Metode Jaringan Saraf Tiruan Propagasi Balik Untuk Estimasi Curah Hujan Bulanan di Ketapang Kalimantan Barat

Transkripsi

1 Prosiding Semirata FMIPA Universitas Lampung, 2013 Metode Jaringan Saraf Tiruan Propagasi Balik Untuk Estimasi Curah Hujan Bulanan di Ketapang Kalimantan Barat Andi Ihwan Prodi Fisika FMIPA Untan, Pontianak Abstrak: Pola curah hujan bulanan yang bersifat musiman dapat didekati menggunakan model Jaringan Saraf Tiruan (JST) algorithma propagasi balik, dalam penelitian ini dilakukan estimasi curah hujan bulanan dengan studi kasus di Kabupaten Ketapang menggunakan data selama 15 tahun ( ). Arsitektur JST menggunakan lapisan input, 3 lapisan tersembunyi dengan 1 target, dengan fungsi aktifasinya adalah fungsi linear, sigmoid bipolar, dan sigmoid biner. Dari hasil simulasi pada tahap training/pelatihan diperoleh bahwa data model mampu mengikuti pola curah hujan observasi pada iterasi dengan nilai koefisien korelasi 1. Sedangkan pada tahap pengujian koefisien korelasinya bernilai 0,82 hal ini menunjukkan bahwa model masih dapat mengenali pola curah hujan bulanan di Ketapang. Kata Kunci: Curah hujan, Propagasi Balik, JST. PENDAHULUAN Secara umum pola musim di Indonesia dikenal dengan pola Monsun termasuk di Kabupaten Ketapang Kalimantan Barat. Pola monsun ini sangat dipengaruhi oleh angin monsun yang menghasilkan dua musim yakni musim hujan dan musim kemarau. Puncak musim hujan terjadi pada bulan Desember, Januari dan Februari sedangkan puncak musim kemarau terjadi pada bulan Juni, Juli dan Agustus. Pola musim ini dapat bergeser akibat adanya kejadian-kejadian alam di sekitar Indonesia diataranya kejadian El-Nino dan La-Nina di Samudera Pasifik serta Dipole Mode Positif dan Negatif di Samudera Hindia Equator. [1,2]. Perubahan cuaca dan musim baik secara langsung maupun secara tidak langsung mempengaruhi banyak aspek diantaranya kegiatan pertanian, nelayan, trasnportasi laut (pelayaran) dan udara (penerbangan), oleh karena itu informasi keadaan cuaca tersaebut sangat diperlukan. Dewasa ini metode-metode estimasi/prediksi lebih banyak dilakukan menggunakan metode statistik. Salah satu metode estimasi yang digunakan adalah metode Jaringan Saraf Tiruan (JST). Metode ini merupakan salah satu metode berbasis kecerdasan buatan, yang mampu mengidentifikasi pola, signal prosessing serta peramalan dari sistem dengan metode pembelajaran [3]. JST merupakan generalisasi model matematis dengan asumsi bahwa pemrosesan informasi terjadi pada elemen sederhana (neuron), Sinyal dikirimkan diantara neuron-neuron melalui penghubung (dendrit dan akson). Penghubung antar elemen memiliki bobot yang akan menambah atau mengurangi sinyal, untuk menentukan output, setiap neuron memiliki fungsi aktivasi (biasanya non linier) yang dikenakan pada semua input serta besar output akan dibandingkan dengan threshold. Salah satu jenis algoritma JST adalah JST propagasi balik yakni JST multi layer yang mengubah bobot dengan cara mundur dari lapisan keluaran ke lapisan masukan. Tujuannya melatih jaringan untuk Semirata 2013 FMIPA Unila 243

