BAB I PENDAHULUAN
1.1 Latar Belakang
Teknologi dan perkembangan ilmu pengetahuan dewasa ini sudah mengalami perkembangan pesat. Seiring berjalannya waktu, perkembangan ini menyebabkan
timbulnya kebutuhan untuk mengetahui peristiwa-peristiwa yang akan terjadi dimasa yang akan datang. Salah satu peristiwa tersebut adalah mengetahui kondisi cuaca
khususnya curah hujan harian. Karena cuaca disuatu daerah menentukan rangkaian aktifitas manusia, sebagai contoh informasi iklim dan klasifikasinya banyak menjadi
acuan untuk bidang pertanian, transportasi dan pariwisata dalam menentukan masa pola tanam, pelayaran dan penerbangan Rizky et al. 2012. Kejadian hujan dapat
dideteksi, diprediksi, dan pada kondisi tertentu manusia dapat mempengaruhi dalam proses pembentukannya. Untuk dapat mengetahui potensi dan kendala hujan bagi
penggunaan tertentu. Dengan memperhatikan beberapa karakteristik hujan seperti jumlah atau volume, intensitas, peluang terjadinya hujan, variabilitas hujan antar
waktu dan tempat spatiotemporal variability Suriadikusumah, 2007. Ada beberapa factor yang mempengaruhi curah hujan yaitu tekanan udara, kelembapan udara,
kecepatan angin, dan suhu udara temperatur Suri et al. 2013. Beberapa penelitian telah dilakukan dalam prediksi curah hujan. Penelitian yang telah
dilakukan sebelumnya menggunakan model Feed Forward Neural Network FFNN dengan membandingkan algoritma Quasi Newton BFGS dan Levenberg-Marquardt
untuk prediksi curah hujan kota Semarang. Pada algoritma Quasi Newton BFGS menghasilkan nilai mean square error MSE sebesar 1,8087 dan pada algoritma
Levenberg-Marquardt menghasilkan nilai MSE sebesar 4,1123 Warsito dan Sumiyati, 2007. Model General Regression Neural Network untuk prediksi curah
Hujan sebagai dasar perancangan pola tanam padi dan palawija secara umum memberikan prediksi in-sample yang lebih baik dari model ARIMA sedangkan
Universitas Sumatera Utara
prediksi out-sample memberikan hasil berimbang dengan model ARIMA Warsito et al. 2008.Metode Kalman Filter dengan Prediktor SST NINO 3.4 untuk prediksi curah
hujan bulanan menghasilkan nilai koefisien korelasi mencapai 75 Tresnawati et al. 2010. Analisis dan perancangan program aplikasi dengan struksur Adaptive Neuro-
Fuzzy Inference System ANFIS untuk prediksi curah hujan menghasilkan nilai RMSE sebesar 0,063313 dan reange of influence 0,320 Linda, 2007. Penerapan
fuzzy inference system pada prediksi curah hujan di Surabaya Utara menghasilkan nilai keakuratan sebesar 77,68 Rizky et al, 2012.
Walaupun metode computational intelligence seperti jaringan saraf tiruan JST sistem fuzzy, komputasi evolusioner, system hibrida, serta metode lainnya telah
berhasil dikembangkan dan diterapkan, ada sejumlah masalah saat diterapkan teknik ini untuk proses perkembangan yang kompleks Kasabov, 2007, seperti kesulitan
dalam preselecting arsitektur sistem, sistem akan melupakan sejumlah besar pengetahuan lama sambil belajar data baru, memerlukan waktu pelatihan yang
berlebihan, dan kurangnya fasilitas representasi pengetahuan. Dalam skripsi ini, pengembangan sistem prediksi menggunakan metode weighted
evolving fuzzy neural network WEFuNN yakni salah satu metode softcomputing yang memiliki struktur hybrid dari fuzzy inference system dan jaringan saraf tiruan
yang mana di dalam jaringannya menerapkan prinsip-prinsip evolving connectionist system ECOS. Evolving Connectionist System ECOS yakni sebuah metode
pembelajaran yang adaptif, bertahap dan sistem representasi pengetahuan yang mengembangkan struktur dan fungsinya, dimana dalam inti sistem terdapat arsitektur
koneksionis yang terdiri dari neuron unit pengolahan informasi dan hubungan antar neuron Kasabov, 2007. Metode WEFuNN telah digunakan dalam beberapa kasus
seperti memprediksi jumlah permintaan Printed Circuit Board PCB menghasilkan nilai MAPE sebesar 2.11 Chang et al, 2007, memprediksi kebutuhan listrik
menghasilkan nilai MAPE sebesar 6.11 Chang et al, 2009, memprediksi kebutuhan telur ayam menghasilkan tingkat error yang rendah yaitu dengan range
antara 0.1 - 0.5 Syahputra et al, 2013.
Universitas Sumatera Utara
1.2 Rumusan Masalah
Kategori