Penggunaan Elman Recurrent Neural Network dalam Peramalan Suhu Udara sebagai Faktor yang Mempengaruhi Kebakaran Hutan

PENGGUNAAN ELMAN RECURRENT NEURAL NETWORK DALAM
PERAMALAN SUHU UDARA SEBAGAI FAKTOR YANG
MEMPENGARUHI KEBAKARAN HUTAN

ANA MAULIDA

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2011

ABSTRACT
ANA MAULIDA. Utilization of Elman Recurrent Neural Network to Forecast Air Temperature as
Forest Fire Factor. Supervised by HARI AGUNG ADRIANTO.
Recent forest and land wildfires in Indonesia not only cause to the ecosystem lost but also
economical lost as well as health and polution effect. On the other hand, fire weather is concerned
to be an important aspects for fire occurrences. Fire weather directly affects fuel temperature,
which accelerating its easiness to be burnt. Thus, it is important to clarify the effects of air
temperature to forest fire incidence. A statistical analysis and forecasting for air temperature is
used to predict the future air temperature condition.

In this research we use Elman Recurrent Neural Network (ERNN) to predict the temperature
for a few days ahead, then the result of this prediction will be compared by using ARIMA
(Ramdani, 2011). In this research we use the air temperature data of 2001- 2004 which
implemented using MATLAB. The best result in this research is one day ahead prediction with
RMSE 0.51 and MAPE 1.55%. ERNN gave the better performance with MAPE (ERNN) 1.55%
and MAPE (ARIMA) 3.11% (Ramdani, 2011).
Key word: Elman Recurrent Neural Netwokr, Forecasting, Forest Fire, Temperature.

PENGGUNAAN ELMAN RECURRENT NEURAL NETWORK DALAM
PERAMALAN SUHU UDARA SEBAGAI FAKTOR YANG
MEMPENGARUHI KEBAKARAN HUTAN

ANA MAULIDA

Skripsi
Sebagai salah satu syarat memperoleh gelar Sarjana Komputer
Pada Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Pertanian Bogor

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2011

Penguji: 1. Aziz Kustiyo, S.Si, M.Kom
2. Annisa, S. Kom, M.Kom

Judul
Nama
NIM

: Penggunaan Elman Recurrent Neural Network dalam Peramalan Suhu Udara sebagai
Faktor yang Mempengaruhi Kebakaran Hutan
: Ana Maulida
: G64070129

Menyetujui:
Pembimbing

Hari Agung Adrianto, S.Kom, M.Si
NIP. 19760917 200501 1 001

Mengatahui:
Ketua Departemen Ilmu Komputer
Institut Pertanian Bogor

Dr. Ir. Sri Nurdiati, M.Sc.
NIP 19601126 198601 2 001

Tanggal Lulus:

RIWAYAT HIDUP
Penulis dilahirkan di Meunasah Kepula, Aceh pada tanggal 24 September 1990, dari bapak
Fadhli dan ibu Nuridah. Penulis adalah anak kedua dari empat bersaudara.
Pada tahun 2004 Penulis studi di MA Jeumala Amal hingga tahun 2007. Pada tahun yang
sama penulis berkesempatan untuk melanjutkan studi di Institut Pertanian Bogor (IPB) melalui
jalur Beasiswa Utusan Daerah (BUD) yang diselenggarakan oleh Kementrian Agama
(KEMENAG) melalui seleksi Program Beasiswa Santri Berprestasi (PBSB). Penulis memilih
Program Studi Ilmu Komputer, Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu

Pengetahuan Alam.
Pada tahun 2010, penulis melaksanakan kegiatan praktik kerja lapangan di Badan Pengkajian
dan Penerapan Teknologi (BPPT) selama dua bulan. Selama menuntut ilmu di IPB, penulis aktif
dalam beberapa kegiatan kemahasiswaan, yaitu sebagai Anggota Bina Desa BEM KM IPB periode
2009/2010 dan anggota Himpunan Mahasiswa Ilmu Komputer (HIMALKOM) serta anggota CSS
MoRA (Community of Santri Scholers of Ministry of Religion Affairs).

PRAKATA
Puji syukur senantiasa Penulis panjatkan kehadirat Allah SWT yang telah melimpahkan rahmat
dan karunia-Nya sehingga Penulis dapat menyelesaikan skripsi berjudul “Penggunaan Elman
Recurrent Neural Network dalam Peramalan Suhu Udara sebagai Faktor yang Mempengaruhi
Kebakaran Hutan” sebagai syarat untuk memperoleh gelar Sarjana Komputer pada Departemen
Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.
Dalam menyelesaikan skripsi ini, banyak pihak yang selalu memberikan dukungan dan
bantuannya kepada Penulis, oleh sebab itu Penulis ingin menyampaikan rasa terima kasih kepada:
1. Bapak dan Mama tercinta, atas semua do’a, kasih sayang, pengertian dan cinta yang tiada
batas. Kakakku Lia Nanda Safitri, adik-adikku, Khairul Munzir dan Azkia Rahmah serta
seluruh keluarga besar yang telah memberi perhatian penuh selama Penulis menjalani hidup di
Bogor.
2. Kementrian Agama (KEMENAG) dan seluruh jajarannya yang telah memberikan beasiswa

kepada Penulis selama studi di IPB.
3. Bapak Hari Agung Adrianto, S.Kom, M.Si, selaku dosen pembimbing yang selalu
memberikan bimbingan dan saran selama penyelesaian skripsi.
4. Bapak Aziz Kustiyo, S.Si, M.Kom dan Ibu Annisa, S.Kom, M.Kom selaku dosen penguji atas
kesediaannya menguji pada waktu sidang.
5. Muhamad Arif Fauzi atas semua diskusi, bahasan, pendapat, saran, kritik, semangat,
kesabaran, kasih sayang, dan perhatian. Terima kasih untuk selalu disini, untuk selalu percaya
dan untuk semuanya.
6. Arif, Fadli, Romi, Erna dan Hendra, rekan-rekan satu bimbingan Penulis.
7. Ade, Chandra, Mukhlis, Jilly atas semua saran dan masukan yang membantu Penulis untuk
menyelesaikan penelitian ini.
8. Windy Widowati, Nur Nisa,Dimpi, Anti, dan teman-teman seperjuangan Ilmu Komputer
angkatan 44 yang banyak membantu Penulis baik dalam masa penulisan tugas akhir dan masa
perkuliahan empat tahun terakhir.
9. Departemen Ilmu Komputer, para staf, dan dosen yang telah banyak membantu Penulis pada
masa perkuliahan dan penelitian.
10. Dan semua pihak yang telah membantu Penulis dalam menyelesaikan masa perkuliahan selama
di Ilmu Komouter IPB.
Semoga tulisan ini dapat bermanfaat dan dapat terus dikembangkan di masa mendatang.

