3.7 Analisis Prediksi Produksi Padi
Prediksi produksi dilakukan dengan menggunakan teknik analisis jaringan syaraf. Curah hujan bulanan yang digunakan merupakan rata-rata dari
stasiun per kabupaten. Secara lebih jelas urutan pendugaan produksi padi dapat dilihat dalam gambar 4 berikut.
Gambar 5. Diagram alir pendugaan produksi padi
Parameter yang digunakan dalam lapisan input dengan demikian adalah curah hujan pada saat t X
1
, curah hujan pada saat t+1 X
2
, curah hujan pada saat t+2 X
3
, curah hujan pada saat t+3 X
4
untuk mendapatkan prediksi produksi padi pada saat t+3 Y. Model dibangun dengan menggunakan enam hingga
delapan simpul pada satu lapisan tersembunyi tunggal dan dengan tahapan penyusunan model training set sebagaimana model prediksi curah hujan.
IV HASIL DAN PEMBAHASAN
4.1 Model Prediksi Curah Hujan 4.1.1 Model Prediksi Curah Hujan di Stasiun Cigadung
Model prediksi curah hujan bulanan di Stasiun Cigadung dilakukan dengan menggunakan data time series curah hujan pada periode 1987–1995.
Validasi dilakukan dengan menggunakan data periode 2002–2007. Secara umum tidak diketahui dengan pasti berapa panjang optimum bagi data untuk digunakan
dalam training set pembentukan model dengan teknik neural network. Apriyanti 2005 menggunakan data time series sepanjang 16 tahun
untuk pembangunan model ANN dalam pendugaan curah hujan di DAS Siguling, sementara Salman 2006 menggunakan data hujan sepanjang 83 bulan 7 tahun
untuk pembangunan model curah hujan di daerah Bongan Bali. Dengan memperhatikan pola curah hujan dan hasil penelitian terkait tersebut maka data
stasiun Cigadung yang digunakan dalam pengembangan model ANN ini dianggap cukup mewakili variabilitas curah hujan bulanan di stasiun tersebut.
Tabel 2 dan Tabel 3 masing-masing memperlihatkan rangkuman dan hasil pengembangan model pendugaan curah hujan dari Stasiun Cigadung dengan
menggunakan 7 dan 8 parameter masukan, berdasarkan jumlah lapisan tersembunyi dan tingkat bobot awal.
Penentuan model terbaik dilakukan dengan memperhatikan tampilan model hasil training Gambar 6. Berdasarkan Tabel 2 dan Tabel 3 dapat
disimpulkan bahwa model-model yang terbaik dengan nilai MSE pertahun paling rendah dan nilai R
2
tertinggi di stasiun ini umumnya terjadi pada penggunaan nilai bobot awal 0,25 untuk semua jumlah simpul pada hidden layer. Akurasi yang
tinggi juga didapatkan dengan penggunaan nilai bobot awal 0,50 untuk nX = 7 dan nH = 10, dan hampir pada semua nilai bobot awal untuk nX = 8 dan
nH=10 dengan kisaran koefisien determinasi R
2
antara 73- 99 Tabel 3.
Tabel 2. Rangkuman pengembangan model prediksi curah hujan di Stasiun Cigadung dengan tujuh parameter input X
1
-X
7
, tiga level simpul lapisan tersembunyi dan empat nilai bobot awal
No Jumlah simpul
hidden layer H dan taraf bobot awal
Iterasi MSE
per tahun
R
2
Kisaran prediksi Rata-rata
error mmbulan
1. Jumlah simpul nH = 6 a. 0,25
814 0,007
87 0,000 – 0,568 0,568 0,4
b. 0,50 58
0,032 38
0,067 – 0,163 0,096 1,6 c. 0,75
47 0,032
38 0,067 – 0,163 0,096 1,6
d. 1,00 31
0,033 37
0,067 – 0,163 0,096 1,6 2
Jumlah simpul nH = 8 a. 0,25
176 0,014
74 0,000 – 0,338 0,338 0,7
b. 0,50 38
0,028 47
0,000 – 0,198 0,198 1,3 c. 0,75
37 0,033
37 0,067 – 0,164 0,097 1,7
d. 1,00 46
0,032 38
0,066 – 0,162 0,096 1,6 3. Jumlah simpul nH = 10
a. 0,25 933
0,013 75
0,001 – 0,567 0,566 0,7 b. 0,50
667 0,009
83 0,000 – 0,567 0,567 0,4
c. 0,75 59
0,033 37
0,067 – 0,164 0,097 1,7 d. 1,00
64 0,033
37 0,067 – 0,164 0,097 1,7
Keterangan: rata-rata error adalah nilai MSE terhadap curah hujan maksimum.
Penggunaaan 7 parameter sebagai inputmasukan terhadap model memberikan hasil terbaik secara statistik adalah model yang menggunakan enam
dan 10 simpul pada lapisan tersembunyi, sementara pada model dengan penggunaan 8 parameter sebagai input diperoleh hasil terbaik ditujukan oleh
model dengan 10 simpul pada lapisan tersembunyi nH = 10 pada setiap level bobot awal. Model dengan prediksi yang memiliki akurasi rendah rata-rata
memiliki karakter-karakter yang hampir sama, dalam hal nilai MSE per tahun, R
2
, kisaran model hingga rata-rata error setiap bulannya.
Tabel 3. Rangkuman pengembangan model prediksi curah hujan di Stasiun Cigadung dengan delapan parameter pada lapisan input X
1
-X
8
, tiga level simpul lapisan antara dan empat nilai bobot awal
No Jumlah simpul
hidden layer H dan taraf bobot awal
Iterasi MSE
per tahun
R
2
Kisaran prediksi Rata-rata
error mmbulan
1. Jumlah simpul nH = 6 a. 0,25
343 0,012
77 0,000 – 0,367 0,367 0,2
b. 0,50 43
0,032 39
0,067 – 0,164 0,097 1,6 c. 0,75
41 0,033
38 0,067 – 0,167 0,094 1,7
d. 1,00 39
0,033 38
0,067 – 0,163 0,096 1,7 2
Jumlah simpul nH = 8 a. 0,25
225 0,022
60 0,000 – 0,325 0,325 1,1
b. 0,50 45
0,033 38
0,067 – 0,163 0,096 1,7 c. 0,75
22 0,033
38 0,067 – 0,163 0,096 1,7
d. 1,00 45
0,032 39
0,067 – 0,163 0,096 1,6 3. Jumlah simpul nH = 10
a. 0,25 2.473
0,001 99
0,003 – 0,568 0,565 0,0 b. 0,50
1.559 0,011
79 0,001 – 0,369 0,368 0,6
c. 0,75 1.160
0,014 73
0,000 – 0,366 0,366 0,7 d. 1,00
1.192 0,010
82 0,000 – 0,399 0,399 0,5
Keterangan: rata-rata error adalah nilai MSE terhadap curah hujan maksimum.
