58
Persamaan umum dalam recurrent neural network adalah sebagai berikut:
n ...,
, 3
, 2
, 1
i ,
t x
,i ,
w G
1 t
x
i i
= =
+
dimana x
i
t+1 adalah output dari satuan ke-i pada waktu t+1, x adalah vektor status, w adalah matrik penghubung sinoptik, i adalah vektor input eksternal, dan
G adalah fungsi non-linear yang dapat diturunkan. Recurrent neural network
merupakan analisis jaringan syaraf yang menggunakan fungsi waktu. Sehingga dapat dimanfaatkan atau diterapkan pada peubah yang memiliki fungsi waktu,
misalnya untuk prediksi curah hujan.
3.2. Bahan dan Metode
3.2.1. Bahan Penelitian
Bahan-bahan dan peralatan yang dibutuhkan untuk melaksanakan kegiatan-kegiatan penelitian ini, antara lain:
1 Data curah hujan bulanan dari tujuh stasiun curah hujan yang mewakili
wilayah curah hujan dominan di sentra produksi padi di Pantura Banten, Pantura Jawa Barat dan Kabupaten Garut, yaitu Stasiun Baros Serang,
Stasiun Kalenpetung Serang, Stasiun Karawang, Stasiun Tambakdahan Subang, Stasiun Kasomalang Subang, Stasiun Tarogong Garut dan
Stasiun Bungbulang Garut, hasil pencatatan periode 1990-2007. 2
Data indikator anomali iklim, yaitu data anomali suhu muka laut pada zone NINO-3,4 dan data indeks ossilasi selatan hasil pencatatan tahun
1990-2007. Data curah hujan bulanan, dan data indikator anomali iklim digunakan
untuk analisis dan penyusunan model prediksi curah hujan, dan untuk memprediksi kondisi curah hujan selama periode 2008.
59
3.2.2. Penyusunan Model Prediksi Curah Hujan
Model prediksi curah hujan adalah model untuk memprediksi data curah hujan bulanan. Keluaran model Y adalah nilai curah hujan pada waktu t+3,
sedangkan data masukan yang digunakan adalah: X
1
= kode bulan, bernilai 1 untuk bulan Januari, 2 untuk bulan Februari, dan seterusnya, bernilai 12 untuk bulan Desember,
X
2
= nilai-nilai curah hujan pada waktu t, X
3
= nilai-nilai curah hujan pada waktu t+1, X
4
= nilai-nilai curah hujan pada waktu t+2, X
5
= nilai-nilai rata-rata anomali suhu muka laut zone Nino-3,4 pada waktu t, dan X
6
= nilai-nilai indeks ossilasi selatan SOI pada waktu t. Dalam penyusunan model dilakukan coba-coba trial and error untuk
mendapatkan model terbaik yang melibatkan kombinasi antara peubah-peubah X
1
, X
2
, X
3
, X
4
, X
5
dan X
6
. Langkah-langkah training analisis jaringan syaraf dalam penetapan bobot
atau koefisien persamaan adalah sebagai berikut: Langkah 1. Inisialisasi:
1a. Normalisasi data input x
i
dan target t
k
kedalam kisaran [0 ... 1] 1b. Penetapan nilai awal untuk semua pembobot w
ij
untuk matriks X dan v
jk
untuk matriks H, yaitu matriks antara yang tidak dimunculkan. Langkah 2. Tahap langkah maju ke depan; Pendugaan Y dugaan y
k
dan Y aktual t
k
: 2a. Menentukan
training set untuk x
i
dan t
k
. 2b. Menghitung
h
j
dan y
k
melalui persamaan berikut:
i ij
x w
j
e 1
1 h
Σ β
−
+ =
60
j jk
h v
k
e 1
1 y
Σ β
−
+ =
dimana:
6 j
6 5
j 5
4 j
4 3
j 3
2 j
2 1
j 1
j i
ij
x w
x w
x w
x w
x w
x w
w x
w
+ +
+ +
+ +
=
∑
3 t
k
CH Y
+
=
subskrip j akan merujuk pada urutan dalam matrik H.
Langkah 3. Penentuan nilai galat E per tahun, sebagai berikut:
∀
E =
Σ
p
0.5 t
kp
– y
kp 2
dimana t
kp
= nilai target data ke-p dari training node k, dan y
kp
= nilai dugaan data ke-p dari training node k.
