101 irigasi menggunakan neraca air lahan sawah irigasi Kartiwa 2009. Penelitian
mengambil studi di wilayah yang dipengaruhi oleh fenomena ENSO dan IOD yaitu di Indramayu pada wilayah monsunal serta di Pesisir Selatan pada wilayah
Equatorial. Untuk pembanding dilakukan pula analisis di wilayah yang tidak terkena dampak baik di wilayah monsunal maupun di equatorial masing-masing di
Cianjur dan Solok.
5.2.1. Bahan Penelitian
Bahan-bahan yang digunakan dalam penelitian ini antara lain: 1.
Data curah hujan harian dari tiga stasiun di Indramayu masing-masing Anjatan, Krangkeng dan Kertasemaya, di Cianjur masing-masing di
Warungkondang dan Ciranjang, dua stasiun Pesisir Selatan masing-masing Tarusan dan batang Kapas serta satu stasiun di Solok yaitu Sumani. Periode
tahun 1990-2010. 2.
Data nilai SST Sea Surface Temperature di wilayah Nino 3.4 periode tahun 1990-2010 dan prediksi ENSO tahun 20102011.
3. Data nilai SST Sea Surface Temperature dan DMI Dipole Mode Index
Samudera Hindia periode tahun 1990-2010 dan prediksi IOD tahun 20102011.
Alat yang digunakan dalam penelitian ini adalah seperangkat PC personal computer
dengan piranti lunak untuk pengolah kata dan pengolah data Microsoft Word, Microsoft Excel, dan Arc View.
5.2.2. Pengumpulan Data
Tahap awal penelitian adalah pengumpulan data yang dibutuhkan sebagai bahan penelitian di Indramayu, Cianjur, Solok dan Pesisir Selatan. Data yang
dikumpulkan adalah data curah hujan harian dari semua stasiun curah hujan, peta informasi stasiun curah hujan dan klimatologi di wilayah penelitian. Pengumpulan
data dilakukan secara langsung, yaitu dengan mendatangi beberapa lembaga instansi yang menyediakan data-data tersebut.
102
5.2.3. Persiapan Data
Data yang terkumpul kemudian dientri dalam bentuk data digital dengan format yang siap untuk dianalisis. Data kosong diduga dengan menggunakan
interpolasi spasial menggunakan Arc View.
5.2.4. Penyusunan Model Prediksi Curah Hujan
Model prediksi dibangun untuk memprediksi curah hujan ke depan dari rata-rata normalnya yang disajikan curah hujan dasarian.
Keluaran model Y merupakan nilai curah hujan pada waktu tiga dasarian
ke depan Y=CHt+3, sedangkan data masukan yang digunakan adalah nilai kode dasarian X
1
=t , nilai curah hujan pada dasarian ini X
2
=CHt , nilai curah hujan
dasarian depan X
3
= CHt+1
dan nilai curah hujan dua dasarian berikutnya
X
4
= CHt+2
, nilai DMI pada dasaian ini X
5
=DMIt dan nilai Anomali Nino-3.4
pada dasarian ini X
6
=AnoNino-3.4t
Untuk mendapatkan model terbaik dalam penyusunan model dilakukam
coba-coba trial and error yang mengkombinasikan peubah-peubah X
1,
X
2,
X
3,
X
4,
X
5,dan
X
6
dengan melakukan langkah-langkah training analisis jaringan syaraf untuk menetapkan koefisien persamaan sebagai berikut:
1 Inisialisasi:
Langkah ini meliputi a Normalisasi data input X
i
dan nilai target t
k
kedalam kisaran [0 ... 1], dan b Penetapan nilai awal untuk semua pembobot w
ij
untuk matriks X dan v
jk
untuk matriks H, yaitu suatu matrik antara yang
disembunyikan.
Gambar 5.1 Skema jaringan recurrent neural network
.
103 Simpul neuron atau node dalam model jaringan saraf adalah unsur-unsur
atau satuan pengolahan yang terhubungkan satu sama lain dan membentuk suatu jaringan. Dimana hubungan antar simpul tersebut memiliki sebuah nilai tertentu
yang disebut dengan bobot.
2 Langkah Maju
Tahap untuk pendugaan t dan y ; mencakup a menentukan training set
untuk data input X
i
dan nilai target t
k
, b menghitung h
j
dan y
k
melalui persamaan berikut:
dimana:
Σwijxi = w0j + w1j X1 + w2j X2 + w3j X3 + w4j X4 + w5j X5 + w6j X6
Y
k
= X
t+3
subskrip j akan merujuk pada urutan dalam matrik H.
3 Penentuan nilai galat
Nlilai galat e ditentukan per tahun dengan menggunakan persamaan sebagai berikut:
E = p 0.5 tkp – ykp2 dimana t
kp
= nilai target data ke-p dari training set node k, dan y
kp
= nilai dugaan data ke-p dari training set node k.
4 Proses learning atau training set
Proses ini untuk menentukan nilai bobot v
jk
dan w
ij
melalui iterasi. Target dari proses iterasi adalah menentukan nilai y sedekat mungkin dengan nilai t
sehingga menghasilkan galat yang mendekati nilai nol. Proses dihentikan jika galat pada iterasi ke-m dengan iterasi ke-m-1 berselisih 0,00001.
5.2.5. Validasi model prediksi curah hujan