Hasil training set pembentukan model prediksi curah hujan dengan tingkat akurasi tertinggi disajikan ringkasannya dalam Gambar 6. Penggunaan tujuh
parameter input dan 6–8 simpul hidden layer pada nilai bobot masing-masing 0,25 dan 0,50 sebenarnya telah dapat menghasilkan model yang mempunyai tingkat
akurasi yang hampir sama dengan tingkat akurasi pada model yang lebih rumit yang menggunakan 8 parameter input dan 10 simpul di hidden layer. Model
dengan akurasi tertinggi ternyata tidak dapat memprediksi nilai-nilai curah hujan 0,0 mm yang ditunjukkan dengan kisaran model sebesar 0,003 – 0,565
Cigadung 1987 - 1995, X = 7, H = 6 bobot awal = 0.25
0.00 0.20
0.40 0.60
0.80 1.00
1987 1988 1989 1990 1991 1992 1993 1994 1995
Gambar 6. Hasil training pembentukan model prediksi curah hujan bulanan t+4 di Cigadung dengan akurasi tertinggi
4.1.2 Model Prediksi Curah Hujan di Stasiun Karawang.
Karawang merupakan stasiun pewakil yang dipilih untuk mewakili wilayah hujan IIA. Hasil training set pembentukan model prediksi curah hujan di stasiun
Karawang disajikan dalam Tabel 4 dan 5 sementara hasil terbaik dari training set model tersebut disajikan dalam Gambar 7.
N o
e n
in
rm a
liz d
m o
th ly
r a
fa ll
AKTUAL PREDIKSI
cigadung 1987 - 1995, X = 8, H = 10, bobot awal = 0.50
0.00 0.20
0.40 0.60
0.80 1.00
1987 1988 1989 1990 1991 1992 1993 1994 1995
al m
y r l
n o
rm iz
ed o
nt h
l ai
n fa
l
aktual prediksi
cigadung 1987 - 1995, X= 8, H = 10 bobot awal = 0.25
0.00 0.20
0.40 0.60
0.80 1.00
1987 1988 1989 1990 1991 1992 1993 1994 1995
n o
rm al
ized m
o n
th ly
rai n
fa ll
aktual prediksi
cigadung 1987 - 1995, X = 8, H = 10, bobot awal = 1.00
0.00 0.20
0.40 0.60
0.80 1.00
1987 1988
1989 1990
1991 1992
1993 1994
1995 n
o rm
a liz
e d
m o
n th
ly r
a in
fa ll
aktual prediksi
Cigadung 1987 - 1995, X = 8, H = 6 bobot awal = 0.25
0.00 0.20
0.40 0.60
0.80 1.00
1987 1988 1989 1990 1991 1992 1993 1994 1995
n o
rm a
liz e
d m
o n
th ly
r a
in fa
ll
aktual prediksi
Cigadung 1987 - 1995. X = 7, H = 10 bobot awal = 0.50
0.00 0.20
0.40 0.60
0.80 1.00
1987 1988 1989 1990 1991 1992 1993 1994 1995 N
or m
a li
z e
d m ont
hl y
ra inf
a ll
AKTUAL PREDIKSI
Tabel 4. Rangkuman pengembangan model prediksi curah hujan di Stasiun Karawang dengan tujuh parameter input X
1
-X
7
, tiga level simpul pada lapisan tersembunyi dan empat nilai bobot awal yang berbeda
No Jumlah simpul
hidden layer H dan taraf bobot awal
Iterasi MSE
per tahun
R
2
Kisaran prediksi Rata-rata
error mmbulan
1. Jumlah simpul nH = 6 a. 0,25
343 0,067
55 0,000 – 0,644 0,644 3,9
b. 0,50 60
0,096 35
0,107 – 0,245 0,138 6,2 c. 0,75
21 0,096
35 0,107 – 0,245 0,138 6,2
d. 1,00 1263
0,069 53
0,000 – 0,317 0,317 4,1 2
Jumlah simpul nH = 8 a. 0,25
164 0,069
54 0,115 – 0,874 0,338 4,1
b. 0,50 661
0,067 56
0,000 – 0,326 0,333 3,9 c. 0,75
477 0,065
57 0,000 – 0,333 0,333 3,8
d. 1,00 116
0,073 52
0,000 – 0,322 0,322 4,3 3. Jumlah simpul nH = 10
a. 0,25 4832
0,047 69
0,000 – 0,915 0,915 2,8 b. 0,50
387 0,067
56 0,000 – 0,331 0,331 4,0
c. 0,75 735
0,055 64
0,000 – 0,396 0,396 3,3 d. 1,00
439 0,067
56 0,000 – 0,330 0,330 4,0
Keterangan: rata-rata error adalah nilai MSE terhadap curah hujan maksimum.
Tabel 4 menunjukkan ada hubungan antara jumlah iterasi dengan ketelitian model. Makin tinggi jumlah iterasi maka model akan semakin teliti. Nilai bobot
awal 0,25 memberikan prediksi yang paling akurat pada setiap tingkat lapisan tersembunyi. Model-model yang dibentuk dengan menggunakan tujuh parameter
ini ternyata sebagian besar tidak mampu menduga nilai-nilai ekstrim tinggi yang terjadi.
Model yang menambahkan anomali SST pada saat t+3 X
8
memberikan prediksi yang lebih akurat pada nilai bobot awal 0,25 untuk setiap taraf simpul
lapisan tersembunyi. Model-model yang memiliki tingkat akurasi tertinggi untuk karawang adalah pada saat menggunakan delapan parameter input untuk nH = 6,
nH = 8 dan pada saat nH = 10, ketiganya untuk bobot awal 0,25 Gambar 7.
