· .Seminar Nasional Aplikasi Teknologi Informasi 2012 (SNATl 2U12)Yogyalwrta. 15-J6Juni 2012

ISSN: 1907-5022 \

\

\

\

\

PERAMALAN AWAL MUSIM HUJAN MENGGUNAKAN JARINGAN SYARAFTIRUAN BACKPROPAGATION LEVENBERG-MARQUARDT

Agus Buono', AlifKurniawan\ dan Akhmad Faqih''Departemen Ilmu Komputer. Fakultas Matematika dan Ilmu Pengetahuan Alam. Institut Pertanian Bogor

Jl. Raya Darmaga - Bogor Jawa BaratTelp.!Fax (0251) 8625584

] Center For Climate Risk and Opportunity Management (CCROM) IPBJl. Raya Pajajaran - Bogor Jawa Barat

Telp.!Fax (0251) 88313709E-mail: pudesha@yahoo.co.id

L

ABSTRAKPenelitian ini difokuskan pada pemodelan Jaringan Syaraf Tiruan propagasi balik Levenberg-Marquardt untukprediksi Awal Musim Hujan (AMH). dengan mengambil studi kasus Kabupaten Indramayu. Peubah yangdipergunakan sebagai prediktor adalah Southern Oscillation Index (SOl). Pemilihan bulan untuk data SOlberdasar nilai korelasi pada taraf nyata 5%. Sedangkan peubah respon adalah awal musim hujan satu periodeke depan yang diukur dalam dasarian (10 harian). Dari 30 tahun periode data (1978-2007). selanjutnyadilakukan pemodelan JST dengan 4 variasi jumlah hidden neuron (5. 10. 15 dan20) dan divalidasi denganmetode Leave One Out (LOO) cross validation untuk melihat skil dari model dalam melakukan prediksi. HasilPercobaan menunjukkan bahwa SOl bulan Juni. Juli dan Agustus mempunyai korelasi yang kuat dengan awal'musim hujan. dengan korelasi masing-masing sebesar -0.46, -0.368, dan -0.364. Berdasar SOl pada 3 bulan-tersebut dibangun model JST dengan output AMH. Skil model JST diukur menggunakan korelasi antaraj!ruervasi dengan hasil prediksi. Korelasi tertinggi diperoleh dengan menggunakan hidden neuron 20, yaitusebesar 0.99. Sedangkan untuk hidden neuron 5. 10 dan 15 masing-masing menghasilkan prediksi denganMrelasi sebesar 0.58. 0.7 dan 0.8.L'Kala kunci: Awal Musim Hujan (AMH), Souther Oscillation Index (SOl), Dasarian. Jaringan Syaraf TiruanYJST). Leave One Out (LOO) cross validation.

1. PENDAHULUAN~.1 Latar Belakang

Keragaman hasil produksi padi di Indonesia~t berkaitan erat dengan keragaman curah hujan.Etajk·pada saat curah hujan di atas rata-rata ataupunctifah hujan di bawah rata-rata. Berdasar data yang~- 81% kegagalan panen disebabkan olehnIlabjlitas iklim, dan 19% dikarenakan serangan~ (Boer et al. 2008), Dari kegagalan yanglisebabkan v8liabilitas iklim tersebut, 90% berupa~a kek~ringan yang terjadi pada masa~aman kedua. Hal ini diperparah jika awal

im hujan mengalami kemunduran. Denganundurnya awal musim hujan. maka penanamanga mengalami kemunduran, sehingga penanaman~ masa tanam pertama berkurang. Hal ini!ikornpensasi oleh petani dengan meningkatkanIeiliilaman padi pada musim tanam kedua.tl=rtanaman pada pada musim tanam kedua inilwan terhadap kekeringan, khususnya jika panjangiIsim hujan adalah pendek dan sifat hujan di~arau adalah di bawah normal. Untukicminimalisasi risiko bencana kekeringan tersebutfP&tUkan informasi mengenai awal musim hujan~anjang musim serta sifat hujan di musim

~u. Dengan informasi ini, maka bisa

dirumuskan langakah-Iangkah antisipasi untukmenekan risiko gagal panen,

Lo et al., 2007 dan Robertson et al., 2009menunjukkan secara empiris adanya pengaruh darifeneomena global seperti ENSO (El Nino SouthernOscillation), 100 (Indian Oce an Dipoie), SOl(South er Oscillation Index) dan lainnya terhadappeubah-peubah iklim lokal tersebut di atas. Haylock2001 menunjukkan adanya korelasi yang kuat antaraSOl dengan karakteristik hujan di lndonesia. Said20 II memodelkan jaringan syaraf tiruan untukprediksi panjang musim hujan berdasar SOl dengankorelasi antara observasi dengan hasil prediksisebsar 0.84. Hung 2009 menggunakan jaringansyaraf tiruan untuk prediksi awal musim hujan diThailand berdasar fenomena global tersebut diSamudera Pasifik. Akurasi dari model yangdibangun adalah adanya korelasi 0.94 antaraobseravsi dengan prediksi. "Buono et al 2010memodelkan jaringan syaraf tiruan untukdownscaling data General Circular Model untuk.prediksi curah hujan di Indramayu dan mernberikanakurasi berupa korelasi antara observasi denganhasil prediksi sekitar 0.70. Dengan demikian,informasi mengenai fenomerna global dapatdimanfaatkan untuk melakukan prediksi iklim lokalyang selanjutnya menjadi masukan dalam

'I

B-27

Surinar NaslollQl AplIkDsf Teknologi Informasi la I1 (SNATI la I1)YogytWzrla. Jj·16.hmll01Z

memutuskan langkah adaptasi sehingga kerugianyang terjadi dapat diminimalkan.

Penelitian yang dilakukan uu bertujuanmembuat model jaringan syaraf tiruan untukprediksi awal musim hujan dengan mengambil studikasus di Indramayu. Pemilihan lokasi ini didasarkanbahwa Indramayu merupakan wilayah lumbung padinasional dan bersifat rawan terhadap bencana karenaiklim, baik yang berupa banjir maupun kekeringanseperti diperlihatkan pada Gambar I ~>Suono et almlo~ -

L•.•• ae..c- ~"Kdl~ ~~tIC\cI~

1500

•

o!ndt~yu

• •~ .. •

900 1200 1500JOO 600

Gambar 1. Posisi Indramayu terhadap Kabupatenlain di jawa berdasar Luas Bencana Banjir dan

Kekeringan

Selanjutnya paper ini disajikan dengan susunansebagai berikut : Bagian 2 mengenai data danmetodologi. Hasil dan Pembahasannya disajikanpada bagian 3. Sebagai penutup adalah kesimpulandan saran untuk penelitian selanjutnya yangdisajikan pada bagian 4.

2. DATA DAN METODOLOGI2.1 Data

Ada dua jenis data yang dipergunakan dalampenelitian ini, yaitu data observasi iklim di stasiun-stasiun curah hujan di Indramayu dan data SOl yangkeduanya tersedia dari tahun 1978 hingga 2008.Data awal musim hujan diperoleh dari BMKG(Badan Meteorologi Klimatologi dan Geofisika),dan data SOl dari Badan Meteorologi Australiamelalui website.

Awal musim hujan dihitung dengan satuandasarian (yaitu 10-harian). Dalam I tahun ada 36dasarian. dimulai dasarian pertama di 10 haripertama pada Bulan Januari dan dasarian ke 36 pada10 hari terakhir di Bulan Januari. SOl merupakanperbandingan antara tekanan udara di Pulau Tahitidengan tekanan udara dt Darwin Australia dandirumuskan sebagai:

[Pdiff·Pditfav]501=10 SD(pdift)

Dengan :

ISSN: 1907·5011

• (rata-rata MSLP Tahiti per bulan) -(rata-rata MSLP Darwin per bulan)

=: rata-rata Pdiffpada bulan yang dicari.=: standar defiasi dari Pdiff dari bulanyang dicari

P~r~lian dengan 10 adalah suatu konvensi sehingganilai rentang dari SOl pada interval [-35,35].Gambar 2 menyajikan contoh perhitungan SOl tahun1990 sampai dengan tahun 1991 oleh BadanMetereologi Australia.

PdifT

.!!Z ·10 t- ..•.-------

·IS

·20

·25TahuD

- Feb - Mar - Apr - Mei - Jun

- Agu - Sep - Okr • Nov - Des

Gambar 2. Data SOl 1990-1991

Kalau pada Said 20 II,peubah prediktor adalah suhupermukaan laut pada Bulan Juni, Juli dan Agustus,maka pada penelitian ini adalah SOl dengan bulanyang didasarkan pada analisis korelasi antara awalmusim hujan dengan SOl dengan taraf nyata 95%.

