Pendahuluan MODEL PREDIKSI DAN PREDIKSI CURAH HUJAN DI SENTRA PRODUKSI PADI DI PANTURA BANTEN,

III. MODEL PREDIKSI DAN PREDIKSI CURAH HUJAN DI SENTRA PRODUKSI PADI DI PANTURA BANTEN,

PANTURA JAWA BARAT DAN KABUPATEN GARUT

3.1. Pendahuluan

Wigena 2006 dalam Boer, 2006 mengemukakan bahwa berbagai teknik analisis dan pemilihan model dapat digunakan dalam penyusunan model prediksi curah hujan, tergantung pada keberadaan autokorelasi dan kolinieritas data pada peubah tak bebas yang akan diduga. Apabila tidak ada kolinieritas dan autokorelasi pada set data Wigena menyarankan untuk menggunakan analisis regresi mulai dari yang sederhana hingga yang berganda, apabila tidak terdapat kolinearitas namun terdapat autokorelasi pada set data disarankan untuk menggunakan analisis deret waktu atau fungsi transfer berganda, apabila terdapat kolinearitas namun tidak terdapat autokorelasi disarankan untuk menggunakan kombinasi antara analisis komponen utama dengan analisis regresi berganda, sedangkan apabila terdapat kolinearitas maupun autokorelasi maka disarankan untuk menggunakan kombinasi antara analisis komponen utama dengan analisis deret waktu atau fungsi transfer berganda. Lebih jauh Wigena mengemukakan bahwa kesemua model tersebut dapat diterapkan pada analisis jaringan syaraf neural network analysis, NNA. Analisis jaringan syaraf atau NNA sudah banyak diterapkan untuk melakukan prediksi dalam bidang klimatologi dan hidrologi. Lee, Cho dan Wong 1998 melakukan interpolasi spasial untuk menduga curah hujan harian di 367 titik berdasarkan data curah hujan dari 100 stasiun yang terdekat di Swiss. Lee et al. 1998 membagi wilayah studi menjadi empat bagian dan pada setiap bagian disusun model dengan metode yang berbeda. Dua bagian terbesar menggunakan analisis jaringan syaraf dengan teknik perceptron multi-lapisan 53 yang didasarkan hanya pada informasi lokasi, dua bagian yang terkecil menggunakan model linear yang didasarkan pada ketinggian dengan asumsi bahwa wilayah tersebut dipengaruhi oleh kondisi orografik. Hasilnya menunjukkan bahwa model non-linier menggunakan analisis jaringan syaraf menghasilkan prediksi yang sangat baik, sedangkan model linear di daerah yang kecil memberikan hasil prediksi yang jelek. Halide dan Ridd 2000 menyusun model dan melakukan prediksi dengan menggunakan tiga set data, yaitu data curah hujan Stasiun Makassar Indonesia, data curah hujan dari seluruh wilayah India, dan data anomali suhu muka laut di lokasi Nino-3,4. Teknik pemodelan yang digunakan adalah pemodelan dengan logika fuzzy. Hasil pemodelan kemudian diterapkan untuk menentukan awal masa tanam padi. Hasil nya menunjukkan bahwa model logika fuzzy sangat bagus digunakan untuk prediksi curah hujan bulan Januari di Makassar sebagai fungsi dari data curah hujan bulan November dan Desember serta data anomali SST Nino-3,4 di wilayah Pasifik Timur. Sedangkan data curah hujan di kawasan monsun India masih perlu diperbaiki untuk dijadikan prediktor bagi curah hujan di Makassar. Apriyanti 2005 melakukan studi tentang penggunaan jaringan syaraf tiruan artificial neural network dalam peramalan curah hujan di DAS Saguling Bandung. Teknik pembelajaran yang digunakan adalah jaringan syaraf tiruan propagasi balik standar dengan arsitektur banyak lapis, yaitu satu lapisan input, satu lapisan tersembunyi, dan satu lapisan output. Teknik ini kemudian dibandingkan dengan model yang dibentuk menggunakan metode regresi komponen utama principlal component regression, PCR. Hasil studi Apriyanti 2005 menunjukkan bahwa model jaringan syaraf tiruan dengan menggunakan jaringan syaraf tiruan propagasi balik memperlihatkan hasil terbaik pada jumlah neuron 9 dan laju pembelajaran 0,02. Hasil pembelajaran dengan jaringan syaraf 54 tiruan ini juga menunjukkan hasil validasi yang lebih baik R 2 = 74 dibandingkan menggunakan PCR R 2 = 63. Setelah dioptimasi hasil validasi model jaringan syaraf tiruan meningkat menjadi R 2 = 87. Jaringan syaraf neural network, NN adalah suatu paradigma pengetahuan baru. Hal ini meniru otak manusia dalam proses penyelesaian dan penyimpanan memori. Suatu jaringan syaraf buatan artificial neural network, ANN, sering disebut juga jaringan syaraf tersimulasi simulated neural netwok, SNN atau hanya jaringan syaraf neural network, NN, adalah suatu gabungan dari berbagai interkoneksi syaraf buatan yang menggunakan suatu model