Bogor, November 2011

Ana Maulida

vi

DAFTAR ISI
Halaman
DAFTAR GAMBAR .....................................................................................................................viii
DAFTAR TABEL ..........................................................................................................................viii
DAFTAR LAMPIRAN ..................................................................................................................viii
PENDAHULUAN
Latar Belakang .............................................................................................................................. 1
Tujuan ........................................................................................................................................... 1
Ruang Lingkup ............................................................................................................................. 1
TINJAUAN PUSTAKA
Kebakaran Hutan .......................................................................................................................... 1
Suhu Udara ................................................................................................................................... 2
Artificial Neural Network (ANN) ................................................................................................. 2
Recurrent Neural Network (RNN) ................................................................................................ 2

Elman Recurrent Neural Network (ERNN) .................................................................................. 2
Fungsi Aktivasi ............................................................................................................................. 3
Ketepatan Pendugaan .................................................................................................................... 4
METODE PENELITIAN
Kerangka Penelitian ...................................................................................................................... 4
Studi Literatur........................................................................................................................... 4
Pengambilan Data ..................................................................................................................... 4
Pemilihan Data ......................................................................................................................... 5
Proses pada ERNN ................................................................................................................... 5
Perbandingan Kinerja ERNN dengan ARIMA ......................................................................... 5
Analisis dan Evaluasi ............................................................................................................... 5
HASIL DAN PEMBAHASAN
Pola Input Data ERNN ................................................................................................................. 5
Perbandingan Kinerja ERNN vs ARIMA ..................................................................................... 8
SIMPULAN DAN SARAN
SIMPULAN .................................................................................................................................. 9
SARAN ......................................................................................................................................... 9
DAFTAR PUSTAKA ....................................................................................................................... 9
LAMPIRAN .................................................................................................................................... 11

vii

DAFTAR GAMBAR
Halaman
1 Segitiga api ..................................................................................................................................... 2
2 Struktur konseptual dari jaringan Elman ........................................................................................ 3
3 Diagram alur pada proses ERNN ................................................................................................... 3
4 Grafik fungsi sigmoid biner (kiri) dan sigmoid bipolar (kanan) .................................................... 3
5 Grafik fungsi identitas (purelin) ..................................................................................................... 4
6 Diagram alur proses peramalan suhu udara dengan ERNN ........................................................... 4
7 Ilustrasi contoh pola input untuk target 1 hari ................................................................................ 5
8 Ilustrasi contoh pola input untuk target 2 hari ................................................................................ 5
9 Grafik nilai prediksi dan aktual kelompok percobaan 1 hari ke depan .......................................... 6
10 Grafik nilai prediksi dan aktual kelompok percobaan 2 hari ke depan ........................................ 6
11 Grafik nilai prediksi dan aktual kelompok percobaan 3 hari ke depan ........................................ 6
12 Grafik nilai prediksi dan aktual kelompok percobaan 4 hari ke depan ........................................ 7
13 Grafik nilai prediksi dan aktual kelompok percobaan 5 hari ke depan ........................................ 7
14 Grafik nilai prediksi dan aktual kelompok percobaan 6 hari ke depan ........................................ 7
15 Grafik nilai prediksi dan aktual kelompok percobaan 7 hari ke depan ........................................ 7
16 RMSE intuk semua kelompok percobaan .................................................................................... 8

17 MAPE intuk semua kelompok percobaan .................................................................................... 8
18 Hasil kinerja ERNN vs ARIMA ................................................................................................... 9

DAFTAR TABEL
Halaman
1 Struktur ERNN yang digunakan..................................................................................................... 5
2 Hasil kinerja ERNN untuk semua kelompok percobaan ................................................................ 8
3 Hasil kinerja ERNN vs ARIMA ..................................................................................................... 8

DAFTAR LAMPIRAN
Halaman
1 Langkah-langkah Elman Backpropagation (BP) ........................................................................ 12
2 Turunan fungsi aktivasi ............................................................................................................... 14
3 Hasil prediksi semua kelompok percobaan ................................................................................. 15

viii

PENDAHULUAN
Latar Belakang
Hutan memiliki peran penting dalam

mempertahankan lingkungan hidup manusia.
Hutan juga merupakan sumber daya alam
yang memberikan manfaat besar bagi
kesejahteraan
manusia.
Menurut
(Rahmawati 2004) hutan memiliki beberapa
manfaat di antaranya adalah sebagai
produksi, hidrologi, ilmu pengetahuan alam,
wisata dan budaya. Melihat pentingnya
manfaat dan peranan hutan tersebut maka
diperlukan usaha perlindungan agar hutan
tetap terjaga kelestariannya. Namun dalam
mengelola hutan, pihak pengelola tidak akan
lepas dari masalah gangguan keamanan pada
hutan. Pada hutan tanaman industri, selain
gangguan hama penyakit dan pencurian,
kebakaran hutan merupakan masalah
terbesar bagi pengelola hutan.
Kebakaran hutan yang sering terjadi

sebagian besar tidak hanya merusak
lingkungan alam dan keseimbangan ekologi,
tetapi juga mengancam keamanan nyawa
dan harta manusia. Kebakaran hutan di
Indonesia memiliki perhatian yang cukup
besar, baik nasional maupun internasional
karena
Indonesia
merupakan
pusat
biodiversity (keanekaragaman makhluk
hidup).
Untuk mengontrol kebakaran hutan kita
perlu memahami perilaku kebakaran
tersebut. Salah satu caranya dengan
menemukan pola tak terduga yang
tersembunyi
dalam
suatu
database
kebakaran hutan. Salah satu hal yang dapat
dilakukan adalah melakukan peramalan
kebakaran
hutan
untuk
mengontrol
kebakaran hutan.
Terdapat beberapa variabel yang sering
digunakan dalam pencegahan kebakaran
hutan, di antaranya adalah curah hujan, suhu
udara, kelembaban udara, intensitas cahaya
matahari, dan kecepatan angin (cuaca
kebakaran). Variabel tersebut diperoleh dari
stasiun klimatologi hasil observasi lapangan
yang diambil secara berurutan berdasarkan
interval harian. Menurut Young dan Giesse
dalam (Thoha 2010), suhu merupakan faktor
cuaca penting yang dapat menyebabkan
terjadinya kebakaran hutan dan suhu udara
juga secara konstan merupakan faktor yang
berpengaruh pada suhu bahan bakar dan
kemudahan bahan bakar untuk terbakar.
Oleh karena itu pemahaman terhadap pola

suhu udara akan membantu memprediksi
kebakaran hutan.
Salah satu metode analisis statistik yang
telah dilakukan adalah peramalan suhu udara
menggunakan pemodelan ARIMA (Ramdani
2011). Pada peramalan time series selain
menggunakan pemodelan ARIMA, menurut
(Subanar dan Sulandari) Elman Recurrent
Neural Network (ERNN) adalah salah satu
model Neural Network (NN) yang optimal
untuk prediksi time series. Dengan demikian
dalam penelitian ini akan menggunakan
ERNN untuk memprediksi suhu udara di
masa mendatang. Hasil prediksi suhu udara
tersebut diharapkan dapat digunakan sebagai
salah satu parameter dalam prediksi kejadian
kebakaran hutan.
Tujuan
Tujuan yang hendak dicapai dari
penelitian ini adalah:
1. Memprediksi suhu udara menggunakan
ERNN.
2. Menentukan berapa hari ke depan yang
baik sebagai prediksi menggunakan
ERNN.
3. Membandingkan hasil prediksi time
series menggunakan ERNN dengan hasil
prediksi menggunakan metode ARIMA
(Ramdani 2011).
Ruang Lingkup
Penelitian dibuat dengan batasan sebagai
berikut:
1. Implementasi dalam mengolah data time
series menggunakan MATLAB.
2. Menggunakan data suhu udara tahun
2000-2004.
3. Peramalan data time series dengan
menggunakan ERNN, yaitu dengan
hanya menggunakan satu variabel (suhu
udara). Penelitian ini merupakan
penelitian
pendahuluan
untuk
menentukan pola yang tepat untuk
peramalan suhu udara. Karenanya
penelitian ini belum mencakup hubungan
antara suhu udara dengan prediksi
kebakaran hutan.

TINJAUAN PUSTAKA
Kebakaran Hutan
Kebakaran merupakan suatu proses
reaksi yang menyebar secara bebas dari
perpaduan antara unsur oksigen, bahan bakar

1

hutan dan panas, ditandai dengan adanya
cahaya,
panas dan asap. Proses ini
menyebar dengan bebas dan mengonsumsi
bahan bakar alam yang terdapat di hutan
seperti serasah, rumput, humus, rantingranting, kayu mati, tiang, gulma, semak,
dedaunan dan pepohonan segar lainnya
(Brown dan Davis 1973).
Proses kebakaran hutan merupakan
kebalikan dari proses fotosintesis (Brown
dan Davis 1973) :
Proses fotosintesis,
CO2+H2O+energi matahari

C6H12O6+O2

Proses pembakaran,
C6H12O6+O2+sumber panas
+energi panas

CO2+H2O

Proses kebakaran hanya dapat terjadi
apabila terdapat tiga unsur yang saling
mendukung, yakni bahan bakar, oksigen dan
sumber panas yang disebut dengan segitiga
api (Clar dan Chatten 1945). Ilustrasi ketiga
unsur tersebut dapat dilihat pada Gambar 1.
Bahan Bakar

API
Oksigen

Panas

Gambar 1 Segitiga api (Clar dan Chatten
1945)
Suhu Udara
Suhu rata-rata harian di daerah tropika
termasuk Indonesia relatif konstan sepanjang
tahun (Handoko 1993), sedangkan suhu
udara akan berfluktuatif dengan nyata setiap
periode 24 jam. Fluktuatif ini berkaitan erat
dengan proses pertukaran energi yang
berlangsung di atmosfer. Menurut Young
dan Giesse dalam (Thoha 2010), suhu udara
merupakan faktor cuaca penting yang dapat
menyebabkan terjadinya kebakaran hutan
dan suhu udara juga secara konstan
merupakan faktor yang berpengaruh pada
suhu bahan bakar dan kemudahan bahan
bakar untuk terbakar.

cuaca. Dalam satu tahun kalender terbagi ke
dalam 36 dasarian (BMG 2008 dalam Yunus
2009).
Artificial Neural Network (ANN)
Artificial neural network atau biasa
disebut neural network adalah sistem
pemrosesan informasi yang memunyai
karakteristik mirip dengan jaringan saraf
biologi. Neural network telah dikembangkan
sebagai generalisasi model matematik dari
neuron biologis manusia, yang berbasis pada
asumsi sebagai berikut (Siang 2005):
1. Pemrosesan informasi terjadi pada
banyak elemen sederhana yang disebut
neuron.
2. Sinyal diberikan antara neuron melalui
penghubung-penghubung.
3. Penghubung antar neuron memiliki
bobot yang akan memperkuat atau
memperlemah sinyal.
4. Setiap neuron menerapkan fungsi
aktivasi terhadap jumlah sinyal masukan
terbobot untuk menentukan sinyal
keluarannya.
Neural network dikarakteristikkan dengan
(Siang 2005):
1. Pola hubungan antar neuron (arsitektur).
2. Metode untuk menentukan bobot untuk
penghubung
(pembelajaran
atau
algoritme).
3. Fungsi aktivasi.
Beberapa arsitektur jaringan yang sering
dipakai dalam jaringan saraf tiruan antara
lain (Siang 2005):
1. Jaringan lapisan tunggal (single layer
network)
2. Jaringan lapisan jamak (multilayer
network)
3. Jaringan Recurrent
Recurrent Neural Network (RNN)
Recurrent Neural Network mempunyai
struktur dan algoritme pelatihan yang lebih
kompleks dibandingkan
Feedforward
Neural Network (Xiaolin Hu dan
Balasubramaniam 2008). Pada
RNN,
output dari network digunakan kembali
sebagai input dengan mengirimkan kembali
sebagai input network.