Tabel 5. Rangkuman pengembangan model prediksi curah hujan di Stasiun Karawang dengan delapan parameter input X
1
-X
8
, tiga tingkat simpul lapisan antara dan empat nilai bobot awal yang berbeda
No Jumlah simpul
lapisan antara H dan taraf inisialisasi bobot
Iterasi MSE
per tahun
R
2
Kisaran prediksi Rata-rata
error mmbulan
1. Jumlah simpul nH = 6 a. 0,25
1.605 0,017
0,885 0,000 – 0,931 0,931 1,0
b. 0,50 294
0,086 0,436
0,122 – 0,273 0,152 5,1 c. 0,75
60 0,086
0,433 0,121 – 0,273 0,151 5,1
d. 1,00 278
0,085 0,434
0,121 – 0,272 0,151 5,1 2
Jumlah simpul nH = 8 a. 0,25
1.508 0,031
0,791 0,001 – 0,633 0,632 1,9
b. 0,50 66
0,086 0,432
0,121 – 0,273 0,151 5,1 c. 0,75
91 0,090
0,405 0,121 – 0,272 0,151 5,3
d. 1,00 72
0,087 0,425
0,120 – 0,270 0,150 5,1 3. Jumlah simpul nH = 10
a. 0,25 6.232
0,034 0,775
0,000 – 0,990 0,990 2,0 b. 0,50
2.347 0,065
0,567 0,000 – 0,565 0,565 3,9
c. 0,75 1.352
0,069 0,540
0,000 – 0,306 0,306 4,1 d. 1,00
1.819 0,041
0,731 0,000 – 0,930 0,930 2,4
Keterangan: rata-rata error adalah nilai MSE terhadap curah hujan maksimum.
Nilai bobot 0,25 dengan menggunakan 6 simpul lapisan tersembunyi dan 8 parameter input memberikan nilai MSE per tahun paling rendah dan R
2
tertinggi dibandingkan model-model lainnya. Gambar 7 memperlihatkan bahwa, model
tersebut pada beberapa titik tidak mampu menduga nilai-nilai curah hujan sebesar 0 mm. Dengan menggunakan 8 simpul pada lapisan tersembunyi untuk nilai bobot
awal yang sama diperoleh hasil R
2
tertinggi kedua setelah 6 lapisan tersembunyi. Pada penggunaan 8 simpul lapisan tersembunyi ini iterasi yang terjadi juga lebih
sedikit dibandingkan dengan penggunaan 6 dan 10 simpul. Model ini dengan demikian menjadi lebih efisien dan memiliki laju pembelajaran yang cepat,
sehingga menjadi lebih sederhana. Handoko 2004 menyebutkan bahwa kesederhanaan model merupakan hal yang cukup penting dalam aplikasi model
oleh user. Model dengan 8 simpul pada lapisan tersembunyi inilah yang kemudian dianggap paling baik bagi Karawang dan akan dipergunakan untuk keperluan
prediksi curah hujan yang akan datang. Hasil pengembangan model prediksi ini jauh lebih baik dibandingkan
model prediksi curah hujan sebelumnya oleh Koesmaryono et al. 2007, yang
memprediksi curah hujan tiga bulan ke depan di Karawang. Model tersebut dihasilkan setelah 81 iterasi dengan MSE per tahun 0,101 dan rata-rata error 6,0
mmbulan. Model tersebut juga tidak begitu mampu memprediksi nilai-nilai ekstrim rendah dan tinggi.
Karawang 1990 - 2003, X = 8, H = 6, bobot awal = 0.25
0.00 0.20
0.40 0.60
0.80 1.00
1990 1992
1994 1996
1998 2000
2002
n o
rm a
liz e
d m
o n
th ly
r a
in fa
ll
aktual prediksi
Karawang 1990 - 2003, X = 8, H = 8 bobot awal = 0.25
0.00 0.20
0.40 0.60
0.80 1.00
1990 1992
1994 1996
1998 2000
2002
n o
rm a
liz e
d m
o n
th ly
r a
in fa
ll
aktual prediksi
Karawang 1990 - 2003, X= 8, H = 10 bobot awal = 0.25
0.00 0.20
0.40 0.60
0.80 1.00
1990 1992
1994 1996
1998 2000
2002
n o
rm a
liz e
d m
o n
th ly
r a
in fa
ll
aktual prediksi
Gambar 7. Hasil training pembentukan model prediksi curah hujan bulanan t+4 di Karawang dengan akurasi tertinggi
4.1.3 Model Prediksi Curah Hujan di Stasiun Rawamerta
Rawamerta dipilih untuk mewakili wilayah hujan IIB, yang dicirikan oleh curah hujan tahunan 1.750–2.250 mmtahun. Training set dilakukan dengan
menggunakan data curah hujan bulanan periode 10 tahun 1990–1999. Hasil training set pembentukan model prediksi curah hujan bulanan di Rawamerta di
sajikan dalam Tabel 6 dan Tabel 7.
Tabel 6. Rangkuman pengembangan model prediksi curah hujan di Stasiun Rawamerta dengan tujuh parameter input X
1
-X
7
, tiga level simpul lapisan tersembunyi dan empat nilai bobot awal yang berbeda.
No Jumlah simpul
hidden layer H dan nilai bobot awal
Iterasi MSE
per tahun
R
2
Kisaran prediksi Rata-rata
error mmbulan
1. Jumlah simpul nH = 6 a. 0,25
296 0,067
44 0,000 – 0,393 0,393 5,3
b. 0,50 76
0,081 32
0,103 – 0,239 0,135 6,4 c. 0,75
39 0,083
30 0,101 – 0,234 0,133 6,6
d. 1,00 60
0,082 31
0,101 – 0,234 0,133 6,5 2
Jumlah simpul nH = 8 a. 0,25
568 0,062
49 0,003 – 0,586 0,584 4,9
b. 0,50 39
0,082 31
0,102 – 0,236 0,134 6,5 c. 0,75
39 0,083
31 0,101 – 0,233 0,132 6,5
d. 1,00 46
0,082 31
0,101 – 0,234 0,133 6,5 3. Jumlah simpul nH = 10
a. 0,25 1.282
0,045 63
0,000 – 0,687 0,687 3,5 b. 0,50
127 0,081
33 0,103 – 0,238 0,135 6,4
c. 0,75 26
0,083 31
0,101 – 0,233 0,133 6,6 d. 1,00
43 0,083
31 0,101 – 0,234 0,133 6,5
Keterangan: rata-rata error adalah nilai MSE terhadap curah hujan maksimum.
Tabel 7. Rangkuman pengembangan model Prediksi Curah hujan di Stasiun Rawamerta dengan delapan parameter input X
1
-X
8
, tiga level simpul lapisan tersembunyi dan empat nilai bobot awal yang berbeda.