2.2 MetodologiTahapan penelitian yang dilakukan adalah

mengikuti diagram alur seperti disajikan padaGambar 3. Setelah diperoleh data awal musimhujan (dari BMKG Jakarta) dan SOl (dari websiteBadan Meteorologi Australia), selanjutnya dilakukan~alisis korelasi untuk memilih bulan dari SOl yangdipergunakan sebagai prediktor. Setelah terpilihbulan untuk data SOl yang dipergunakan sebagaiprediktor, maka selanjutnya membagi data menjadi 2bagian, yaitu data latih dan data uji. Dari data latihdibuat model JST propagasi balik Levenberg-Marquardt untuk setiap jumlah neuron hidden (5, 10,15 dan 20). Persamaan matematika untukmenentukan bobot baru pada algortima Levenberg-Marquardt adalah (Bishop 1995):

w_ =Wold-(zTZ)'lZT~(Wold)

denganw_ . =: ooootoaruWold = bobot lama

= vektor galat=: rnatrix yang anggotanya adalah hasildiferensial galat terhadap bobolnya.

z

8028

minar Nasional Aplikasi Teknologi Informasi 2012 (SNA TI 2012) .gyakarta. 15-16 Juni 2012

Setelah itu dilakukan pengujian menggunakanta uji. Dalam penelitian ini, proses percobaanlakukan dengan menggunakan metode LOOeave One Out) Cross Validation. Dari 30 datahun 1978-2007), satu periode sebagai data uji danperiode lainnya sebagai data latih. Proses iniakukan 30 kali. Berdasar hasil validasi silang iniakukan analisis untuk mengetahui kinerja modelr dalam memprediksi AMH.Oleh karena awal musim hujan biasanya sekitarlan Oktober dan dengan pertimbangan bahwa{KG menyediakan prediksi pada 3 bulanlelumnya, maka bulan SOl yang dihitungkanuk dicek pengaruhnya adalah Bulan Januari.gga Agustus.

Pengambilan DataObservasi dan data SOl

Preprosessing :Pemilihan Bulan untuk SOl: Analisis

Korelasi SOl dan AMH

Pemodelan JSTpropagasi balik Levenberg-\1arquardt dengan 4 hiddenneuron yang dicoba (5, 10,

15 dan 20).

Model JST

Analisis danPembahasan

Gambar 3. Diagram Alur Percobaan

HASIL DAN PMBAHASANAnalisis Korelasi Pemilihan Bulan

.nalisis korelasi antara SOl mulai Bulan Januari~a Agustus disajikan pada Gambar 4.asar uji statistik untuk nilai korelasi pada tarafi%, diperoleh hasil bahwa SOl yang secaraI mempengaruhi AMH adalah SOl Bulan Juni,

ISSN: 1907-5022

Juli dan Agustus. Oleh karena itu selanjutnyaberdasar SOl ini dibangun model JST.

0.3000.211

0.200

0.100

0.165

0.000

i:; -o.ioo111 -1l.106

-1l.200

-1l.300

-1l.400 -1l.368 '(}.364

.(}.500 .(} .• 26

Gambar 4. Nilai Korelasi antara SOl Bulan Januarihingga Agustus dengan AMH

Dalam hal ini ada 5 peubah input, yaitu : SOlBulan Juni, Bulan Juli, Bulan Agustus dan selisihSOl antara Bulan Juli dengan SOl Bulan Juni danselisih SOl Bulan Agustus dengan SOl Bulan Juli.Neuron hidden yang dicoba adalah 5, 10, 15 dan 20,sehingga arsitektur jaringan adalah seperti disajikanpada Gambar 5.

Gambar 5. Arsitektur 1ST untuk Model PrediksiAMH dengan 6 Neuron Input

Perbandingan hasil prediksi dari ke empatarsitektur tersebut disajikan pada Gambar 6. Darigambar tersebut terlihat bahwa JST dengan hiddenneuron sebanyak 20 memberikan akurasi terbaik,yaitu hampir semuanya tepat, Kesalahan yangterjadi tidak lebih dari satu .dasarian. Sedangkanuntuk JST dengan 5 hidden neuron mempunyairentang kesalahan cukup besar dari -5 hingga 6dasrian, dengan mayoritas kesalahannya padarentang I dasarian (baik maju maupun mundur).Untuk JST dengan 10 neuron hidden, kesalahansebagian terjadi pada rentang dasarian maju dan 2

8-29

Seminar Nasional Aplikasi Teknologi Informasi 20! 2 (SNA TI 2012)Yogyakarta, /5-/6 Juni 2012

hingga 3 dasarian mundur. Untuk JST dengan 15hidden neuron memberikan akurasi cukup baik,yaitu hampir semuanya tepat, namun ada beberapatahun yang diprediksi jauh dari nilai sebenarnya.

Boxpiot of Enw (Dasarian) vs knIaII HIdea Neuroa~r---------------------------------'

•

·S.O

10 IS--- 20

Gambar 6. Boxplot Perbandingan Tingkat Kesalahan(dalam Dasarian) dari 4 Arsitektur JST

Kalau dilihat lebih lanjut mengenai tahun-tahunyang sulit diprediksi, terlihat bahwa masing-masingmodel memberikan informasi yang berbeda sepertiditunjukkan pada Gambar 7. Dari gambar tersebutterlihat tidak ada kemiripan mengenai polakesalahan. Sementara itu, arsitektur JST dengan 20neuron hidden memberikan akurasi yang sangatbaik. Kesalahan signifikan sebesar I dasarian terjadipada tahun 2006, yaitu maju I dasarian.

__ 5 Nooson ~ 10 Nooson __ 15 Nooson -- 20 Nooson

Tahun

Gambar 7. Pola Kesalahan Prediksi (DalamDasarian) dari Setiap Arsitektur JST

Gambar 8 memberikan perbandingan antara poladata observasi dengan pola hasil prediksi dari tahun1978 hingga 2007. Dengan 5 neuron hidden terlihatbahwa kesalahan prediksiawal musim hujanmencapai 7 dasarian maju yang terjadi pada tahun1993. Pada tahun 1980 terjadi salah prediksi 5dasarian mundur. Hal yang hampir sama juga terjadipada JST dengan 10 neuron hidden, dengankesalahan prediksi yang lebih kecil, yaitu 5 dasarianmaju~-fl.994~ -dan 3 dasarian mundur -(L9.80).Dengan 15 hidden neuron, tingkat kesalahan makinkecil, dan terjadi pada sebelum tahun 1990, dengankesalahan tertingginya adalah 5 dasarian mundur(1983). JST dengan 15 dasarian memberikanakurasi yang sangat baik, hampir semuanya tepat,

JSSN: /907-5022

kecuali pada tahun 2006. Pada tahun ini AMHprediksi mundur I dasarian

(a) Arsitektur 1 : 5 Hidden Neuron

-e- Observasi_ Prediksi

Tahun

(b) Arsitektur 2 : 10 Hidden Neuron

-e- Observasi_ Prediksi_ 45ji 40e.t 35:z:E 300\::J! 25•Jct 20 +--.--.--.-.--.--,-,--,--,.--,,..-,---.---.----.-

78 80 82 84 86 88 90 92 94 96 98 OO 02 04 06Tahun

(c) Arsitektur 3: 15 Hidden Neuron

--Observasl _Prediksi

78 80 82 84 86 88 90 92 94 96 98 OO 02 04 06T.,u"

(d) Arsitektur 4 : 20 Hidden Neuron

_ 45j!40

135::J:z:E 30~! 25

i

--Observasi _Prediksi

78 80 82 84 86 88 90 92 94 96 98 OO 02 04 06Tahun

Gambar 8. Perbandingan Pola Observasi denganPola Prediksi Hasil JST pada 4 Jenis Neuron Hidden

Jaringan syaraf tiruan dengan 20 hidden neuronjuga memberikan prediksi dengan ketelitian yang

8-30

minor Nasional Aplikasi Teknologi Informasi 2012 (SNA TI 20 I 2)gyakorta. 15-16 Juni 2012

\ggi. Hal ini ditunjukkan dengan nilai root meanuare error (RMSE) yang kecil dibandingkanngan 3 model lainya seperti terlihat pada GambarDari gambar ini terlihat bahwa nilai RMSE darir dengan 20 neuron hidden adalah sekitar 0.25.J ini berarti hampir semua nilai prediksi:mpunyai kesalahan di bawah 0.25 dasarian. Olehena itu, jika dilakukan pembulatan terhadap nilaidiksi, maka hasil prediksi AMH akan persis samaigan nilai observasi.

• RMSE

2.5

2~1.5:Q 10.5o

1 2 3 4Kelompok arsitektur

nbar 9. Grafik Perbandingan Nilai RMSE dari 4Arsitektur JST

ika dilakukan fitting antara nilai observasi:an nilai prediksi terlihat bahwa koefisienminasinya meningkat dari 34% menjadi 99%JST dengan 5 hidden neuron ke JST dengan 20en neuron seperti diperlihatkan pada GambarFakta ini mengatakan bahwa model JST

nberg-Marquardt dengan 20 neuron hidden danSOl bulan Juni, Juli, Agustus, selisih SOlI Juli dengan Juni dan selisih SOl bulantus dengan Juli mampu memberikan hasilksi sangat baik.

10099

80

60

40

20

o5 hidden 10 hidden 15 hidden 20 hidden

neuron neuron neuron neuron

lambar 10. Koefisien Determinasi hubunganI Observasi vs Prediksinya untuk 4 Jenis JST

ililiir II menyajikan scatter piot antaraii dengan observasi. Dari gambar tersebut: bahwa semua model memberikan prediksitidak underestimate dan juga tidakimate. semuanya berkisar di sekitar garis

8-31

\ISSN: 1907-5022

\

(b) Arsitektur 1 : 5 Hidden Neuron\

50

\45

•• 40 \.-:'6

\eDoo 35Q..

30\

2525 30 35 40 45 50

Observasi

(c) Arsitektur 2: 10 Hidden Neuron

50

45

•• 40.-:'6CD~ 35Q..

30

2525 30 35 40 45 50

Observasl

(d) Arsitektur 3: 15 Hidden Neuron

50

45

••"ii 40.-: •'6CDoo 35Q..

30

•2525 30 35 40 45 50

Observasl

(e) Arsitektur 4 : 20 Hidden Neuron

50

45

•• 40~'6f 35A-

30

2525 30 35 40 45 50

Observasl

Gambar II. Piot antara Observasr AMH denganNilai Prediksinya untuk 4 Jenis JST

Seminar Nasional Aplikasi Teknologi Informasi 2012 (SNATI 2012)Yogyakarta, 15-16 Juni 2012

4. KESIMPULANBerdasar percobaan yang sudah dilakukan ada

beberapa kesimpulan yang bisa disajikan disini,yaitu bahwa SOl Bulan Juni, Juli dan Agustus dapatdipergunakan sebagai prediktor dalam memprediksiAMH satu periode ke depan dengan korelasiberkisar dari -0.36 hingga -0.42. Dalam hal ini jikaSOl bernilai negatif, maka ada kecenderunganbahwa AMH makin besar, yang berarti musim hujanmundur.

Dugaan AMH dari Model JST Levenberg-Marquardt mempunyai rataan yang sesuai denganobservasi (tidak overestimate dan tidakunderestimate) dengan nilai korelasi berkisar dari0.6 hingga 0.99. Model terbaik adalah JST denganjumlah neuron hidden sebanyak 20 yangmenghasilkan RMSE 0.25. Sementara itu modelterjelek adalah dengan 5 neuron hidden yangrnengahasilkan prediksi dengan RMSE 2.5. Hal iniberarti nilai prediksinya sebagian besar mundur ataumaju 2.5 dasarian.

UCAPAN TERIMA KAsIH

Penelitian ini adalah bagian dari Proyek IM-HERE B2c lPB yang dibiayai oleh PemerintahIndonesia melalui kontrak No. 7/13.24.4/SPP/I-MHEREl20 II. Penulis juga mengucapkan terimakasih kepada BMKG yang menyediakan data AwalMusim Hujan

PUSTAKABishop Christopher M. 1995. Neural Network for

Pattern Recognition. Oxford UniversityPress Inc, New York.

"Buono, et. al. 20 IO. A Principle ComponentAnalysis Cascade with Multivariate Regressionfor Statistical Downscaling Technique : A CaseStudy in Indramayu District. Proceedingsdalam Intemational Conference in ComputerScience and Information System (lCACSIS),November 20 I0, Bali Indonesia, ISSN 2086-1796, Hal. 321-327

b)Buono, et al. 20 IO. A Neural Network Architecturefor Statistical Downscalling Technique : ACase Study in Indramayu District. ProceedingsAFIT A 20 I0 Intemational Conference TheQuality Information For CompetitiveAgricultural Based Production System andCommerce, ISSN 978-979-493-277-3

Haylock Malcolm, McBridge John. 2001. SpatialCohercnce and Predictability of IndonesianWet Season Rainfall. Journal of Climate14:3882-3887.

Hung NQ, MS Babel, S Weesakul, NK Tripathi.2009. An Artificial neural network modelfor rainfall forecasting in Bangkok,Thailand. Hydrology and Earth SystemSciences 13:1413-1425

ISSN: 1907-5022

Lo, F., Wheeler, M.C., Meinke, H. and Donald, A.,2007. Probabilistic forecasts of the onset of theNorth Australian wet season. Monthly WeatherReview, 135,3506-3520.

Rizaldi Boer, 2008. Climate Change impact andadaptation in Indonesia. Discussion onClimate Change Impact, Friend of Earth,Tokyo, Japan.

Robertson, A. W. , V. Moron, and Y. Swarinoto,2009. Seasonal predictability of daily rainfallstatistics over Indramayu district, Indonesia.Int. J. Climatology, 29, 1449-1462.

Said MM. 20 II. Peramaian Panjang Musim TiruanResilient Backpropagation [skripsi]. Bogor:Fakultas Matematika dan Ilmu PengetahuanAlam, Institut Pertanian Bogor.

8-32