Genetika untuk memprediksi curah hujan pada beberapa stasiun di Bangladesh.
Hasil penelitiannya menunjukkan bahwa, Algoritma Genetika dapat digunakan untuk memprediksi curah hujan lebih akurat dibandingkan dengan model statistik yang lain seperti ARIMA.
Untuk itulah pada tugas akhir ini akan dilakukan analisis dan implementasi untuk prediksi curah hujan 12 bulanke depan menggunakan JST yang dioptimasi oleh Algoritma Genetika dari data curah hujan bulanan sebelumnya di Kabupaten Bandung.
1.2 Perumusan Masalah
Berdasarkan latar belakang di atas, rumusan masalah yang dapat diambil adalah sebagai berikut.
1. Bagaimana cara mendapatkan struktur dan bobot optimal pada JST yang dioptimasi Algoritma Genetika?
2. Bagaimana implementasi JST yang dioptimasi dengan Algoritma Genetika untuk memprediksi curah hujan di Kabupaten Bandung?
3. Bagaimana performansi JST yang dioptimasi Algoritma Genetika dalam memprediksi curah hujan di Kabupaten Bandung?
1.3 Batasan Masalah
Penelitian ini dibatasi pada permasalah sebagai berikut:
1. Data yang digunakan merupakan data rata-rata curah hujan Kabupaten Bandung setiap bulan dari bulan Januari 2004 s.d Desember 2013 yang diambil dari Dinas Sumber Daya Air Pertambangan dan Energi Kabupaten Bandung.
2. Struktur JST yang digunakan adalah Multi Layer Perceptron.
1.4 Tujuan
Berdasarkan perumusan masalah di atas, tujuan dari penelitian ini adalah sebagai berikut.
1. Menganalisis struktur dan bobot optimal pada JST yang dioptimasi Algoritma Genetika.
2. Menganalisis dan mengimplementasikan JST yang dioptimasi Algoritma Genetika untuk memprediksi curah hujan di Kabupaten Bandung.
3. Menganalisis performansi JST yang dioptimasi Algoritma Genetika dalam memprediksi curah hujan di Kabupaten Bandung.
1.5 Hipotesis
Dengan adanya implementasi Algoritma Genetika (AG) untuk optimasi Algoritma Jaringan Syaraf Tiruan (JST), maka prediksi curah hujan 12 bulan ke depan untuk Kabupaten Bandung dapat diprediksi dengan keakuratan di atas 70%.
1.6 Metodologi Penelitian
Dalam melakukan pengumpulan data dan informasi, penulis menggunakan beberapa metode penelitian, antara lain:
a. Studi Literatur
Pada metodologi ini, penulis melakukan pencarian, pengumpulan, dan mempelajari informasi referensi tentang peramalan time series, JST, dan AG dari berbagai sumber buku, jurnal maupun sumber lain yang berasal dari
b. Pengumpulan Data
Pada metodologi ini, penulis memperoleh data dari Dinas Sumber Daya Air Pertambangan dan Energi Kabupaten Bandung dari 1 Januari 1998 s.d 31 Desember 2013.
c. Analisis dan Perancangan Sistem
Pada metodologi ini, penulis merancangalur sistem yang akan dibangun menggunakan JST yang dioptimasi Algoritma Genetika.
d. Implementasi Sistem
Pada metodologi ini, penulis mengimplementasikan rancangan sistem sesuai dengan perancangan yang telah dilakukan sebelumnya.
e. Analisis Hasil Pengujian
Pada metodologi ini, penulis melakukan analisis hasil implementasi berupa parameter-parameter dari JSTyang dioptimasi Algoritma Genetika serta akurasidari sistem yang dilakukan dalam penyelesaian Tugas Akhir ini.
f. Pembuatan Laporan Tugas Akhir
Pada metodologi ini, penulis mendokumentasikan penyelesaian Tugas Akhir ke dalam bentuk laporan tertulis.
1.7 Sistematika Penulisan
1 PENDAHULUAN
Bab ini membahas latar belakang, perumusan dan batasan masalah, tujuan, hipotesis, metodologi penyelesaian masalah dan sistematika penulisan.
2 LANDASAN TEORI
Bab ini menjelaskan uraian teori yang berhubungan dengan peramalan, curah hujan, Algoritma Genetika, JST, dan JST yang dioptimasi oleh Algoritma Genetika.
3 ANALISIS PERANCANGAN
Bab ini akan menjelaskan mengenai proses analisis perancangan yang dibangun.