No Jumlah simpul
hidden layer H dan nilai bobot awal
Iterasi MSE
per tahun
R
2
Kisaran prediksi Rata-rata
error mmbulan
1. Jumlah simpul nH = 6 a. 0,25
552 0,066
49 0,000 – 0,389 0,389 5,2
b. 0,50 67
0,080 40
0,105 – 0,241 0,137 6,3 c. 0,75
46 0,081
39 0,104 – 0,240 0,136 6,4
d. 1,00 44
0,082 39
0,102 – 0,237 0,134 6,5 2
Jumlah simpul nH = 8 a. 0,25
1.370 0,036
71 0,000 – 0,922 0,632 2,8
b. 0,50 35
0,095 27
0,092 – 0,215 0,123 7,5 c. 0,75
314 0,067
49 0,001 – 0,392 0,391 5,3
d. 1,00 100
0,073 45
0,000 – 0,265 0,265 5,8 3. Jumlah simpul nH = 10
a. 0,25 3.423
0,044 63
0,000 – 0,591 0,591 3,5 b. 0,50
1.663 0,054
58 0,000 – 0,306 0,306 4,3
c. 0,75 1.939
0,044 64
0,000 – 0,400 0,400 3,5 d. 1,00
439 0,071
42 0,000 – 0,259 0,259 5,6
Keterangan: rata-rata error adalah nilai MSE terhadap curah hujan maksimum.
Tabel 6 menunjukkan bahwa dengan menggunakan 7 parameter input, hasil terbaik diberikan oleh model dengan 10 simpul pada lapisan tersembunyi dengan
bobot awal 0,25. Hasil terbaik ini ditunjukkan dengan nilai MSE per tahun 0,045 dan nilai R
2
sebesar 63 . Pada model dengan tingkat akurasi rendah rata-rata tidak mampu memprediksi curah hujan pada nilai 0 mmbulan. Kisaran nilai pada
model-model tersebut rata-rata mempunyai lebar prediksi antara 0,132– 0,135.
Gambar 8. Hasil training pembentukan model prediksi curah hujan bulanan t+4 di Rawamerta dengan akurasi tertinggi.
Pembentukan model dengan menggunakan 8 parameter input dan 8 simpul hidden layer
pada bobot awal 0,25 memberikan nilai MSE per tahun yang paling rendah. Akan tetapi model ini pada beberapa situasi tidak dapat memprediksi
nilai-nilai kejadian hujan maksimum yang biasa dan lebih sering terjadi selama proses training set dan sebaliknya dapat memprediksi kejadian hujan ekstrim yang
memiliki pola berbeda dengan kejadian hujan bulanan umumnya Gambar 8. Model dengan 7 parameter input, 10 simpul hidden layer dan bobot awal 0,25
sebaliknya mampu memprediksi curah hujan pada nilai-nilai yang tinggi, akan
Rawamerta 1990 - 1999, X=8, H = 10 bobot awal = 0.25
0.00 0.20
0.40 0.60
0.80 1.00
1990 1991 1992 1993 1994 1995 1996 1997 1998 1999
no rmali
z ed m
ont h
ly r a
in fa
ll
aktual prediksi
Rawamerta 1990 - 1999, X = 8, H = 10 bobot awal = 0.75
0.00 0.20
0.40 0.60
0.80 1.00
1990 1991 1992 1993 1994 1995 1996 1997 1998 1999
no rmali
z ed m
ont h
ly r a
in fa
ll
aktual prediksi
Rawamerta 1990 - 1999, X = 8, H = 8 bobot awal = 0.25
0.00 0.20
0.40 0.60
0.80 1.00
1990 1991 1992 1993 1994 1995 1996 1997 1998 1999
n o
rm ali
z ed m
o nt
h ly
rai n
fa ll
aktual prediksi
Rawamerta 1990 - 1999, X = 7, H = 10 bobot awal = 0.25
0.00 0.20
0.40 0.60
0.80 1.00
1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 N
o rm
a liz
e d
m o
n th
ly ra
in fa
ll
AKTUAL PREDIKSI
tetapi kurang dapat memprediksi kejadian-kejadian hujan dengan nilai yang rendah.
Gambar 7 juga memperlihatkan bahwa pada model dengan 8 parameter input
, 10 simpul hidden layer dan bobot awal 0,75 dapat memprediksi curah hujan dengan nilai-nilai yang rendah 0 mmbulan dan cukup baik untuk memprediksi
kejadian curah hujan yang tinggi. Berdasarkan pertimbangan tersebut, maka model dengan bobot awal 0,75 inilah yang dipilih untuk dipergunakan dalam
prediksi curah hujan satu tahun ke depan.
4.1.4 Model Prediksi Curah Hujan Stasiun Subang
Training set pembentukan model untuk stasiun Subang menggunakan data
periode 1990–2003. Stasiun Subang sebagai stasiun pewakil daerah IIC memiliki rata-rata curah hujan tahunan 2.250–3.000 mmtahun. Hasil pembentukan model
prediksi curah hujan dengan menggunakan teknik analisis Neural Network dirangkum dalam tabel 8 dan 9, sementara hasil training set yang memiliki model
prediksi dengan tingkat akurasi tertinggi di sajikan dalam Gambar 9. Tabel 8. Rangkuman pengembangan model prediksi curah hujan di Stasiun
Subang dengan tujuh parameter input X
1
-X
7
, tiga level simpul lapisan tersembunyi dan empat nilai bobot awal yang berbeda.
No Jumlah simpul
hidden layer H dan nilai bobot awal
Iterasi MSE
per tahun
R
2
Kisaran prediksi Rata-rata
error mmbulan
1. Jumlah simpul nH = 6 a. 0,25
1.115 0,034
70 0,002 – 0,759 0,752 3,4
b. 0,50 726
0,049 57
0,000 – 0,429 0,429 4,8 c. 0,75
702 0,033
71 0,000 – 0,937 0,937 3,2
d. 1,00 1.359
0,036 68
0,000 – 0,953 0,953 3,6 2
Jumlah simpul nH = 8 a. 0,25
1.132 0,044
61 0,000 – 0,449 0,584 4,3
b. 0,50 41
0,070 39
0,089 – 0,211 0,121 6,9 c. 0,75
44 0,071
38 0,088 – 0,207 0,120 7,0
d. 1,00 45
0,071 38
0,088 – 0,207 0,119 7,0 3. Jumlah simpul nH = 10
a. 0,25 935
0,020 83
0,000 – 0,917 0,917 2,0 b. 0,50
234 0,069
40 0,000 – 0,214 0,214 6,8
c. 0,75 107
0,073 37
0,087 – 0,206 0,119 7,2 d. 1,00
150 0,073
37 0,087 – 0,206 0,119 7,1
Keterangan: rata-rata error adalah nilai MSE terhadap curah hujan maksimum.
