Pembuatan Model The Backpropagation Neural Networks Modelling Using Probabilistic Neural Network for Monsoon Onset Prediction Based on Global Climate Indices
4 HASIL DAN PEMBAHASAN
Awal Musim Hujan AMHonset
Penelitian dilakukan di wilayah Indramayu pada posisi pengamatan curah hujan seperti pada Gambar 17 sebagai berikut.
Gambar 17 Peta sebaran lokasi pengamatan hujan pada wilayah penelitian Sumber peta dasar : Badan Informasi Geospasial
Hasil penentuan AMH onset untuk tiap titik pengamatan ditunjukkan pada Gambar 18.
Gambar 18 AMH setiap titik pengamatan Indramayu
240 265
290 315
340 365
390 415
440 465
AMH
Tahun
Indramayu T1 Kedokan Bunder T2
Krangkeng T3 Juntinyuat T4
Sudimampir T5 Bondan T6
Kertasemaya T7 Jatibarang T8
Nilai AMH diperoleh berdasarkan dari perhitungan AMH tiap titik pengamatan menggunakan data curah hujan harian dari tahun 1990 hingga 2005.
Oceanic Nino Index ONI dibentuk dari data Anomali Nino3.4 yang digunakan oleh NOAA sebagai standar dalam melakukan identifikasi kejadian El
Nino maupun La Nina di wilayah Pasifik tropis menunjukkan bahwa karakteristik wilayah Indramayu terpengaruh oleh fenomena iklim global. Grafik perbandingan
oceanic nino index dengan rata-rata awal musim hujan Indramayu ditunjukkan pada Gambar 19.
a b
Gambar 19 Perbandingan a ONI dan b Rata-rata AMH Indramayu Data anomali Nino3.4 ONI menunjukkan bahwa pola awal musim hujan
di wilayah pengamatan Indramayu memiliki karakteristik yang menyerupai pola kejadian El Nino dan La Nina berdasarkan ONI. Karakteristik ini menjadi dasar
bahwa indeks iklim global dapat digunakan sebagai variabel yang mempengaruhi wilayah Indramayu. Analisis lebih lanjut terhadap pengaruh setiap indeks iklim
global tersebut akan dibahas dalam penentuan prediktor untuk neural networks.
Pemilihan Prediktor
Analisis korelasi tiap indikator iklim global dilakukan untuk menentukan prediktor yang digunakan dalam penerapan jaringan syaraf tiruan. Korelasi
dihitung dari data variabel indeks iklim global tiap bulan terhadap data AMH yang telah ditentukan berdasarkan Moron et al. 2009. Terdapat 7 tujuh indeks iklim
global yang digunakan dalam penelitian, yaitu IOD, SOI, EMI, Nino1+2, Nino3, Nino4 dan Nino3.4. Setiap variabel indeks iklim global tersebut terdiri atas 12
bulan dalam 1 tahun. Untuk analisis korelasi dalam pemilihan prediktor, setiap indeks iklim global tersebut terdiri dari 16 bulan bulan Mei tahun sebelumnya
hingga bulan Agustus tahun berjalan. Data yang digunakan dalam penelitian adalah data tahun 1990 – 2005.
Pemilihan prediktor dilakukan berdasarkan nilai korelasi Pearson pada taraf nyata 5. Korelasi dengan nilai p 0.468 terpilih sebagai prediktor untuk
jaringan syaraf tiruan. Prediktor dengan nilai korelasi p -0.468 juga terpilih sebagai prediktor karena nilai negatif menunjukkan hubungan yang berbanding
terbalik. Notasi Mei-th hingga Des-th menunjukkan data pada variabel bulan Mei
hingga Desember tahun sebelumnya, sedangkan notasi Jan hingga Ags menunjukkan data pada variabel bulan Januari hingga Agustus pada tahun
berjalan. Perhitungan korelasi dilakukan untuk setiap variabel indeks iklim global terhadap setiap titik lokasi pengamatan Gambar 20.
a b
c d
e f
g Gambar 20 Korelasi antara indeks iklim global a IOD, b SOI, c EMI, d
Nino1+2, e Nino3, f Nino4, dan g Nino3.4 dengan AMH setiap titik pengamatan