Dasarian
Dasarian
adalah
satuan
waktu
meteorologi, yang lamanya adalah sepuluh
hari. Satuan dasarian biasa dipakai dalam
analisis cuaca dan dalam metode perkiraan

Elman Recurrent Neural Network (ERNN)
Elman recurrent neural network adalah
jaringan yang kuat untuk mengekstraksi fitur
informatif yang berkaitan dengan sistem

2

dinamis pada lapisan tersembunyi (Elman
1990).
Perbedaan utama yang terdapat pada
struktur ini adalah masukan jaringan tidak
hanya nilai masukan dari luar jaringan tetapi
ditambah dengan nilai keluaran dari neuron
tersembunyi dari propagasi sebelumnya
seperti pada Gambar 2. Himpunan neuron
yang menerima umpan balik nilai ini disebut
juga lapisan status atau layer konteks.

Gambar 2 Struktur konseptual dari jaringan
Elman
Jaringan Elman terdiri atas N lapisan
tersembunyi. Lapisan pertama memiliki
bobot-bobot yang diperoleh dari lapisan
input. Seperti halnya jaringan saraf yang
lain, setiap lapisan akan menerima bobot
dari lapisan sebelumnya. Semua lapisan
kecuali lapisan terakhir memiliki satu bobot
recurrent, semua lapisan memiliki bias
(Kusumadewi 2004).
Pada
tiap
langkahnya,
masukan
disebarkan dengan cara standar feedforward
lalu dilakukan pembelajaran menggunakan
algoritme Elman backpropagation (Gruning
2007), seperti yang terlihat pada Gambar 3.
Dasar dari cara ini adalah menggunakan
nilai keluaran dari hidden layer, yhidden (t1) sebagai masukan tambahan. Galat dalam
hidden layer hanya digunakan untuk
memodifikasi bobot untuk masukan
tambahan ini. Adapun algoritma pelatihan
ERNN dapat dilihat pada Lampiran 1.

Gambar 3 Diagram alur pada proses ERNN
Fungsi Aktivasi
Beberapa fungsi aktivasi yang sering
dipakai adalah:
a. Fungsi Sigmoid
Dalam backpropagation, fungsi aktivasi
yang dipakai harus memenuhi beberapa
syarat yaitu: kontinu, terdiferensial dengan
mudah dan merupakan fungsi yang tidak
turun (Siang 2005). fungsi yang memenuhi
ketiga syarat tersebut adalah fungsi sigmoid.
Terdapat dua buah fungsi sigmoid yaitu
sigmoid biner (logsig) dan sigmoid bipolar
(tansig), namun yang digunakan dalam
penelitian ini adalah fungsi sigmoid biner
(logsig). Grafik fungsinya tampak pada
Gambar 4.

Gambar 4 Grafik fungsi sigmoid biner (kiri)
dan sigmoid bipolar (kanan)

3

Sigmoid biner memiliki nilai interval
(0,1) dan memiliki bentuk fungsi:

METODE PENELITIAN
Kerangka Penelitian

Turunan fungsi dapat dilihat pada Lampiran
2. Sedangkan pada sigmoid bipolar yang
bentuk fungsinya mirip dengan fungsi
sigmoid biner, tapi dengan interval (-1,1)
dengan turunan fungsi dapat dilihat pada
Lampiran 2.

b. Fungsi identitas
Fungsi identitas dipakai apabila kita
menginginkan keluaran jaringan berupa
sembarang bilangan real (bukan hanya pada
interval [0,1] atau [-1,1]).
grafik
fungsi identitas tampak pada Gambar 5.

Penelitian ini dikembangkan dengan
metode yang terdiri atas beberapa tahap
yaitu seperti yang terdapat pada Gambar 6.
Mulai

Studi
Literatur

Pengambilan
Data

Pemilihan
Data

Pengolahan Data
Menggunakan
ERNN

ARIMA
(Ramdani 2011)

Perbandingan
ERNN vs ARIMA
Analisis dan
Evaluasi

Gambar 5 Grafik fungsi identitas (purelin)
Ketepatan Pendugaan
Ketepatan atau keakuratan suatu model
regresi dapat dilihat dari Root Mean Square
Error (RMSE) dan Mean Absolute
Percentage Error (MAPE). Dengan
persamaan menurut (Douglas et. al 2008)
sebagai berikut:

Dokumentasi
dan Pelaporan

Selesai

Gambar 6 Diagram alur proses peramalan
suhu udara dengan ERNN
Studi Literatur

Semakin kecil nilai MAPE menunjukkan
bahwa data hasil prediksi mendekati nilai
aktual, sedangkan RMSE menunjukkan
seberapa besar simpangan nilai dugaan
terhadap nilai aktualnya. Kecocokan model
dikatakan semakin baik jika RMSE
mendekati 0.

dengan :
= nilai aktual pada waktu ke-t
= nilai dugaan pada waktu ke-t
n = jumlah data yang diprediksi

Studi
literatur
dilakukan
dengan
mempelajari buku-buku baik yang tercetak
maupun digital, juga sumber-sumber dari
internet yang berkaitan dengan peramalan
suhu udara dalam prediksi kebakaran hutan.
Mempelajari hasil dari penelitian dari
(Ramdani 2011) “Penggunaan Model
ARIMA dalam Peramalan Suhu Udara untuk
Prediksi Kebakaran Hutan di Sekitar
Palangkaraya”.
Pengambilan Data
Data yang digunakan dalam penelitian
ini adalah data klimatologi tahun 2000
sampai 2004 yang diambil oleh Badan
Meteorologi dan Geofisika Wilayah III di
Stasiun Meteorologi Tjilik Riwut Jl. A