Pembentukan model dengan menggunakan 7 parameter input menghasilkan model terbaik ditunjukkan pada model dengan 10 simpul pada
hidden layer yang memberikan nilai MSE per tahun paling rendah serta
memberikan nilai R
2
paling tinggi yaitu 83 . Akurasi model sangat baik sehingga menghasilkan rata-rata error terhadap curah hujan maksimun yang
mungkin terjadi setiap bulan adalah 2,0 mm. Tabel 9. Rangkuman pengembangan model prediksi curah hujan di Stasiun
Subang dengan delapan parameter input X
1
-X
8
, tiga level lapisan tersembunyi dan empat taraf nilai bobot awal yang berbeda.
No Jumlah simpul
hidden layer H dan nilai bobot awal
Iterasi MSE
per tahun
R
2
Kisaran prediksi Rata-rata
error mmbulan
1. Jumlah simpul nH = 6 a. 0,25
1.816 0,013
91 0,000 – 0,947 0,947 1,3
b. 0,50 188
0,066 55
0,090 – 0,213 0,122 6,5 c. 0,75
73 0,066
55 0,091 – 0,213 0,123 6,5
d. 1,00 168
0,066 55
0,090 – 0,213 0,122 6,5 2
Jumlah simpul nH = 8 a. 0,25
521 0,049
67 0,000 – 0,477 0,632 4,8
b. 0,50 70
0,066 55
0,091 – 0,213 0,122 6,5 c. 0,75
90 0,066
55 0,091 – 0,213 0,122 6,5
d. 1,00 72
0,067 55
0,091 – 0,213 0,123 6,5 3. Jumlah simpul nH = 10
a. 0,25 4.454
0,031 79
0,080 – 1,000 0,930 3,1 b. 0,50
3.813 0,017
89 0,000 – 0,949 0,949 1,7
c. 0,75 2.737
0,019 88
0,000 – 0,950 0,950 1,9 d. 1,00
1.779 0,036
75 0,000 – 0,346 0,346 3,6
Keterangan: rata-rata error adalah nilai MSE terhadap curah hujan maksimum.
Penambahan anomali SST Nino 3,4 pada lag-1 sebagai parameter kedelapan memberikan nilai MSE terkecil pada model dengan 6 simpul hidden
laye r untuk bobot awal 0,25. Gambar 8 menyajikan perbandingan antara model-
model terbaik yang dihasilkan oleh analisis jaringan syaraf tiruan untuk prediksi curah hujan di stasiun Subang. Terlihat bahwa model dengan hasil R
2
tertinggi ternyata tidak begitu mampu memprediksi curah hujan pada nilai-nilai rendah. Hal
ini sebagaimana hasil prediksi di stasiun Karawang yang memberikan nilai MSE terendah juga pada saat nX = 8 dan nH = 6 untuk bobot awal 0,25.
Berdasarkan kenyataan ini dapat disimpulkan bahwa terdapat kecenderungan model dengan enam simpul lapisan tersembunyi untuk
penggunaan delapan variabel input menyebabkan laju pembelajaran menjadi terlalu cepat sehingga tidak teliti. Hal ini menunjukkan penggunaan 6 simpul
dalam lapisan tersembunyi untuk 8 variabel dalam lapisan input bukanlah jumlah simpul yang optimal bagi proses pembelajaran model dan bersesuaian dengan
persamaan simpul ideal dalam lapisan tersembunyi. Berdasarkan persamaan tersebut maka penggunaan 8 variabel dalam lapisan input membutuhkan kisaran
simpul yang direkomendasikan adalah 7-17 simpul Fletcher dan Goss 1993 dalam
Kuligowski dan Baros 1998
Subang 1990 - 2003, X = 7, H = 10 bobot awal = 0.250
0.00 0.20
0.40 0.60
0.80 1.00
1990 1992
1994 1996
1998 2000
2002 N
o rm
al iz
e d
m ont
hl y
r a
in fa
ll
AKTUAL PREDIKSI
Subang 1990 - 2003, X = 8, H = 6 bobot awal = 0.25
0.00 0.20
0.40 0.60
0.80 1.00
1990 1992
1994 1996
1998 2000
2002 nor
m a
li z
e d
m o
nt h
ly ra
in fa
ll
aktual prediksi
Subang 1990 - 2003, X = 8, H = 10 inisialisasi bobot = 0.25
0.000 0.200
0.400 0.600
0.800 1.000
1990 1992
1994 1996
1998 2000
2002
nor m
a li
z ed m
ont hl
y ra
in fa
ll
aktual prediksi
Subang 1990 - 2003, X = 8, H = 10 bobot awal = 0.50
0.000 0.200
0.400 0.600
0.800 1.000
1990 1992
1994 1996
1998 2000
2002
nor m
a li
z e
d m ont
hl y r
a inf
a ll
aktual prediksi
Subang 1990 - 2003, X = 8, H = 10 bobot awal = 0.75
0.00 0.20
0.40 0.60
0.80 1.00
1990 1992
1994 1996
1998 2000
2002 nor
m a
li z
e d
m o
nt h
ly ra
in fa
ll
aktual prediksi
Gambar 9. Hasil training pembentukan model prediksi curah hujan bulanan t+4 di Subang dengan akurasi tertinggi.
Model dengan 10 simpul pada hidden layer ketika nX = 8 memberikan hasil yang paling baik dengan jumlah iterasi yang paling tinggi pula dibandingkan
model-model dengan jumlah lapisan antara yang lebih sedikit. Hal ini sejalan dengan pernyataan Habra 2005 bahwa secara umum penambahan simpul pada
hidden layer dan parameter input akan menyebabkan jaringan syaraf untuk
memperoleh pembelajaran yang lebih kompleks akan tetapi pada saat yang sama akan menurunkan kinerja model yaitu memberikan laju pembelajaran yang lebih
lambat. Model yang dihasilkan dari penggunaan 10 simpul lapisan tersembunyi
ketika nX = 8 ternyata menghasilkan rata-rata error perbulan yang hampir sama besar dengan model yang hanya menggunakan 7 paramerer input. Model
dengan 7 parameter input dan 10 simpul lapisan tersenyembunyi ini di pilih sebagai model terbaik untuk dipergunakan dalam prediksi hujan bulanan yang
akan datang dengan alasan cepatnya laju pembelajaran dan hasil prediksi yang baik.
4.1.5. Model Prediksi Curah Hujan di Sindanglaya.
Model terbaik diberikan oleh nilai bobot awal 0,25 untuk baik untuk penggunaan 7 maupun 8 parameter pada input layer pada penggunaan 10 simpul
hidden layer. Dengan menggunakan tujuh parameter input dan dengan jumlah
iterasi yang lebih sedikit, ternyata sudah dapat menghasilkan model dengan tingkat akurasi yang cukup baik, yang ditandai dengan nilai MSE = 0,012, R
2
= 96 dan rata-rata error terhadap curah hujan maksimum setiap bulan adalah 0,8
mmbulan.