2 Andi Ihwan: Metode Jaringan Saraf Tiruan Propagasi Balik Untuk Estimasi Curah Hujan Bulanan di Ketapang Kalimantan Barat mendapatkan keseimbangan kemampuan jaringan untuk mengenali pola yang digunakan selama pelatihan serta kemampuan jaringan untuk memberikan respon yang benar terhadap pola masukan dengan pola yang dipakai selama pelatihan [4]. JST propagasi balik merupakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobotbobot yang terhubung dengan neuronneuron yang ada pada lapisan tersembunyi. Algoritma propagasi balik menggunakan error output untuk mengubah nilai bobotbobotnya dalam arah mundur. Untuk mendapatkan error ini, tahap propagasi maju harus dikerjakan terlebih dahulu. Pada saat propagasi maju, neuron-neuron diaktifkan menggunakan fungsi aktivasi yang dapat dideferensiasikan [5]. Secara matematis neuron dapat digambarkan dengan persamaan : Pada tahap pelatihan, digunakan satu set data latihan. Bila output yang dihasilkan jaringan dengan bobot synaptic yang digunakan saat itu tidak sama dengan target (pada satu atau lebih neuron output) maka akan menghasilkan error. Sinyal error pada sebuah neuron output adalah : (9) Jumlah kuadrat sinyal error digunakan sebagai acuan untuk melihat apakah jaringan sudah terlatih dengan baik atau tidak. (10) Jumlah kuadrat pada sinyal error adalah fungsi dari seluruh bobot pada jaringan. Gradien E adalah vektor yang terdiri dari derivatif-derivatif parsial dari E terhadap setiap bobot. Arah negatif akan menunjukkan pengurangan pada E. Dengan demikian bobot akan menyesuaikan diri untuk memperkecil E sebesar : (6) (11) Y n = υ (u n -θ n ) (7) dengan x 1,x 2,, x n adalah sinyal input, w n1, w n2,, x np adalah bobot-bobot sinaptik dari neuron n; u n adalah linear combiner output; n adalah threshold; adalah fungsi aktivasi; dan y n adalah sinyal output dari neuron. Penggunaan threshold memberikan pengaruh adanya affine transformation terhadap output u n dari linier combiner sebagai berikut : v n = u n θ n (8) Treshold n adalah suatu parameter eksternal dari neuron n. Treshold n dapat bernilai positif atau negatif. Gradien E tersebut berlaku pada link-link menuju lapisan-lapisan sebelumnya, sampai ke lapisan sebelum lapisan input [5]. METODE PENELITIAN Data yang digunakan dalam simulasi model ini adalah data curah hujan bulanan Kota Ketapang selama 15 tahun ( ). Sumber data sekunder tersebut berasal dari BMKG Kabupaten Ketapang Kalimantan Barat. Estimasi Curah hujan dengan JST digunakan 4 langkah : 1. Memisahkan data yang akan digunakan sebagai data pelatihan dan data uji. Data curah hujan di Kab. Ketapang akan digunakan sebagai data 244 Semirata 2013 FMIPA Unila

3 magnitude Prosiding Semirata FMIPA Universitas Lampung, 2013 pelatihan selama pembuatan JST sedangkan data pada tahun 2012 digunakan sebagai data pengujian model. 2. Desain JST Desain JST dilakukan untuk estimasi curah hujan bulanan dimulai dengan menentukan banyaknya data masukan yang digunakan, banyaknya layar tersembunyi yang digunakan dan banyaknya keluaran yang diinginkan. Data yang digunakan sebagai masukan sebanyak 12 data (12 bulan) dan data keluaranya atau target adalah data pada bulan ke 13. Untuk mengetahui jumlah curah hujan pada bulan ke 14 maka data masukanya merupakan data pada bulan ke dua sampai ke 13, demikian seterusnya. Penentuan 12 bulan tersebut sesuai dengan hasil penelitian sebelumnya bahwa periode perulangan curah hujan di Kab. Ketapang adalah 12 bulan menggunakan metode FFT [6,7]. 3. Pengenalan Pola (pelatihan) Pengenalan pola dilakukan dengan cara penyesuain nilai bobot (dalam penelitian ini nilai bobot ditentukan secara random). Penghentian penyesuaian bobot dalam penggenalan pola apabila error yang dihasilkan kurang dari Error dihitung setelah tahapan forward Propagation. Apabila error lebih besar dari max (10-9 ) maka pelatihan akan dilanjutkan ke tahap backward propagation. 4. Pengujian dan Estimasi Pengujian data yang dilakukan bertujuan untuk mengetahui apakah jaringan mampu mengenali pola data pelatihan dari input data yang diberikan. Apabila nilai error yang dihasilkan sudah mencapai target, maka output yang dihasilkan dapat digunakan sebagai data estimasi. Nilai validasi model didapat dari koefisien korelasi (r) Gambar 22. Alur kerja JST propagasi balik HASIL DAN PEMBAHASAN Dalam penelitian ini akan dilakukan estimasi curah hujan bulanan di Kota Ketapang, data yang digunakan sebagai input adalah data curah hujan bulanan sebanyak 180 data (15 tahun), dengan metode JST propagasi balik dengan momentum. Jaringan syaraf ini terdiri atas lapisan input, 3 lapisan tersembunyi, dan lapisan output. Lapisan input terdiri atas 4 neuron, yang masing-masing mewakili input data ke-(t-32), (t-24), (t-12), dan t. Penentuan data masukan sebanyak 12 bulan berdasarkan dari hasil penelitian sebelumnya tentang pola curah hujan di Kalimantan Barat, dari analisis tersebut menunjukkan bahwa periode curah hujan di Kab. Ketapang adalah 11,6 12 bulan (1 tahun). 6 x Period = Frekuensi = Period month/cycle) Gambar 23. Perioditas curah hujan bulanan Kab. Ketapang [7] Semirata 2013 FMIPA Unila 245