Langkah 4. Proses learning atau training untuk menentukan nilai bobot v
jk
dan w
ij
dilakukan melalui iterasi menggunakan modul Solver pada piranti lunak MS Excel. Target dari proses iterasi adalah menentukan nilai Y dugaan sedekat
mungkin dengan nilai Y aktual sehingga menghasilkan galat yang mendekati nol. Ketersediaan panjang data curah hujan pada stasiun-stasiun yang
dianalisis berbeda satu dengan yang lain, sehingga panjang set data yang digunakan untuk pembentukan model pun menjadi berbeda. Untuk pembentukan
model di Stasiun Baros Serang, Stasiun Karawang, Stasiun Tambakdahan Subang dan Stasiun Kasomalang Subang digunakan data tahun 1990-2002,
untuk Stasiun Kalenpetung Serang dan Stasiun Tarogong Garut digunakan data tahun 1992-2002, sedangkan untuk Stasiun Bungbulang digunakan data tahun
1992-1998.
3.2.3. Validasi Model Prediksi Curah Hujan
Validasi model adalah memanfaatkan model yang sudah terbentuk pada tahap pembentukan untuk memprediksi data curah hujan pada periode data yang
61
berbeda dengan periode data pembentukan model. Hasil prediksi tersebut kemudian dibandingkan dengan data aktualnya. Periode data untuk validasi
model adalah periode 2003-2007 untuk Stasiun Baros Serang, Stasiun Kalenpetung Serang, Stasiun Karawang, Stasiun Tambakdahan Subang, Stasiun
Kasomalang Subang, dan Stasiun Tarogong Garut, serta periode 2000-2004 untuk Stasiun Bungbulang Garut.
3.2.4. Prediksi Curah Hujan
Setelah melalui uji validasi, dan model dianggap layak untuk digunakan, maka model tersebut akan digunakan untuk prediksi curah hujan tahun 2008.
Karena tidak terdapat nilai anomali suhu muka laut pada zone NINO-3,4 dan data SOI untuk tahun 2008, maka untuk melakukan prediksi curah hujan 2008
digunakan data anomali SST dan data SOI tahun 2007, dengan asumsi bahwa
Gambar 19. Analisis dan pemodelan prediksi curah hujan.
62
kondisi curah hujan nilai-nilai indikator penyimpangan iklim tersebut tidak berubah. Hasil prediksi curah hujan kemudian dibandingkan dengan nilai rata-
rata normalnya, sehingga dapat diprediksi apakah kondisi curah hujan pada periode 2008 berada pada kondisi rata-rata normal, di bawah rata-rata normal
atau di atas rata-rata normal. Batasan kisaran rata-rata normal menggunakan kriteria yang digunakan oleh Badan Meteorologi dan Geofisika, yaitu pada
kisaran antara 85-115 dari nilai rata-ratanya Gambar 19. Nilai-nilai prediksi curah hujan tersebut selanjutnya akan digunakan untuk memprediksi potensi
produksi padi.
3.3. Hasil dan Pembahasan
3.3.1. Model Prediksi Curah Hujan
Model disusun untuk menduga curah hujan tiga bulan ke depan
Y=CH
t+3
. Proses coba-coba trial and error melibatkan berbagai kombinasi
peubah masukan X
1
, X
2
, X
3
, X
4
, X
5
dan X
6
. Pada bagian ini dikemukakan penampilan model-model prediksi curah hujan yang dibentuk dari beberapa
peubah masukan sebagai peubah tunggal ataupun kombinasi beberapa peubah, antara lain 1 peubah X
1
, 2 kombinasi peubah X
2
, X
3
dan X
4
, 3 peubah X
5
, 4 peubah X
6
, 5 kombinasi peubah X
1
, X
2
, X
3
dan X
4
dan 6 kombinasi peubah X
1
, X
2
, X
3
, X
4
, X
5
dan X
6
. Wilayah IIA Pantura Banten
Tabel 6 dan Gambar 20 menyajikan rangkuman dan hasil pendugaan curah hujan dari model prediksi curah hujan di Stasiun Baros Serang, yang
merupakan stasiun pewakil bagi Wilayah IIA Pantura Banten, menggunakan beberapa kombinasi peubah masukan X
1
, X
2
, X
3
, X
4
, X
5
dan X
6
serta perbandingannya dengan nilai aktual periode 1990-2002. Ketika model