Tabel 10. Rangkuman pengembangan model prediksi curah hujan di Stasiun Sindanglaya dengan tujuh parameter input X
1
-X
7
, tiga level simpul lapisan tersembunyi dan nilai bobot awal
No Jumlah simpul
hidden layer H dan nilai bobot awal
Iterasi MSE
per tahun
R
2
Kisaran prediksi Rata-rata
error mmbulan
1. Jumlah simpul nH = 6 a. 0,25
710 0,111
61 0,000 – 0,501 0,501 7,5
b. 0,50 1.547
0,074 74
0,000 – 0,807 0,807 5,0 c. 0,75
39 0,186
35 0,196 – 0,398 0,202 12,6
d. 1,00 126
0,178 38
0,200 – 0,405 0,205 12,0 2
Jumlah simpul nH = 8 a. 0,25
1.475 0,045
85 0,000 – 0,866 0,866 3,0
b. 0,50 278
0,070 56
0,000 – 0,476 0,476 8,6 c. 0,75
42 0,071
38 0,198 – 0,401 0,203 12,3
d. 1,00 57
0,181 37
0,197 – 0,400 0,203 12,3 3. Jumlah simpul nH = 10
a. 0,25 2.261
0,012 96
0,000 – 0,960 0,917 0,8 b. 0,50
322 0,116
60 0,000 – 0,487 0,487 7,9
c. 0,75 265
0,126 56
0,000 – 0,476 0,476 8,5 d. 1,00
99 0,168
41 0,210 – 0,419 0,209 11,4
Keterangan: rata-rata error adalah nilai MSE terhadap curah hujan maksimum.
Hasil terbaik umumnya diberikan pada penggunaan 10 simpul hidden layer
untuk semua bobot awal. Hal ini dengan jelas menunjukkan bahwa penambahan lapisan antara meningkatkan ketelitian model untuk prediksi yang
lebih kompleks. Model secara akurat dapat memprediksi nilai-nilai kejadian hujan pada kisaran rendah maupun tinggi.
Berdasarkan Tabel 10 dan 11, serta dengan memperhatikan tampilan model pada Gambar 10, maka model dengan penggunaan 7 parameter input dan
10 lapisan antara dianggap paling layak untuk kepentingan prediksi. Model ini memiliki laju pembelajaran yang lebih cepat yang ditunjukkan oleh jumlah iterasi
yang lebih sedikit dibandingkan model dengan R
2
tertinggi nX = 8 dan nH = 10, untuk bobot awal = 0,25, akan tetapi pada saat yang sama model
menghasilkan rata-rata error per bulan terhadap curah hujan maksimum yang sama dengan model yang lebih rumit.
Tabel 11. Rangkuman pengembangan model prediksi curah hujan di Stasiun Sindanglaya dengan delapan parameter input X
1
-X
8
, tiga level simpul lapisan tersembunyi dan empat nilai bobot awal yang berbeda.
No Jumlah simpul
hidden layer H dan bobot awal
Iterasi MSE
per tahun
R
2
Kisaran prediksi Rata-rata
error mmbulan
1. Jumlah simpul nH = 6 a. 0,25
861 0,092
71 0,000 – 0,688 0,688 6,2
b. 0,50 39
0,200 36
0,199 – 0,403 0,204 13,5 c. 0,75
40 0,201
36 0,198 – 0,402 0,204 13,6
d. 1,00 59
0,196 38
0,197 – 0,400 0,203 13,2 2
Jumlah simpul nH = 8 a. 0,25
655 0,096
69 0,000 – 0,635 0,635 6,5
b. 0,50 807
0,074 76
0,000 – 0,625 0,625 5,0 c. 0,75
25 0,201
36 0,196 – 0,399 0,203 13,6
d. 1,00 39
0,197 37
0,195 – 0,397 0,202 13,3 3. Jumlah simpul nH = 10
a. 0,25 6.215
0,012 96
0,000 – 0,933 0,930 0,8 b. 0,50
1.899 0,042
87 0,000 – 0,914 0,914 2,8
c. 0,75 1.638
0,049 84
0,000 – 0,758 0,758 3,3 d. 1,00
1.234 0,041
87 0,000 – 0,849 0,849 2,7
Keterangan: rata-rata error adalah nilai MSE terhadap curah hujan maksimum.
Sindanglaya 1990-2000, X = 7, H = 8 bobot awal = 0.25
0.00 0.20
0.40 0.60
0.80 1.00
1990 1991 1992 1993 1994 1995 1996 1997 1998 1999
Gambar 10. Hasil training pembentukan model prediksi curah hujan bulanan t+4 di Sindanglaya dengan akurasi tertinggi.
4.1.6 Model Prediksi Curah Hujan di Stasiun Ciseuti
Stasiun Ciseuti merupakan stasiun pewakil wilayah IV, yang merupakan wilayah dengan rata-rata hujan tahunan tertinggi di wilayah pantai utara Jawa
Barat. Training set pembentukan model dilakukan dengan menggunakan data periode 1990–2003. Hasil rangkuman analisis model prediksi curah hujan empat
bulan ke depan di stasiun Ciseuti diringkas dalam Tabel 12 dan Tabel 13.
