Sindanglaya 1990-2000, X = 7, H = 8 bobot awal = 0.25
0.00 0.20
0.40 0.60
0.80 1.00
1990 1991 1992 1993 1994 1995 1996 1997 1998 1999
Gambar 10. Hasil training pembentukan model prediksi curah hujan bulanan t+4 di Sindanglaya dengan akurasi tertinggi.
4.1.6 Model Prediksi Curah Hujan di Stasiun Ciseuti
Stasiun Ciseuti merupakan stasiun pewakil wilayah IV, yang merupakan wilayah dengan rata-rata hujan tahunan tertinggi di wilayah pantai utara Jawa
Barat. Training set pembentukan model dilakukan dengan menggunakan data periode 1990–2003. Hasil rangkuman analisis model prediksi curah hujan empat
bulan ke depan di stasiun Ciseuti diringkas dalam Tabel 12 dan Tabel 13.
N o
n t
i
rm al
iz ed
m o
h ly r
a n
fal l
AKTUAL PREDIKSI
Sindanglaya 1990-2000, X = 7, H = 10 bobot awal = 0.25
0.00 0.20
0.40 0.60
0.80 1.00
1990 1991 1992 1993 1994 1995 1996 1997 1998 1999
N o
rm al
iz ed
m o
nt h
ly ra
in fa
ll
AKTUAL PREDIKSI
Sindanglaya 1990 - 2000, X = 8, H = 10, Bobot awal = 0.25
0.00 0.20
0.40 0.60
0.80 1.00
1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000
nor m
a li
z e
d m ont
hl y
r a
inf a
ll
aktual prediksi
sindanglaya 1990 - 2000, X = 8, H = 10 bobot awal = 0.50
0.00 0.20
0.40 0.60
0.80 1.00
1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000
nor m
a li
z e
d m ont
hl y
ra inf
a ll
aktual prediksi
Sindanglaya 1990 - 2000, X = 8, H = 10 bobot awal = 0.75
0.00 0.20
0.40 0.60
0.80 1.00
1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000
li o
r l
nor m
a z
e d m
nt hl
y a
inf a
l
aktual prediksi
sindanglaya 1990 - 2000, X = 8, H = 10 bobot awal = 1.000
0.00 0.20
0.40 0.60
0.80 1.00
1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000
nor m
a li
z e
d m o
nt hl
y r
a inf
a ll
aktual prediksi
Tabel 12. Rangkuman pengembangan model prediksi curah hujan di Stasiun Ciseuti dengan tujuh parameter input X
1
-X
7
, tiga level simpul lapisan tersembunyi dan empat nilai bobot awal
No Jumlah simpul
hidden layer H dan bobot awal
Iterasi MSE
per tahun
R
2
Kisaran prediksi Rata-rata
error mmbulan
1. Jumlah simpul nH = 6 a. 0,25
1.104 0,068
79 0,003 – 0,811 0,811 5,9
b. 0,50 514
0,157 52
0,000 – 0,452 0,452 13,7 c. 0,75
376 0,169
49 0,079 – 0,437 0,368 14,7
d. 1,00 1.059
0,114 65
0,065 – 0,666 0,602 10,0 2
Jumlah simpul nH = 8 a. 0,25
730 0,116
63 0,000 – 0,484 0,484 10,1
b. 0,50 299
0,116 64
0,000 – 0,484 0,484 10,1 c. 0,75
589 0,110
66 0,000 – 0,486 0,486 9,6
d. 1,00 1.019
0,111 65
0,000 – 0,469 0,469 9,7 3. Jumlah simpul nH = 10
a. 0,25 339
0,140 56
0,000 – 0,469 0,469 12,2 b. 0,50
307 0,134
58 0,000 – 0,459 0,487 11,7
c. 0,75 57
0,186 42
0,202 – 0,408 0,206 16,2 d. 1,00
967 0,084
74 0,000 – 0,961 0,961 7,3
Keterangan: rata-rata error adalah nilai MSE terhadap curah hujan maksimum.
