Nilai SOI dihitung dengan formula : =
. .
× 10 1
PA.. = Anomali tekanan udara, yaitu rata-rata bulanan dikurangi
rata-rata jangka panjang Std.Dev.Diff = Standar Deviasi dari Perbedaan Tekanan Udara 1887 sd
1989 Nilai SOI negatif, berarti tekanan udara permukaan sepanjang Amerika
Selatan lebih besar daripada wilayah India-Australia, dan jika SOI positif terjadi sebaliknya. Nilai SOI berkorelasi dengan curah hujan di kawasan Asia Tenggara
dan Australia, karena itu perubahan nilai SOI dapat menjadi indikator yang baik untuk perubahan curah hujan Irawan, 2006.
Nilai SOI negatif di bawah normal, mencapai -10 atau kurang, mengindikasikan peristiwa El Nino dan akan terjadi penurunan curah hujan di
bawah normal, dan sebaliknya nilai SOI positif mencapai 10 atau lebih, mengindikasikan peristiwa La Nina dan akan terjadi peningkatan curah hujan di
atas normal Fox 2000 dalam Irawan 2006. Besaran nilai curah hujan dan nilai SOI sangat bervariatif dalam skala bulanan, mingguan atau harian. Nilai SOI yang
ekstrim negatif atau positif dalam jangka waktu yang lama berpotensi menimbulkan dampak serius pada curah hujan dan ketersediaan air yang pada
akhirnya berpengaruh ke produksi tanaman pangan Irawan 2006. Nilai-nilai SOI bulanan dapat diperoleh melalui website Austalian Government – Bureau of
Meteorolgy, http:www.bom.gov.au.
2.3 Jaringan Saraf Tiruan
Jaringan Saraf Tiruan JST adalah sebuah sistem pemrosesan informasi yang mempunyai karakteristik kinerja tertentu yang sama dengan jaringan saraf
biologis Laurene 1993. Jaringan saraf tiruan telah dikembangkan sebagai generalisasi model matematis untuk cara pemahaman manusia kognisi atau saraf
biologis, berdasarkan asumsi-asumsi berikut :
1. Pemrosesan informasi dilakukan pada beberapa elemen sederhana yang
disebut dengan neuron. 2.
Sinyal-sinyal dilewatkan antar neuron melalui jalur-jalur penghubung. 3.
Masing-masing jalur penghubung mempunyai bobot tertentu, yang umumnya menjadi pengali dari sinyal yang dilewatkan.
4. Masing-masing neuron akan menerapkan sebuah fungsi aktifasi biasanya
non linier terhadap masukannya jumlahan dari sinyal-sinyal masukan yang sudah terboboti untuk menentukan sinyal keluarannya.
Sebuah JST dicirikan oleh : 1. Pola hubungan-hubungan antar neuron-nya yang disebut dengan arsitektur,
2. Metode yang digunakan untuk penentuan bobot-bobot dari hubungankoneksi antar neuronnya, disebut dengan algoritma pelatihan training atau
pembelajaran learning, dan 3. Fungsi aktivasi yang digunakan.
JST berusaha meniru struktur arsitektur dan cara kerja otak manusia sehingga mampu menggantikan sebagian pekerjaan manusia, seperti pengenalan
pola, prediksi, klasifikasi, pendekatan fungsi dan optimalisasi. JST mempunyai kelebihan seperti kemampuan menyelesaikan pekerjaan prediksi yang sifatnya
nonlinier, waktu penyelesaian pekerjaan yang cepat, dan tahan terhadap adanya data yang hilang missing data.
JST masuk dalam kategori supervised learning. Dalam kategori ini, model JST perlu dilatih untuk menemukan parameter bobot antar neuron yang terbaik.
Model yang ditemukan atau model yang sudah terlatih selanjutnya dapat digunakan untuk melakukan tugas prediksi. Nilai-nilai bobot yang ditemukan
belum tentu merupakan nilai yang optimal secara global global optima, namun dapat berupa local optima, sebagai akibat dari penggunaan fungsi aktivasi dalam
JST yang non linier yang akan menghasilkan solusi yang tidak global pada setiap kali pelatihan. Hal ini merupakan kelemahan JST. Namun demikian, walaupun
solusi yang dihasilkan bukanlah yang global optima, JST memberikan solusi prediksi yang cukup akurat.