N o
n t
i
rm al
iz ed
m o
h ly r
a n
fal l
AKTUAL PREDIKSI
Sindanglaya 1990-2000, X = 7, H = 10 bobot awal = 0.25
0.00 0.20
0.40 0.60
0.80 1.00
1990 1991 1992 1993 1994 1995 1996 1997 1998 1999
N o
rm al
iz ed
m o
nt h
ly ra
in fa
ll
AKTUAL PREDIKSI
Sindanglaya 1990 - 2000, X = 8, H = 10, Bobot awal = 0.25
0.00 0.20
0.40 0.60
0.80 1.00
1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000
nor m
a li
z e
d m ont
hl y
r a
inf a
ll
aktual prediksi
sindanglaya 1990 - 2000, X = 8, H = 10 bobot awal = 0.50
0.00 0.20
0.40 0.60
0.80 1.00
1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000
nor m
a li
z e
d m ont
hl y
ra inf
a ll
aktual prediksi
Sindanglaya 1990 - 2000, X = 8, H = 10 bobot awal = 0.75
0.00 0.20
0.40 0.60
0.80 1.00
1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000
li o
r l
nor m
a z
e d m
nt hl
y a
inf a
l
aktual prediksi
sindanglaya 1990 - 2000, X = 8, H = 10 bobot awal = 1.000
0.00 0.20
0.40 0.60
0.80 1.00
1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000
nor m
a li
z e
d m o
nt hl
y r
a inf
a ll
aktual prediksi
Tabel 12. Rangkuman pengembangan model prediksi curah hujan di Stasiun Ciseuti dengan tujuh parameter input X
1
-X
7
, tiga level simpul lapisan tersembunyi dan empat nilai bobot awal
No Jumlah simpul
hidden layer H dan bobot awal
Iterasi MSE
per tahun
R
2
Kisaran prediksi Rata-rata
error mmbulan
1. Jumlah simpul nH = 6 a. 0,25
1.104 0,068
79 0,003 – 0,811 0,811 5,9
b. 0,50 514
0,157 52
0,000 – 0,452 0,452 13,7 c. 0,75
376 0,169
49 0,079 – 0,437 0,368 14,7
d. 1,00 1.059
0,114 65
0,065 – 0,666 0,602 10,0 2
Jumlah simpul nH = 8 a. 0,25
730 0,116
63 0,000 – 0,484 0,484 10,1
b. 0,50 299
0,116 64
0,000 – 0,484 0,484 10,1 c. 0,75
589 0,110
66 0,000 – 0,486 0,486 9,6
d. 1,00 1.019
0,111 65
0,000 – 0,469 0,469 9,7 3. Jumlah simpul nH = 10
a. 0,25 339
0,140 56
0,000 – 0,469 0,469 12,2 b. 0,50
307 0,134
58 0,000 – 0,459 0,487 11,7
c. 0,75 57
0,186 42
0,202 – 0,408 0,206 16,2 d. 1,00
967 0,084
74 0,000 – 0,961 0,961 7,3
Keterangan: rata-rata error adalah nilai MSE terhadap curah hujan maksimum.
Umumnya model yang dibentuk dengan menggunakan tujuh parameter input tidak dapat memprediksi curah hujan dengan nilai-nilai yang tinggi, kecuali
pada penggunaan 6 dan 10 simpul hidden layer masing-masing pada bobot awal 0,25 dan 1,00. Kisaran terlebar didapatkan pada penggunaan 10 hidden layer
dengan bobot awal 1,0 yaitu dengan lebar kisaran 0,961. Pada pembentukan model dengan menggunakan delapan parameter input
Tabel 13, terlihat adanya perbaikan akurasi model terutama pada penggunaan 10 hidden layer
untuk setiap nilai bobot awal. Akurasi model yang tinggi ini terutama disebabkan oleh kemampuan model untuk melakukan iterasi yang lebih
banyak sehingga laju pembelajaran yang lebih lambat. Jumlah iterasi yang tinggi berpengaruh terhadap ketelitian dan kekompleksan model yang dibentuk.
Tabel 13. Rangkuman pengembangan model prediksi curah hujan di Stasiun Ciseuti dengan delapan parameter input X
1
-X
8
, tiga simpul level lapisan tersembunyi dan empat nilai bobot awal
No Jumlah simpul
hidden layer H dan bobot awal
Iterasi MSE
per tahun
R
2
Kisaran prediksi Rata-rata
error mmbulan
1. Jumlah simpul nH = 6 a. 0,25
219 0,105
67 0,000 – 0,509 0,509 9,1
b. 0,50 124
0,159 50
0,207 – 0,415 0,208 13,9 c. 0,75
74 0,164
48 0,212 – 0,423 0,211 14,3
d. 1,00 86
0,162 48
0,211 – 0,422 0,210 14,1 2
Jumlah simpul nH = 8 a. 0,25
865 0,088
73 0,000 – 0,690 0,690 7,6
b. 0,50 530
0,097 69
0,000 – 0,505 0,505 8,5 c. 0,75
660 0,049
85 0,000 – 0,993 0,993 4,2
d. 1,00 21
0,164 48
0,212 – 0,423 0,210 14,3 3. Jumlah simpul nH = 10
a. 0,25 4533
0,024 94
0,000 – 0,978 0,978 2,1 b. 0,50
2626 0,039
88 0,000 – 0,856 0,856 3,4
c. 0,75 2690
0,051 84
0,000 – 0,941 0,941 4,5 d. 1,00
1776 0,088
72 0,000 – 0,531 0,531 7,6
Keterangan: rata-rata error adalah nilai MSE terhadap curah hujan maksimum.
Gambar 11 memperlihatkan tampilan model dengan akurasi tertinggi. Model dengan 7 parameter input dan 6 simpul hidden layer meskipun memiliki
akurasi yang cukup baik ternyata pada beberapa titik tidak mampu memprediksi nilai-nilai kejadian hujan yang rendah. Model dengan delapan simpul hidden layer
dan delapan parameter input sebaliknya cukup baik untuk memprediksi nilai-nilai rendah tapi cenderung buruk dalam memprediksi fluktuasi curah hujan bulanan
dalam setahun. Hasil terbaik diberikan oleh nX = 8, nH = 10 dan bobot awal 0,25.
Model yang dihasilkan memberikan nilai MSE pertahun paling kecil yaitu 0,024. Nilai R
2
yang dihasilkan model adalah sebesar 93 . Hal ini menunjukkan bahwa sekitar 93 keragaman curah hujan di Ciseuti dapat dijelaskan oleh fluktuasi
curah hujan 4 bulan berturut-turut, anomali SST pada lag -4 dan lag -1 serta juga dipengaruhi oleh nilai SOI pada lag -4.
Ciseuti 1990-2003, X = 7, H = 6, bobot awal = 0.25
0.00 0.20
0.40 0.60
0.80 1.00
1990 1992
1994 1996
1998 2000
2002 N
o rm
a liz
e d
m o
n th
ly r
a in
fa ll
AKTUAL PREDIKSI
Ciseuti 1990 - 2003, X = 8, H = 8, bobot awal = 0.75
0.00 0.20
0.40 0.60
0.80 1.00
1990 1992
1994 1996
1998 2000
2002 n
o rm
a liz
e d
m o
n th
ly r
a in
fa ll
aktual prediksi
Ciseuti 1990 - 2003, X = 8, H = 10 bobot awal = 0.50
0.00 0.20
0.40 0.60
0.80 1.00
1990 1992
1994 1996
1998 2000
2002 nor
m a
li z
e d m
ont hl
y r a
inf a
ll
aktual prediksi
Ciseuti 1990 - 2003, X = 8, H = 10 bobot awal = 0.25
0.00 0.20
0.40 0.60
0.80 1.00
1990 1992
1994 1996
1998 2000
2002 nor
m a
li z
e d m
ont hl
y r
a inf
a ll
aktual prediksi
Ciseuti 1990 - 2003, X = 8, H = 10 bobot awal = 0.75
0.00 0.20
0.40 0.60
0.80 1.00
1990 1992
1994 1996
1998 2000
2002 no
rm a
li z
ed m ont
h ly r
a in
fa ll
aktual prediksi
Gambar 11. Hasil training pembentukan model prediksi curah hujan bulanan t+4 di Ciseuti dengan akurasi tertinggi.