4 ANALISIS HASIL PENGUJIAN
Bab ini akan menjelaskan hasil dari analisis perancangan dan implementasinya mengenai parameter-parameter, performansi, dan akurasi pada metode yang digunakan dalam sistem.
5 PENUTUP
Bab ini akan menguraikan kesimpulan terhadap hasil analisa yang telah dilakukan dan berisikan daftar berbagai macam referensi baik itu berupa buku, jurnal maupun hasil penelitian.
1.8 Jadwal Kegiatan
Tabel 1-1 Jadwal Kegiatan
No. Kegiatan Februari Maret April Mei Juni Juli
1 Studi Literatur
2 Pengumpulan Data
3 Perancangan Sistem
4 Implementasi Sistem
5 Analisis Hasil Implementasi Sistem 6 Penyusunan Laporan
5. KESIMPULAN DAN SARAN
Bab ini berisi kesimpulan dari hasil tugas akhir dan saran – saran untuk pengembangan lebih lanjut.
5.1 Kesimpulan
Berdasarkan pengujian yang dilakukan, penelitian tugas akhir ini dapat disimpulkan bahwa:
a. Beberapa tahapan yang digunakan untuk mendapatkan arsitektur dan bobot optimal pada JST yang dioptimasi Algoritma Genetika adalah inisialisasi populasi, dekode kromosom, evaluasi individu menggunakan algoritma feedforward, seleksi orang tua, rekombinasi berdasarkan Pc, mutasi berdasarkan Pm, dan pergantian populasi (seleksi survivor).
b. Hybrid Algoritma Jaringan Syaraf Tiruan (JST) dan Algoritma Genetika menghasilkan arsitektur dan bobot optimal dengan ukuran populasi 200, probabilitas cross-over (Pc) 0.6 dan probabilitas mutasi (Pm) 0.1, jumlah individu yang dievaluasi sebanyak 200.000 individu dengan rata-rata akurasi 75,21%.
c. Hasil prediksi Algoritma Jaringan Syaraf Tiruan (JST) yang dioptimasi Algoritma Genetika (AG) memberikan performansi akurasi di atas 70%.
5.2 Saran
a. Pada penelitian selanjutnya untuk prediksi curah hujan dapat menggunakan algoritma EAs yang lain selain Algoritma Genetika sebagai perbandingan dari hasil performansi Algoritma Genetika.
b. Memperbanyak skenario pengujian dan proses running pada setiap percobaan agar didapatkan hasil yang lebih baik.
DAFTAR PUSTAKA
[1] Banik, S., Chanchary, F. H., Khan, K., Rouf, R. A., & Anwer, M. (2008).
Neural Network and Genetic Algorithm Approaches for Forecasting Bangladeshi Monsoon Rainfall. Proceedings of 11th International
Conference on Computer and Information Technology (ICCIT 2008), 735- 740.
[2] Han, J., & Kamber M. (2006). Data Mining Concept and Techniques. San Francisco: Morgan Kaufmann
[3]L. J., A. R., de Mattos Neto, P. S., & Ferreira, T. A. (2009). Prime Step in The Time Series Forecasting With Hybrid Methods: The Fitness Function Choice.
International Joint Conference on Neural Networks, 2703-2710.
[4] Nagahamula, H. R., Ratnayake, U. R., & Ratnaweera, A. (2012). An Ensemble of Artificial Neural Networks in Rainfall Forecasting. The International Conference on Advances in ICT for Emerging Regions-ICTer 2012, 176- 181.
[5] Peralta, J., Li, X., Gutierrez, G., & Sanchis, A. (2010). Time Series Forecasting bu Envolving Artificial Neural Network Using Genetic Algorithms and Differential Evolution. IEEE World Congress on Computational Intelligence, 3999-4006.
[6] Refaeilzadeh, P., Tang, L., & Liu, H. (2008). Cross-Validation. Arizona State University.
[7] Suyanto. (2008). Evolutionary Computation Komputasi Berbasis Evolusi dan Genetika. Bandung: Penerbit Informatika.
[8] Suyanto. (2008). Soft Computing Membangun Mesin Ber-IQ Tinggi. Bandung:
Informatika.
[9] Xin, Y. (1999). Evolving Artificial Neural Network. Proceedings of The IEEE, (pp. 1-25).
[10] E. W. Weisstein, “Moving Average”, Wolfram MathWorld, [Online].
Available:
http://mathworld.wolfram.com/MovingAverage.html. [Diakses 13 Agustus 2014].
