Setelah dipilih peubah-peubah yang akan digunakan sebagai prediktor penduga total hujan pada musim hujan, maka disusun dataset yang digunakan
untuk proses pelatihan dan pengujian yaitu pasangan nilai aktual peubah prediktor PMH, AMH, SOI-8, SOI-10 dan SOI-2 dan target prediksi THMH. Dataset
yang digunakan dalam penelitian ini selengkapnya dapat dilihat pada Lampiran 3. Nilai-nilai panjang musim hujan, awal musim hujan dan total hujan pada musim
hujan merupakan nilai rata-rata dari 5 lima wilayah hujan di Kabupaten Indramayu. Nilai-nilai peubah tersebut untuk masing-masing wilayah dapat
dilihat pada Lampiran 4 sd Lampiran 8.
4.1 Pemodelan menggunakan Jaringan Saraf Tiruan JST
JST yang diimplementasikan dalam penelitian ini adalah JST backpropagation dengan banyaknya hidden neuron 10, 30 dan 50. Untuk proses
pembelajarannya menggunakan algoritma gradientdescent, dengan parameter learning rate 0,05 dan mimimum gradient 1 x 10
-10
. Fungsi aktivasi yang digunakan pada seluruh neuron pada hidden layer adalah sigmoid bipolar seperti
pada persamaan 6, sedangkan untuk fungsi aktivasi pada neuron di output layer menggunakan fungsi sigmoid seperti pada persamaan 5. Sebelum diproses dalam
JST, terlebih dahulu dilakukan normalisasi terhadap setiap peubah dalam data set pelatihan, dengan menggunakan formula :
{ |
=
} }
~r•
}
~€d
}
~r•
21 Data yang diolah dalam percobaan ini adalah data rata-rata lima wilayah
seperti pada Lampiran 3, yaitu data panjang musim hujan dalam angka yang menunjukkan jumlah dasarian PMH, dengan range nilai 8,33 sd 18,00, data awal
musim hujan dalam angka yang menunjukkan angka dasarian AMH, dengan range nilai antara 29,25 sd 36,50, SOI bulan Agustus, Oktober dan Februari
dalam angka dengan range nilai antara -35,70 sd 21, dan data total hujan pada musim hujan, dalam satuan millimeter per musim hujan dengan range nilai antara
463,23 sd 1.750,11. Setelah proses normalisasi, maka nilai data dari setiap peubah berada pada rentang nilai 0 sd 1.
Implementasi model JST dengan tiga skenario data latih menghasilkan prediksi yang selengkapnya dapat dilihat pada Lampiran 9 sd 11. Pengukuran
kinerja terhadap model JST untuk masing-masing data uji yang digunakan, nilai kinerja selengkapnya seperti pada Tabel 3.
Tabel 3 Kinerja Model JST pada dataset rata-rata dari lima wilayah untuk data uji sebanyak 28, 23 dan 18 buah
Model JST RMSE
MAPE R
A. Data Latih sebanyak 15 periode 28 data uji
JST-10 338,29
33,63 0,07
JST-30 312,74
31,54 0,25
JST-50 305,10
30,33 0,22
B. Data Latih sebanyak 20 periode 23 data uji
JST-10 292,06
28,76 0,19
JST-30 292,95
29,19 0,34
JST-50 288,75
29,16 0,11
C. Data Latih sebanyak 25 periode 18 data uji
JST-10 236,78
23,25 0,55
JST-30 238,80
23,87 0,55
JST-50 246,82
23,86 0,56
Secara keseluruhan, model JST-10-C, yaitu model JST dengan 10 hidden neuron yang dijalankan dengan skenario data latih sebanyak 25 buah, merupakan
model terbaik dengan masing-masing nilai kinerjanya adalah RMSE 236,78, MAPE 23,25 dan R 0,55. Meskipun model JST-10-C merupakan model terbaik,
namun model JST-10, yaitu JST dengan 10 hidden neuron ternyata tidak selalu menjadi yang terbaik pada setiap skenario data latih. Pada skenario data latih A,
dengan data latih 15 periode, kinerja yang lebih baik ditunjukkan dari model JST dengan 30 hidden neuron dengan RMSE 312,74, MAPE 31,54 dan R 0,25,
demikian juga pada skenario data latih B, dengan data latih 20 periode, kinerja terbaik juga dicapai oleh model JST dengan 30 hidden neuron JST30-B dengan
RMSE 292,95, MAPE 29,19 dan R 0,34.. Evaluasi kinerja pada Tabel 3 dibuat dengan mengevaluasi seluruh prediksi
yang dihasilkan oleh model JST-10, JST-30 dan JST-50 pada masing-masing skenario data latih. Dataset yang digunakan berisi data observasi sepanjang 43
periode 43 tahun, sehingga dengan masing-masing skenario A, B dan C dapat