Berdasarkan hasil analisis pada Tabel 12 dan Tabel 13, serta memperhatikan tampilan model pada Gambar 11 maka model dengan 8 parameter
input dan 10 simpul lapisan antara dengan inisialisasi bobot 0,25 dipilih sebagai model untuk dipergunakan dalam kepentingan prediksi curah hujan empat bulan
ke depan.
4.2 Perbandingan Model Prediksi Curah Hujan antar Stasiun
Tabel 14 dan Gambar 12 menyajikan rangkuman dan hasil pendugaan curah hujan dari model prediksi curah hujan dengan tingkat akurasi tertinggi di enam
stasiun pewakil di wilayah Subang dan Karawang, serta perbandingannya dengan nilai aktual pada periode yang sama.
Tabel 14. Rangkuman pembentukan model prediksi curah hujan terbaik dari stasiun-stasiun pewakil di wilayah Subang dan Karawang
Stasiun NX nH Bobot
awal Jumlah
iterasi Kisaran Prediksi
R
2
MSE per
tahun Rata-rata
error mmbulan
Cigadung 7 6 0,250 814 0,000-0,568
0,565 87 0,007
0,4 Karawang 8 8 0,250 1508
0,001-0,633 0,632
79 0,031 1,9
Rawamerta 8 10 0,750 3432 0,000-0,591 0,591
64 0,044 3,5
Subang 7 10
0,250 935
0,000-0,917 0,917
83 0,020 2,0
Sindanglaya 7 10 0,250 2261 0,000-0,960 0,960
96 0,012 0,8
Ciseuti 8 10
0,250 4533
0,000-0,978 0,978
93 0,024 2,1
Keterangan: rata-rata error adalah nilai MSE terhadap curah hujan maksimum.
Model dengan kisaran terlebar adalah Ciseuti dengan lebar nilai prediksi 0,978, disusul stasiun Sindanglaya dan Subang dengan lebar nilai prediksi
masing-masing 0,960 dan 0,917. Ketiganya merupakan stasiun pewakil yang berada dalam wilayah administrasi Subang. Stasiun yang memiliki kisaran paling
sempit adalah Cigadung, di Subang dan Rawamerta, di Karawang dengan lebar nilai prediksi masing-masing 0,565 dan 0,591. Berdasarkan besarnya akurasi R
2
dan kecilnya galat maka model yang memiliki nilai akurasi tertinggi adalah stasiun-stasiun pewakil yang terletak di wilayah administrasi Subang yaitu
Cigadung, diikuti Ciseuti, Sindanglaya, dan Subang. Stasiun pewakil yang terletak di Kabupaten Karawang memberikan tingkat akurasi yang paling rendah yaitu
Rawamerta dengan nilai galat per tahun 0,044 serta nilai R
2
sebesar 0,639 dan Stasiun Karawang dengan nilai galat pertahun 0,031 dan nilai R
2
adalah 0,791. Model pada tiga stasiun pewakil di kabupaten Subang yaitu stasiun
Cigadung, stasiun Subang dan stasiun Sindanglaya dengan menggunakan 7 parameter input tanpa mengikutsertakan anomali SST Nino 3,4 lag-1 sebagai
parameter input ke-8 ternyata telah mampu memberikan prediksi yang baik
dengan tingkat akurasi yang cukup tinggi. Diduga tingginya nilai akurasi yang diberikan oleh kedua stasiun ini karena pola curah hujan di ketiga stasiun tersebut
lebih banyak dipengaruhi oleh anomali SST pada lag -4 saja.
Cigadung 1987 - 1995, X = 7, H = 6 bobot awal = 0.25
0.00 0.20
0.40 0.60
0.80 1.00
1987 1988 1989 1990 1991 1992 1993 1994 1995
N o
rm a
liz e
d m
o n
th ly
r a
in fa
ll
AKTUAL PREDIKSI
Karawang 1990 - 2003, X = 8, H = 8 bobot awal = 0.25
0.00 0.20
0.40 0.60
0.80 1.00
1990 1992
1994 1996
1998 2000
2002
nor m
a li
z e
d m o
nt hl
y r
a inf
a ll
aktual prediksi
Rawamerta 1990 - 1999, X=8, H = 10 bobot awal = 0.25
0.00 0.20
0.40 0.60
0.80 1.00
1990
Gambar 12. Hasil training atau pembentukan model prediksi curah hujan menggunakan teknik analisis jaringan syaraf propagasi balik
terhadap data curah hujan aktual di beberapa stasiun di Kabupaten Subang dan dan Karawang.
Hal ini sebagaimana hasil penelitian Pramudia 2002, bahwa dari seluruh stasiun hujan yang ada di Subang 59 diantaranya memiliki korelasi nyata
1991 1992 1993 1994 1995 1996 1997 1998 1999
n o
rm a
liz e
d m
o n
th ly
r a
in fa
ll
aktual prediksi
Subang 1990 - 2003, X = 7, H = 10 bobot awal = 0.250
0.00 0.20
0.40 0.60
0.80 1.00
1990 1992
1994 1996
1998 2000
2002
N o
rm al
ized m
o n
th ly
r ai
n fal
l
AKTUAL PREDIKSI
Sindanglaya 1990-2000, X = 7, H = 10 bobot awal = 0.25
0.00 0.20
0.40 0.60
0.80 1.00
1990 1991 1992 1993 1994 1995 1996 1997 1998 1999
N o
rm a
liz e
d m
o n
th ly
r a
in fa
ll
AKTUAL PREDIKSI
Ciseuti 1990 - 2003, X = 8, H = 10 bobot awal = 0.50
0.00 0.20
0.40 0.60
0.80 1.00
1990 1992
1994 1996
1998 2000
2002
no rm
a li
z e
d m
o nt
h ly
r a
inf a
ll
aktual prediksi
dengan anomali SST lag-1, dan terdapat 94 yang berkorelasi nyata dengan anomali SST lag-4. Sebaliknya di Kabupaten Karawang, jumlah stasiun yang
berkorelasi nyata pada lag-1 dan lag-4 adalah 87 . Hal ini yang menyebabkan pada stasiun Rawamerta dan Karawang, penambahan anomali SST lag-4 sebagai
parameter input ke-8 secara umum memberikan peningkatan akurasi model Tabel 5 dan Tabel 7.
4.3 Validasi Model