4

Donis Samad Palangka Raya, 27 meter di
atas permukaan laut.
Variabel-variabel data yang diambil
antara lain suhu, curah hujan, kelembaban,
tekanan udara, dan angin yang diambil
secara berurutan berdasarkan interval hari.
Namun dalam penelitian ini hanya
menggunakan data suhu saja.
Pemilihan Data
Data terdiri atas 1765 record yang
terbagi menjadi dua bagian. Pertama, data
yang digunakan untuk proses pembelajaran
(training) dari tanggal 1 Januari 2000
sampai 30 September 2004. Kedua, data
yang digunakan untuk pengujian (testing)
yaitu data suhu udara dari tanggal 1 Oktober
sampai 31 Oktober 2004.
Proses pada ERNN

arsitektur ERNN yang sudah terboboti
tersebut
untuk
mendapatkan
nilai
dugaannya.
Parameter yang digunakan pada saat
proses penentuan arsitektur ERNN adalah
hidden node 5 dengan laju pembelajaran
atau learning rate 0.3, 0.1 dan 0.01 untuk
mengetahui kinerja jaringan secara umum
dengan toleransi galat yang digunakan
adalah 0,001. Fungsi aktivasi yang
digunakan adalah sigmoid biner (logsig)
pada lapisan tersembunyi dan fungsi
identitas (purelin) pada lapisan output.
Struktur ERNN yang digunakan dalam
penelitian ini seperti pada Tabel 1.
Tabel 1 Struktur ERNN yang digunakan
Karakteristik

Spesifikasi

Arsitektur

1 hidden layer

Hidden Node

5

Data input terdiri atas 7 kelompok
percobaan yaitu untuk prediksi 1 hingga 7
hari ke depan. Untuk prediksi 1 hari ke
depan menggunakan data masukan 10 hari
sebelum target (warna hijau) dan target
(warna merah) seperti yang terlihat pada
Gambar 7, untuk prediksi 2 hari ke depan
menggunakan data masukan 10 hari sebelum
target (warna hijau) dengan lag 1 hari
sebelum target (warna merah) seperti yang
terlihat pada Gambar 8, begitu juga untuk
prediksi 3, 4, 5, 6, dan 7 hari ke depan.

Perbandingan Kinerja ERNN vs ARIMA

Gambar 7 Ilustrasi contoh pola input untuk
prediksi 1 hari

Setelah proses pada ERNN selesai
sehingga didapatkan hasil prediksinya,
selanjutnya akan dibandingkan tingkat
keakuratan hasil kinerja ERNN dengan hasil
kinerja
ARIMA
(Ramdani,
2011)
menggunakan perbandingan
MAPE.
Semakin kecil MAPE yang di dapat berarti
nilai hasil prediksi semakin mendekati nilai
aktualnya dan kinerjanya semakin bagus.

Fungsi aktivasi
hidden layer
Fungsi aktivasi
output layer

logsig
purelin

Toleransi galat

0.001

Maksimum epoch

500

Learning rate

0.3, 0.1 dan 0.01

Analisis dan Evaluasi

Gambar 8 Ilustrasi contoh pola input untuk
prediksi 2 hari

Setelah proses ERNN dilakukan dan
dibandingkan hasil kinerjanya dengan
ARIMA, selanjutnya adalah menganalisis
dan
mengevaluasi
kinerja
ERNN
berdasarkan parameter dan data yang
digunakan.

HASIL DAN PEMBAHASAN
Satu kelompok data dibagi menjadi data
training dan data testing. Data training di
latih terlebih dahulu untuk mendapatkan
arsitektur ERNN yang terboboti dan
mensimulasikan data testing dengan

Pola Input Data ERNN
Keakuratan pendugaan dalam ERNN
sangat dipengaruhi oleh pola input data dan

5

Pada kelompok percobaan pertama, data
suhu udara untuk prediksi 1 hari ke depan.
Data dibagi menjadi dua bagian, training
dan testing menggunakan data masukan 10
tanpa ada lag dengan target. Grafik pada
Gambar 9 merupakan grafik pendugaan
terbaik yang didapatkan pada kelompok
percobaan ini dengan stuktur ERNN terdiri
atas jumlah hidden node sebanyak 5 dan
learning rate sebesar 0,3. MAPE yang di
hasilkan adalah 1,55% dengan RMSE
sebesar 0,51.
Terlihat garis prediksi menempel garis
aktual. Namun ada beberapa juga yang nilai
prediksinya tidak sama dengan nilai aktual
sehingga menghasilkan sisaan yang disebut
error.

32
30
Temperatur (c)

parameter yang digunakan. Pada metode
penelitian telah dijelaskan, data diolah ke
dalam beberapa kelompok percobaan dan
selanjutnya akan dibahas dan diperlihatkan
grafik untuk masing-masing percobaan
dengan proses kinerja terbaiknya.

28
26
24
Akt
pre

22
20
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31
Tanggal

Gambar 10 Grafik nilai prediksi dan aktual
kelompok percobaan 2 hari ke depan
Pada kelompok percobaan ketiga, data
suhu udara untuk prediksi 3 hari ke depan.
Data dibagi menjadi dua bagian, training
dan testing menggunakan data masukan 10
dengan lag 2 hari antara data masukan dan
target. Grafik pada Gambar 11 merupakan
grafik pendugaan terbaik yang didapatkan
pada kelompok percobaan ini. MAPE yang
dihasilkan adalah 2,12% dengan RMSE
sebesar 0,73.

30

30

28

Temperatur (c)

Temperatur (c)

32
32

28
26
24

Akt
pre

22

26
Akt

24

pre
22
20
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31

20
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31

Tanggal

Tanggal

Gambar 9 Grafik hasil prediksi dan aktual
kelompok percobaan 1 hari ke depan
Pada kelompok percobaan kedua, data
suhu udara untuk prediksi 2 hari ke depan.
Data dibagi menjadi dua bagian, training
dan testing menggunakan data masukan 10
dengan lag 1 hari antara data masukan dan
target. Grafik pada Gambar 10 merupakan
grafik pendugaan terbaik yang didapatkan
pada kelompok percobaan ini dengan stuktur
ERNN terdiri atas jumlah hidden node
sebanyak 5 dan learning rate sebesar 0,3.
MAPE yang dihasilkan adalah 1,78%
dengan RMSE sebesar 0,60.
Apabila dibandingkan dengan percobaan
pertama terlihat terdapat peningkatan MAPE
sebesar 0,23 % dan peningkatan RMSE
sebesar 0,1. Hal ini menunjukkan bahwa
untuk prediksi 1 hari kedepan lebih baik
dibandingkan prediksi 2 hari ke depan.