matematika atau model komputasi untuk memproses informasi yang didasarkan pada pendekatan koneksi terhadap perhitungan. Inspirasi awal terhadap teknik ini adalah berasal dari pengujian jaringan bioelektrik di dalam otak manusia yang dibentuk oleh neurons dan synapses. Dalam suatu model jaringan syaraf, node sederhana disebut juga ’neuron’, ’neurode’, ’PE’ atau unsur-unsur pengolahan, atau ’satuan’ yang terhubungkan secara bersama membentuk suatu jaringan node yang disebut jaringan syaraf neural network Gambar 16. Suatu jaringan syaraf langkah maju feedforward, yaitu suatu jenis jaringan syaraf yang umum, tersusun dari rangkaian simpul-simpul node dan koneksi-koneksi. Simpul ini tersusun dalam suatu lapisan layer. Koneksi berbentuk khas dimana dari setiap simpul dalam lapisan tertentu berkoneksi dengan semua syaraf pada lapisan berikutnya. Dengan cara ini setiap simpul pada lapisan tertentu terhubung dengan semua simpul pada lapisan berikutnya. Biasanya terdapat paling tidak tiga lapisan pada suatu jaringan langkah maju, terdiri dari lapisan input input layer, suatu lapisan tersembunyi hidden layer, dan suatu lapisan output output layer. Lapisan input memberi umpan kepada lapisan tersembunyi, kemudian lapisan tersembunyi memberi umpan 55 kepada lapisan output. Pengolahan aktual dalam suatu jaringan terjadi didalam simpul pada lapisan tersembunyi dan lapisan output Gambar 17. a komponen-komponen syaraf neuron b gembaran mengenai synapses c model jaringan syaraf Gambar 16. Konsep jaringan syaraf manusia dan model jaringan syaraf tiruan. Gambar 17. Skema neural network. 56 Setiap koneksi antara syaraf memiliki bobot numerik. Apabila jaringan ini bekerja, suatu nilai akan diberikan pada setiap simpul – nilai tersebut akan diberikan oleh operator manusia, dari sensor lingkungan, ataupun dari beberapa program eksternal. Setiap simpul kemudian memberikan nilai tertentu pada suatu koneksi yang membawanya keluar, kemudian setiap koneksi mengalikannya dengan suatu pembobot. Setiap simpul pada lapisan berikutnya kemudian menerima nilai yang merupakan penjumlahan dari nilai yang dihasilkan dari setiap koneksi, dan dalam setiap simpul dilakukan perhitungan sederhana terhadap nilai tersebut. Secara khas fungsi ini merupakan fungsi sigmoid. Proses ini kemudian berulang, dengan hasil yang dilewatkan pada lapisan sub-sekuen dari simpul-simpul hingga mencapai simpul pada lapisan output. Kurva sigmoid sering digunakan sebagai fungsi transfer karena memperkenalkan non-linearitas ke dalam perhitungan jaringan dengan ’memainkan’ aktivitas syaraf dalam kisaran [0,1]. Fungsi sigmoid memiliki kelebihan yaitu memiliki fungsi turunan yang sangat sederhana. Fungsi lain dengan penampilan yang sama yang dapat digunakan adalah fungsi tangen hiperbolik, tanh, yang memainkan aktivasi di dalam kisaran [-1,1]. Jika tidak terdapat non-linearitas dalam pengolahan, jaringan kehilangan banyak daya kemampuan perhitungan, menghasilkan operasi matrik perkalian sederhana dari aljabar linear. Recurrent network RNs adalah model yang memiliki aliran data dua arah. Apabila dalam feed-forward network mengolah data secara linear dari input ke output, maka dalam RNs juga mengolah data dari tahap pengolahan yang lebih akhir ke tahap sebelumnya. Suatu RNs yang sederhana simple recurrent network, SRN menggunakan suatu jaringan tiga-lapisan, yang ditambahkan satu set ’context units’ di dalam lapisan input. Terdapat koneksi dari lapisan tengah hidden layer terhadap satuan konteks ini dengan bobot satu. Pada setiap 57 tahap, input dikembangkan dalam dalam suatu cara feed-forward standar, dan kemudian dilakukan aturan latihan umumnya digunakan back-propagation. Koneksi balik yang dihasilkan pada satuan kontek selalu memiliki salinan nilai satuan hidden sebelumnya. Dengan demikian jaringan ini dapat membuat status yang singkat, memungkinkan penyelesaiaan tugas sebagai pendugaan yang berada di bawah tekanan multi-layer perceptron baku. Aturan penyelesaian dalam penetapan bobot pada recurrent neural network sama dengan struktur pada perceptron. Pengolahan sejumlah q perceptron dapat didefinisikan sebagai: ∫ ∑ ⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎝ ⎛ = − n 1 p P q q k X w k Y …………………………….. 1 dimana output perceptron pada saat bolak-balik adalah y q k dihitung menggunakan n input x p

k, 1 p n. Fungsi non-linear f didefinisikan sebagai: