26 tahun 1994 telah mengurangi luas panen sebesar 3,1 persen atau 341.000 ha,
demikian juga hasil per hektar menurun sebesar 0,6 persen atau 0,27 kuha. Pada tahun 2003, akibat curah hujan yang rendah terjadi kekeringan di areal sawah di
sentra padi Jawa seluas 430.295 ha disamping 82.696 ha yang mengalami puso BAPENAS 2004, bila terjadi kekeringan berlanjut maka akan mengganggu
stabilitas pangan karena 50 pasokan padi nasional berasal dari Pulau Jawa.
2.7. Pengembangan Model Prediksi Curah Hujan dalam Mendukung
Penyesuaian Kalender Tanam Prediksi curah hujan diperlukan untuk merencanakan waktu dan pola
tanam beberapa bulan ke depan bahkan satu tahun ke depan. Berbagai teknik analisis dan pemilihan model sudah banyak digunakan dalam penyusunan model
prediksi curah hujan. Dengan mengembangkan model yang tervalidasi dengan baik diharapkan dapat menghasilkan informasi yang lebih akurat dalam waktu
yang cepat sehingga penyesuaian kalender tanam dapat direncanakan sedini mungkin dalam mengantisipasi anomali iklim yang terjadi. Wigena 2006
menyatakan bahwa penyusunan model prediksi curah hujan tergantung pada keberadaan autokorelasi dan kolinieritas data pada peubah tak bebas yang akan
diduga. Variasi keberadaan antara autokorelasi dengan kolinieritas dapat diterapkan dengan menggunakan analisis jaringan syaraf tiruan.
Jaringan saraf tiruan JST dalam Bahasa Inggris dinamakan artificial neural network ANN, atau juga disebut simulated neural network SNN, atau
pada umumnya disebut neural network NN. JST pertama kali ditemukan Warren McCulloch, seorang neurophysiologist, dan rekannya seorang matematikawan
Walter Pitts pada tahun 1943. ANN merupakan sebuah alat pemodelan data statistik non linier berupa jaringan dari sekelompok unit pemrosesan yang
dimodelkan berdasarkan interkoneksi syaraf buatan yang menggunakan suatu model komputasi untuk memproses informasi yang terdistribusi dan bekerja
secara pararel Hecht-Nielsen 1988. Fungsinya ditentukan oleh struktur jaringan dan kekuatan hubungan, kemudian pengolahan dilakukan pada komputasi elemen
simpul atau nodes DARPA 1998.
27 ANN adalah sistem pengolah informasi yang mempunyai karakteristik
mirip dengan jaringan syaraf biologis, yaitu jaringan syaraf pada otak manusia Gambar 2.8.
Gambar 2.8 Konsep jaringan syaraf manusia dan model jaringan syaraf tiruan. a komponen- komponen syaraf neuron, b gambaran mengenai
synapses , dan c model jaringan syaraf.
Biasanya terdapat paling tidak tiga lapisan pada suatu jaringan langkah maju, terdiri dari satu lapisan input input layer, lapisan tersembunyi hidden
layer , dan suatu lapisan output output layer. Lapisan input memberi umpan
kepada lapisan tersembunyi, kemudian lapisan tersembunyi memberi umpan kepada lapisan output. Pengolahan aktual dalam suatu jaringan terjadi di dalam
simpul pada lapisan tersembunyi dan lapisan output Gambar 2.9.
Gambar 2.9 Skema ANN feed forward Pemrosesan informasi dalam ANN dapat disingkat sebagai berikut, sinyal
baik berupa aksi atau potensial muncul sebagai masukan unit sinapsis; efek dari tiap sinyal dinyatakan sebagai bentuk perkalian dengan sebuah nilai bobot
28 untuk mengindikasikan kekuatan dari sinapsis. Semua sinyal yang diberi pengali
bobot ini kemudian dijumlahkan satu sama lain untuk menghasilkan unit aktivasi. Jika aktivasi ini melampaui sebuah batas ambang tertentu maka unit tersebut akan
memberikan keluaran dalam bentuk respon terhadap masukan. Model satu neuron ini, kemudian dibuat dalam bentuk jaring-jaring neuron
sehingga kita memiliki sebuah jaring saraf buatan Gambar 2.10. Aktivasi dari unit masukan diatur dan diteruskan melalui jaring hingga nilai dari keluaran dapat
ditentukan. Jaring berperan sebagai fungsi vektor yang mengambil satu vektor pada masukan dan mengeluarkan satu vektor lain dikeluarkan.
Gambar 2.10 Jaring saraf buatan Model jaringan syaraf buatan dapat memiliki sebuah lapisan bobot,
dimana masukan dihubungkan langsung dengan keluaran, atau beberapa lapisan yang di dalamnya terdapat lapisan tersembunyi. Tiap-tiap lapisan terdiri dari
banyak simpul, interkoneksi hanya terjadi antara simpul-simpul yang terletak pada satu lapisan dengan simpul-simpul yang terletak pada lapisan tetangganya.
Simpul-simpul yang berhubungan langsung dengan masukan dan terletak dalam satu lapisan yang sama, lapisan tersebut disebut lapisan masukan simpul-simpul
yang memberikan keluaran dan terletak dalam satu lapisan disebut lapisan keluaran. Simpul-simpul yang terletak dalam satu atau beberapa lapisan dan
tidak berhubungan langsung dengan keadaan di luar jaringan disebut lapisan dalam atau lapisan tersembunyi. Banyaknya simpul pada lapisan masukan dan
lapisan keluaran tergantung pada jenis pemakaian tertentu Subiyanto 1998.
29 Dengan merekayasa lapisan tersembunyi, memungkinkan mendekati semua fungsi
arsitektur jaringan saraf buatan tipe maju. ANN untuk prediksi data deret waktu misalkan curah hujan digunakan
sebagai perseptron perceptron yang mempelajari sebuah curah hujan sedemikian sehingga mampu melakukan identifikasi dan aproksimasi dari data deret waktu
tersebut. Kemudian model ini digunakan untuk memprediksi data curah hujan. Galat Propagasi Balik error back propagation merupakan model training
yang sering digunakan untuk model ANN arus maju multi layer feed forward neural network
. Model training galat propagasi balik merupakan aturan koreksi kesalahan dimana kesalahan keluaran jaring saraf dipropagasikan kembali ke
dalam lapisan tersembunyi untuk diproses kembali.
30
III. ANALISIS DAN DELINEASI DAMPAK ENSO