Gambar 11 Grafik nilai prediksi dan aktual
kelompok percobaan 3 hari ke depan
Arsitektur ERNN yang didapat pada Gambar
11 terdiri atas jumlah hidden node sebanyak
5 dan learning rate sebesar 0,3.
Pada kelompok percobaan keempat, data
suhu udara untuk prediksi 4 hari ke depan.
Data dibagi menjadi dua bagian, training
dan testing menggunakan data masukan 10
dengan lag 3 hari antara data masukan dan
target. Grafik pada Gambar 12 merupakan
grafik pendugaan terbaik yang di dapatkan
pada kelompok percobaan ini. MAPE yang
di hasilkan adalah 2,33% dengan RMSE
sebesar 0,78. Arsitektur ERNN yang di
dapat pada Gambar 12 terdiri atas jumlah
hidden node sebanyak 5 dan learning rate
sebesar 0,3.

6

32

32
30

28
26
24

Akt

22

pre

Temperatur (c)

Temperatur (c)

30

20

28
26
24

Akt

22

pre

20

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31

Tanggal

Tanggal

Gambar 14 Grafik nilai prediksi dan aktual
kelompok percobaan 6 hari ke depan

Pada kelompok percobaan kelima, data
suhu udara untuk prediksi 5 hari ke depan.
Data dibagi menjadi dua bagian, training
dan testing menggunakan data masukan 10
dengan lag 4 hari antara data masukan dan
target. Grafik pada Gambar 13 merupakan
grafik pendugaan terbaik yang didapatkan
pada kelompok percobaan ini. MAPE yang
dihasilkan adalah 2,39% dengan RMSE
sebesar 0,80.

Pada kelompok percobaan ketujuh, data
suhu udara untuk prediksi 7 hari ke depan.
Data dibagi menjadi dua bagian, training
dan testing menggunakan data masukan 10
dengan lag 6 hari antara data masukan dan
target. Grafik pada Gambar 15 merupakan
grafik pendugaan terbaik yang didapatkan
pada kelompok percobaan ini. MAPE yang
dihasilkan adalah 2,5% dengan RMSE
sebesar 0,83.

32

32

30

30

28
26
24

Akt
pre

22

Temperatur (c)

Temperatur (c)

Gambar 12 Grafik nilai prediksi dan aktual
kelompok percobaan 4 hari ke depan

28
26
24
Akt

22

pre

20
1

3

5

7

9 11 13 15 17 19 21 23 25 27 29 31
Tanggal

20
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31
Tanggal

Gambar 13 Grafik nilai prediksi dan aktual
kelompok percobaan 5 hari ke depan

Gambar 15 Grafik nilai prediksi dan aktual
kelompok percobaan 7 hari ke depan

Arsitektur ERNN yang didapat pada Gambar
13 terdiri atas jumlah hidden node sebanyak
5 dan learning rate sebesar 0,3.

Apabila dibandingkan dengan percobaan
sebelumnya (percobaan 6) terlihat terdapat
penurunan MAPE sebesar 0,09 % dan
penurunan RMSE sebesar 0,04. Arsitektur
ERNN yang didapat pada Gambar 15 terdiri
atas jumlah hidden node sebanyak 5 dan
learning rate sebesar 0,3.

Pada kelompok percobaan keenam, data
suhu udara untuk prediksi 6 hari ke depan.
Data dibagi menjadi dua bagian, training
dan testing menggunakan data masukan 10
dengan lag 5 hari antara data masukan dan
target. Grafik pada Gambar 14 merupakan
grafik pendugaan terbaik yang didapatkan
pada kelompok percobaan ini. MAPE yang
dihasilkan adalah 2,59% dengan RMSE
sebesar 0,87. Arsitektur ERNN yang di
dapat pada Gambar 14 terdiri atas jumlah
hidden node sebanyak 5 dan learning rate
sebesar 0,3.

Dari kelompok percobaan 1 sampai 7
hasil kinerja ERNN semakin menurun,
dimana RMSE dan MAPE semakin
meningkat seperti terlihat pada Tabel 2.
Semua kelompok percobaan (1 sampai 7)
mamberikan hasil pendugaan terbaik pada
saat percobaan menggunakan learning rate
0,3 dan hidden node 5. Hal ini dapat
disimpulkan bahwa untuk prediksi data time
series suhu udara menggunakan ERNN, laju
pembelajaran (learning rate) 0,3 lebih baik
daripada 0,1 dan 0,01. Namun demikian,
untuk kasus lain belum tentu learning rate
0,3 memberikan hasil yang lebih baik.

7

Pada kelompok percobaan 7 terjadi
sedikit penurunan RMSE dan MAPE seperti
yang terlihat pada Gambar 16 dan Gambar
17. Untuk hasil keseluruhan kelompok
percobaan dapat dilihat pada Lampiran 3.
Tabel 2 Hasil kinerja ERNN untuk semua
kelompok percobaan

lebih bagus yaitu memiliki MAPE 1,55 %.
Maka dapat disimpulkan bahwa kinerja
ERNN (1,55%) lebih bagus dibandingkan
dengan kinerja ARIMA (3,11%) seperti
yang terlihat pada Tabel 3 dan Gambar 18.
Tabel 3 Hasil kinerja ERNN vs ARIMA
Tanggal