4 Andi Ihwan: Metode Jaringan Saraf Tiruan Propagasi Balik Untuk Estimasi Curah Hujan Bulanan di Ketapang Kalimantan Barat Lapisan tersembunyi pertama pada arsitektur tersebut terdiri-atas 15 neuron dengan fungsi aktivasi tansig, lapisan tersembunyi kedua terdiri-atas 10 neuron dengan fungsi aktivasi logsig, sedangkan lapisan tersembunyi kedua terdiri-atas 5 neuron dengan fungsi aktivasi logsig. Lapisan output terdiri atas 1 neuron dengan fungsi aktivasi purelin. Pada proses pelatihan yang dilakukan diperoleh nilai koefisien korelasi antara data observasi dengan hasil model pelatihan adalah 1 dan memenuhi syarat nilai mrs minimum pada iterasi ke Seperti terlihat pada Gambar 3. Kemudian untuk proses pengujian model menggunakan data tahu 2012 diperoleh koefisien korelasi yang cukup tinggi yakni 0,82, hal ini menunjukkan bahwa pola curah hujan bulanan di Kab. Ketapang dapat dikenali oleh model JST ini dengan arsitektur yang telah dijelaskan sebelumnya. Garfik hubungan antara data observasi dengan data hasil pengujian dapat dilihat pada Gambar 4. Gambar 24. Grafik hubungan antara data observasi dengan data hasil pelatihan JST (168 bulan) Gambar 25. Grafik hubungan antara data observasi dengan data hasil pengujian JST (12 bulan) Walaupun tingkat korelasi antara data observasi dengan data pengujian tinggi namun residu antara kedua data tersebut cukup tinggi (maksimum 213,74 mm) seperti yang diperlihatkan pada Tabel 1: Tabel 6. Residu Data Observasi Dengan Data Pengujian JST (curah hujan bulanan Kab. Ketapang tahun 2012) Data Observasi (mm) Data Pengujian JST (mm) residu (mm) ,07-129, ,59-57, ,40-157, ,01 139, ,07-34, ,74-213, ,46-160, ,66-126, ,81 19, ,04 5, ,32 247, ,20-7,20 Jika data observasi dan data model JST (pelatihan dan pengujian) dibuat dalam bentuk deret waktu (time series) maka terlihat bahwa pada saat pelatihan kedua data tersebut sangat berimpit (model dapat mengenali sinyal input dengan baik) sedangkan pada saat pengujian (2012) maka kedua data tersebut tidak saling berimpit (model tak mampu mengikuti sinyal input dengan tepat) walaupun model dapat mengikuti pola curah hujan hal ini terlihat pada korelasi kedua data tersebut yang tinggi. 246 Semirata 2013 FMIPA Unila

5 Prosiding Semirata FMIPA Universitas Lampung, 2013 Gambar 26. Grafik Time Series data observasi dan model JST (tahun ) KESIMPULAN Metode JST dengan arsitektur [ ] dapat digunakan dalam pengenalan pola curah hujan bulanan di Kab. Ketapang. Model hasil JST dapat mendekati data observasi terlihat dari tingkat korelasi yang tinggi (R 2 = 1 pada saat pelatihan dan R 2 = 0,82 pada saat pengujian). Model JST belum mampu memprediksi nilai curah hujan dengan tepat karena Residu yang dihasilkan pada saat pengujian bervariasi setiap bulan yakni sisaran antara 5,96-213,74 mm, sehingga diperlukan analisisanalisis lain menggunakan metode yang lain. DAFTAR PUSTAKA Lakitan, B., (1994), Dasar-Dasar Klimatologi, PT Raja Grafindo Persada, Yogyakarta Tjasjono, B., (2004), Klimatologi Umum, ITB, Bandung. Muharsyah, R., (2009), Prakiraaan Curah Hujan Tahun 2008 Mengguanakn Teknik Neural Network dengan Prediktor Sea Surface Temperatur (SST) di Stasiun Mopah Merauke, Jurnal Meteorologi Dan Geofisika, Volume 10 No.1, hal: Siang, JJ., (2004), Jaringan Syaraf Tiruan Dan pemogramanya Menggunakan Matlab, Andi, Yogyakarta. Diyah P., (2006), Pengantar Jaringan Syaraf Tiruan, Andi, Yogyakarta. Ihwan A, Y. Arman dan Iis S., (2012), Estimasi Suhu Udara Bulanan Kota Pontianak Berdasarkan Metode Jaringan Syaraf Tiruan, Jurnal Positron Prodi Fisika Untan, Volume 1, hal: 1-5. Ihwan A., (2012), Algorithma Fast Fourier Trasform (FFT) Untuk Analisis Pola Curah Hujan di Kalimantan Barat, Jurnal Aplikasi Fisika (JAF) Prodi Fisika Unhalu. Semirata 2013 FMIPA Unila 247