Umumnya model yang dibentuk dengan menggunakan tujuh parameter input tidak dapat memprediksi curah hujan dengan nilai-nilai yang tinggi, kecuali
pada penggunaan 6 dan 10 simpul hidden layer masing-masing pada bobot awal 0,25 dan 1,00. Kisaran terlebar didapatkan pada penggunaan 10 hidden layer
dengan bobot awal 1,0 yaitu dengan lebar kisaran 0,961. Pada pembentukan model dengan menggunakan delapan parameter input
Tabel 13, terlihat adanya perbaikan akurasi model terutama pada penggunaan 10 hidden layer
untuk setiap nilai bobot awal. Akurasi model yang tinggi ini terutama disebabkan oleh kemampuan model untuk melakukan iterasi yang lebih
banyak sehingga laju pembelajaran yang lebih lambat. Jumlah iterasi yang tinggi berpengaruh terhadap ketelitian dan kekompleksan model yang dibentuk.
Tabel 13. Rangkuman pengembangan model prediksi curah hujan di Stasiun Ciseuti dengan delapan parameter input X
1
-X
8
, tiga simpul level lapisan tersembunyi dan empat nilai bobot awal
No Jumlah simpul
hidden layer H dan bobot awal
Iterasi MSE
per tahun
R
2
Kisaran prediksi Rata-rata
error mmbulan
1. Jumlah simpul nH = 6 a. 0,25
219 0,105
67 0,000 – 0,509 0,509 9,1
b. 0,50 124
0,159 50
0,207 – 0,415 0,208 13,9 c. 0,75
74 0,164
48 0,212 – 0,423 0,211 14,3
d. 1,00 86
0,162 48
0,211 – 0,422 0,210 14,1 2
Jumlah simpul nH = 8 a. 0,25
865 0,088
73 0,000 – 0,690 0,690 7,6
b. 0,50 530
0,097 69
0,000 – 0,505 0,505 8,5 c. 0,75
660 0,049
85 0,000 – 0,993 0,993 4,2
d. 1,00 21
0,164 48
0,212 – 0,423 0,210 14,3 3. Jumlah simpul nH = 10
a. 0,25 4533
0,024 94
0,000 – 0,978 0,978 2,1 b. 0,50
2626 0,039
88 0,000 – 0,856 0,856 3,4
c. 0,75 2690
0,051 84
0,000 – 0,941 0,941 4,5 d. 1,00
1776 0,088
72 0,000 – 0,531 0,531 7,6
Keterangan: rata-rata error adalah nilai MSE terhadap curah hujan maksimum.
Gambar 11 memperlihatkan tampilan model dengan akurasi tertinggi. Model dengan 7 parameter input dan 6 simpul hidden layer meskipun memiliki
akurasi yang cukup baik ternyata pada beberapa titik tidak mampu memprediksi nilai-nilai kejadian hujan yang rendah. Model dengan delapan simpul hidden layer
dan delapan parameter input sebaliknya cukup baik untuk memprediksi nilai-nilai rendah tapi cenderung buruk dalam memprediksi fluktuasi curah hujan bulanan
dalam setahun. Hasil terbaik diberikan oleh nX = 8, nH = 10 dan bobot awal 0,25.
Model yang dihasilkan memberikan nilai MSE pertahun paling kecil yaitu 0,024. Nilai R
2
yang dihasilkan model adalah sebesar 93 . Hal ini menunjukkan bahwa sekitar 93 keragaman curah hujan di Ciseuti dapat dijelaskan oleh fluktuasi
curah hujan 4 bulan berturut-turut, anomali SST pada lag -4 dan lag -1 serta juga dipengaruhi oleh nilai SOI pada lag -4.
Ciseuti 1990-2003, X = 7, H = 6, bobot awal = 0.25
0.00 0.20