Aktual

ERNN

ARIMA

Kel_percobaan

RMSE

MAPE

1

26,3

26,68

26,75

1

0,5059

1,55%

2

27,4

26,89

26,76

27,3

27,05

26,76

2

0,6033

1,78%

3

3

0,7301

2,12%

4

26,5

27,09

26,75

4

0,7787

2,33%

5

27,1

27,01

26,75

5

0,8047

2,39%

6

27,0

26,67

26,76

6

0,8692

2,59%

7

26,3

26,79

26,77

7

0,8312

2,50%

8

27,0

27,12

26,78

9

28,1

27,28

26,77

10

28,0

27,50

26,77

11

27,9

27,47

26,77

12

27,6

26,82

26,77

1.50%

13

27,4

26,73

26,77

1.00%

14

27,3

27,13

26,77

15

27,1

27,59

26,78

16

26,8

27,84

26,78

17

27,3

28,06

26,77

18

28,3

28,18

26,77

19

27,4

27,83

26,77

20

28,2

27,89

26,78

21

26,8

26,83

26,78

22

28,7

27,68

26,78

23

27,8

27,40

26,78

24

27,9

28,26

26,78

25

27,8

27,79

26,78

26

28,2

28,03

26,78

Gambar 17 RMSE untuk semua kelompok
percobaan

27

28,2

28,02

26,78

28

27,7

28,27

26,78

Perbandingan Kinerja ERNN vs ARIMA
Penelitian menggunakan model ARIMA
untuk prediksi suhu udara telah dilakukan
oleh (Ramdani 2011) yang menyimpulkan
bahwa model AR(5) merupakan model yang
baik digunakan untuk peramalan suhu udara
perhari (1 hari ke depan) karena memiliki
nilai MAPE 3,11%. Penelitian ini
menggunakan ERNN untuk prediksi 1 hari
ke depan menggunakan parameter hidden
node 5 dan LR 0,3 memberikan hasil yang

29

29,0

28,45

26,78

30

28,3

28,21

26,78

31

27,8

28,37

26,78

3.00%
2.33% 2.39%

MAPE

2.50%
2.00%

2.59% 2.50%

2.12%
1.78%
1.55%

0.50%
1

2

3

4

5

6

7

Kelompok Percobaan

Gambar 16 MAPE untuk semua kelompok
percobaan
1

0.8692

0.9
0.7301

RMSE

0.8

0.8312

0.6033

0.7
0.6

0.7787 0.8047

0.5059

0.5
0.4
0.3
1

2

3

4

5

6

7

Kelompok Percobaan

8

3. Penelitian lanjutan disarankan untuk
pembagian data training dan data testing
berdasarkan musim atau iklim.

30.0

Temperatur (c)

29.0
28.0

DAFTAR PUSTAKA

27.0
26.0
Aktual
ERNN
ARIMA

25.0
24.0

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31
Tanggal

Gambar 18 Perbandingan hasil kinerja
ERNN vs ARIMA

SIMPULAN DAN SARAN
SIMPULAN
Dari hasil analisis data yang telah
dilakukan dapat diambil kesimpulan:
1. Elman recurrent neural network mampu
meramalkan suhu udara, namun dengan
data yang cukup. Karena apabila data
pelatihan tidak cukup, ERNN tidak dapat
mempelajari hubungan antara variabel
input-output dengan baik.
2. ERNN bagus untuk memprediksi 1 hari
ke depan menggunakan parameter
hidden node 5 dan LR 0,3 dengan RMSE
0,51 dan MAPE 1,55%.
3. Tingkat keakuratan ERNN (1,55%)
dalam memprediksi suhu udara lebih
bagus dibandingkan dengan model
ARIMA (3,11%) (Ramdani 2011) untuk
data time series suhu udara.
SARAN
Penelitian
ini
adalah
penelitian
pendahuluan mengenai penggunaan ERNN
untuk prediksi suhu udara. Untuk itu
diperlukan penelitian lanjutan sebagai
berikut:
1. Penelitian lanjutan validasi model
dengan data kejadian kebakaran hutan
untuk memperlihatkan hubungan antara
suhu udara dengan prediksi kebakaran
hutan.
2. Penelitian lanjutan penerapan ERNN
untuk faktor-faktor cuaca lain yang
mempengaruhi kebakaran hutan, yaitu
kelembaban udara, curah hujan, arah
angin, intensitas cahaya matahari dan
lain-lain.

Brown AA, Davis P. 1973. Forest Fire
Control and Use. Mc Graw-Hill Books
Company: 658.
Clar CD, Chatten LR. 1954. Principles of
Forest Fire Management Departemen of
Natural Resources Division of Forestry.
California: 200.
Douglas CM, Cheryl LJ, Murat K. 2008.
Introduction to time series analysis and
forcasting. John Wiley & Sons.
Elman JL. 1990 Finding Structure in Time.
Cognitive Science 14: 179-211.
Gruning A. 2007. Elman Backpropagation
as Reinforcement for Simple Recurrent
Network. Neural Computation.
Handoko. 1993. Klimatologi Dasar:
Landasan Pemahaman Fisika Atmosfet
dan Unsur-Unsur Iklim. Bogor: Pustaka
Jaya.
Kusumadewi S. 2004. Membangun Jaringan
Saraf Tiruan (Menggunakan MATLAB
& Excel Link). Yogyakarta: Graha Ilmu.
Rahmawati. 2004. Hutan: Fungsi dan
Perannya Bagi Masyarakat. Fakultas
Pertanian Universitas Sumatera Utara.
Ramdani AL. 2011. Penggunaan Model
ARIMA dalam Peramalan Suhu Udara
untuk Prediksi Kebakaran Hutan di
Sekitar Palangkaraya [skripsi]. Bogor:
Departemen Ilmu Komputer FMIPA,
IPB.
Siang JJ. 2005. Jaringan Saraf Tiruan &
Pemogramannya
Menggunakan
MATLAB. Yogyakarta: ANDI.
Subanar, Sulandari W. Neural Network
Model ARIMA untuk Prediksi Data
Finansial. Fakultas MIPA Universitas
Gajah Mada.
Thoha AS. 2010. Cuaca Kebakaran Hutan
Kaitannya dengan Upaya Pencegahan
Kebakaran Hutan di Indonesia [skripsi].
Fakultas Pertanian Universitas Sumatera
Utara.

9

Xiaolin H, Balasubramaniam. 2008.
Recurrent Neural Networks. University
Library Rijeka, 978-953-7019-08-04.

Yunus SS. 2009. Simulasi Pediksi
Probabilitas Awal Musim Hujan dan
Panjang Musim Hujan di Ambon.
BMKG, Jakarta.nnnnnnnnnnnnnnnnnnn

10

LAMPIRAN

11

Lampiran 1 Langkah-langkah Elman Backpropagation (BP)
Algoritma pelatihan Elman Backpropagation terdiri dari dua tahap, yaitu feed forward dan
backpropagation. Secara umum langkah dalam pelatihan Elman BP sama dengan BP biasa hanya
saja dalam elman backpropagation menggunakan nilai keluaran dari hidden layer, yhidden (t-1)
sebagai masukan tambahan yang disebut dengan context layer. Galat dalam hidden layer hanya
digunakan untuk memodifikasi bobot untuk masukan tambahan ini. Algoritma pembelajaran ini
juga juga disebut sebagai algoritma pembelajaran Back Propagation Trough Time (BPTT).
Feed Forward
1. Memberi nilai awal secara random bagi seluruh weight antara input-hidden layer dan
hidden layer-output.
2. Tiap unit input menerima sinyal input dan sinyal tersebut dikirimkan pada seluruh
unit hidden layer.
ditambah dengan input yang dikali dengan bobot
dan
3. Tiap unit hidden layer
yang dikali dengan bobot
dijumlah
dikombinasikan dengan
dengan bias .

Fungsi pengaktif neuron yang digunakan digunakan sigmoid polar

4.

Tiap unit output
ditambah dengan nilai keluaran hidden layer yang dikali bobot
dan dijumlah dengan bias bagian hidden layer . Untuk mendapatkan keluaran, maka
dihitung dalam fungsi pengaktif menjadi .

Elman BackPropagation
5.

Tiap unit output menerima pola target sesuai dengan pola masukan saat pelatihan dan
dihitung nilai error-nya dan diperbaiki nilai bobot-nya.
Perhitungan Error dalam turunan Fungsi Pengaktif

Menghitung perbaikan bobot

Menghitung parbaikan kolerasi

12

Dan menggunakan nilai
6.

pada semua unit lapisan sebelunya.

Tiap bobot yang menghubungkan unit output dengan unit hidden layer dikali
dijumlahkan sebagai masukan unit berikutnya.

dan

Selanjutnya dikalikan dengan turunan dari fungsi aktivasi untuk menghitung galat.

Kemudian menghitung perbaikan bobot

Menghitung parbaikan kolerasi

7.

Tiap unit output diperbaiki bobot dan biasnya.

Tiap unit hidden layer diperbaiki bobot dan biasnya.

8.

Tiap output dibandingkan dengan target
( ) Keseluruhan

9.

Uji kondisi pemberhentian (akhir iterasi)

yang diinginkan, untuk memperoleh error

Ket :
: input dari i = 1, . . . , n
: pola keluaran target dari pelatihan
: hasil copy dari hidden layer waktu ke t-1
: bobot dari input layer ke hidden layer
:bobot dari layer konteks ke hidden layer
:bobot dari hidden layer ke output layer
: konstanta laju pembelajaran (learning rate)
: Total galat
: bias

13

Lampiran 2 Turunan fungsi aktivasi
Fungsi Aktivasi Sigmoid Biner

Fungsi Aktivasi Sigmoid bipolar

14

Lampiran 3 Hasil prediksi semua kelompok percobaan
Tanggal

Aktual

1

Prediksi
1

2

3

4

5

6

7

26,3

26,68

27,17

27,01

27,01

26,91

26,87

27,50

2

27,4

26,89

27,32

27,28

27,17

27,05

27,04

27,08

3

27,3

27,05

26,49

26,87

26,86

27,04

26,96

26,48

4

26,5

27,09

27,17

26,79

27,02

27,03

26,84

27,35

5

27,1

27,01

27,44

27,06

27,28

27,04

26,88

27,05

6

27

26,67

27,01

27,10

27,06

27,13

26,91

26,31

7

26,3

26,79

26,91

26,99

27,05

27,03

27,02

26,77

8

27

27,12

26,89

26,87

27,10

26,92

26,90

26,97

9

28,1

27,28

27,35

27,01

27,26

27,04

26,85

27,45

10

28

27,50

27,37

27,04

27,16

27,09

27,00

26,87

11

27,9

27,47

26,99

26,89

26,69

27,03

26,96

26,59

12

27,6

26,82

27,42

27,14

27,04

27,02

26,89

27,42

13

27,4

26,73

27,32

27,45

27,55

27,07

26,93

26,96

14

27,3

27,13

26,79

27,34

27,27

27,01

26,95

26,51

15

27,1

27,59

27,28

27,29

27,25

26,85

26,94

27,40

16

26,8

27,84

27,72

27,38

27,27

27,00

26,97

27,60

17

27,3

28,06

27,47

27,23

26,82

27,17

27,01

27,00

18

28,3

28,18

27,50

26,99

26,76

27,21

27,00

26,99

19

27,4

27,83

27,81

26,90

27,15

27,23

26,94

26,82

20

28,2

27,89

27,65

26,98

27,20

27,23

26,92

26,68

21

26,8

26,83

27,60

27,17

27,19

27,11

26,99

26,84

22

28,7

27,68

27,36

27,30

27,50

26,99

27,05

27,22

23

27,8

27,40

27,25

27,23

27,22

26,95

27,04

27,62

24

27,9

28,26

27,73

27,26

27,38

26,86

26,98

28,14

25

27,8

27,79

27,72

27,46

26,97

27,10

27,05

28,11

26

28,2

28,03

27,67

27,40

27,06

27,02

27,01

27,21

27

28,2

28,02

27,54

27,34

27,15

27,25

27,03

27,64

28

27,7

28,27

27,85

27,23

27,25

27,02

26,95

26,79

29

29

28,45

27,89

27,39

27,29

27,21

26,96

27,70

30

28,3

28,21

28,20

27,49

27,22

27,09

27,11

26,89

31

27,8

28,37

27,61

27,33

27,13

27,13

27,07

27,42

15