Volume 09/ No.

02/Mei -Agustus/ 2011

Jurnal Ilmiah Elektrikal Enjiniring UNHAS

PREDIKSI CURAH HUJAN DI WILAYAH MAKASSAR MENGGUNAKAN METODE WAVELET - NEURAL NETWORK
1

Indrabayu, 2Nadjamudin Harun, 3M. Saleh Pallu, 4Andani Achmad 1 Mahasiswa Program Doktor Sipil UNHAS 1,2,4 Staf Pengajar Teknik Elektro UNHAS 3 Staf Pengajar Teknik Sipil Unhas

ABSTRAK
Paper ini melakukan prediksi hujan dengan menggunakan metode hybrid Wavelet-Neural Network dengan data harian mentah dari penelitian sebelumnya yang didapatkan dari BMKG (Badan Meteorologi, Klimatologi, dan Geofisika). Terdapat lima parameter cuaca yang dipakai untuk sistem prediksi Wavelet-Neural Network yaitu temperatur, kelembaban, kecepatan angin,tekanan udara, dan curah hujan. Sebelum memprediksi, terlebih dahulu menggunakan sistem pelatihan yang berguna agar hasil keluaran mempelajari pola dari masukan-masukan sebelumnya. Dalam sistem pelatihan kelima variabel tersebut kemudian dikompres menggunakan wavelet method setelah itu diprediksi dengan metode neural network backpropagation dan hasil dari sistem pelatihan tersebut barulah digunakan untuk memprediksi sekaligus memvalidasi antara data real dan data prediksi intensitas curah hujan harian pada tahun 2009, 2010, dan 2011. Khusus untuk tahun 2012, tidak diperoleh data real dari penelitian sebelumnya maupun dari BMKG setempat. Jadi, keakuratan curah hujan pada tahun 2009 yang hanya menggunakan metode Neural Network memiliki tingkat keakuratan mencapai 67,12% dan pada saat menggunakan metode Wavelet-Neural Network, tingkat keakuratan mencapai 81,09% . Dapat disimpulkan bahwa pada saat menggunakan wavelet, persentase prediksi mengalami kenaikan sebesar 13,97%. Untuk tahun 2010 yang menggunakan metode Wavelet-Neural Network, tingkat keakuratan mencapai 63,83%. Keakuratan menjadi turun drastis disebabkan karena badai La Nina dan El Nino yang terjadi pada tahun 2010. Sedangkan pada tahun 2011 yang menggunakan metode Wavelet-Neural Network, tingkat keakuratan mencapai 74,79%.

Kata Kunci: Wavelet; prediksi hujan; Neural Network; sistem pelatihan

1.

PENDAHULUAN

Dari aspek meteorologis, Indonesia mempunyai kompleksitas dalam fenomena cuaca dan iklim. Atmosfer di atas Indonesia sangat kompleks dan pembentukan awannya sangat unik. Secara latitudinal dan longitudinal, Indonesia di bawah kekuasaan sirkulasi ekuatorial dan monsunal yang sangat berbeda karakteristiknya. Beberapa kenyataan ini menunjukkan curah hujan di Indonesia sangat labil, kompleks dan memiliki variabilitas yang sangat besar. Sehingga meskipun ketepatan prediksi sangat penting, namun saat ini sangat sulit diprediksi secara akurat dengan metode peramalan tradisional. Bahkan dalam bidang klimatologi, curah hujan di Indonesia menjadi salah satu faktor yang paling sulit diramalkan secara akurat. Perubahan iklim akibat pemanasan global, mengakibatkan pergantian musim di Indonesia menjadi tidak teratur. Hal ini terlihat pada kota-kota yang dipengaruhi oleh pola curah hujan monsun, misalnya kota Makassar yang menjadi lokasi penelitian ini.[1]

Badan Meteorologi, Klimatologi dan Geofisika (BMKG) merupakan lembaga resmi pemerintah yang bertugas memberikan layanan informasi kepada masyarakat terkait cuaca dan curah hujan. Itulah sebabnya, BMKG dianggap sebagai lembaga yang paling unggul dalam memprediksi curah hujan. BMKG telah menyebarkan informasi curah hujan terkini dari skala waktu harian, mingguan, bulanan. Bahkan ada pula analisis yang ditulis oleh BMKG mengenai prakiraan awal musim serta berbagai fenomena curah hujan. Tapi, semua model prediksi yang diberikan BMKG merupakan model statistik. Oleh karena itu, dengan semakin majunya ilmu pengetahuan dan teknologi dari berbagai disiplin ilmu, saat ini curah hujan telah dapat diprediksi dengan melakukan beragam pendekatan-pendekatan empiris, salah satunya dengan menggunakan metode penggabungan WaveletNeural Network .

50

2. PEMBAHASAN 2.1. Wavelet-Neural Network Sebuah gelombang (wave) biasanya didefinisikan sebagai sebuah fungsi osilasi dari waktu (space), misalnya sebuah gelombang sinusoidal [6]. Wavelet merupakan gelombang singkat (small wave) yang energinya terkonsentrasi pada suatu selang waktu untuk memberikan kemampuan analisis transient, ketidakstasioneran, atau fenomena berubah terhadap waktu (time-varying). 2.1.1 Transformasi Wavelet Transformasi wavelet merupakan sebuah fungsi konversi yang dapat digunakan untuk membagi suatu fungsi atau sinyal ke dalam komponen frekuensi yang berbeda, yang selanjutnya komponen-komponen tersebut dapat dipelajari sesuai dengan skalanya. Wavelet merupakan sebuah fungsi variabel real x, diberi notasi t dalam ruang fungsi L2(R). Fungsi ini dihasilkan oleh parameter dilasi dan translasi, yang dinyatakan dengan persamaan [6]:
a ,b

diskrit maju (forward DWT) dan transformasi wavelet balik (inverse DWT). Karena bersifat multiresolusi, maka DWT dapat dilakukan sesuai dengan keinginan pengguna. DWT dapat diimplementasikan oleh sepasang Quadrature Mirror Filter (QMF). Dalam hal ini, hasil analisis terhadap data pada skala dan resolusi tertentu akan menghasilkan subband-subband detail data (subband horizontal, subband vertikal dan subband diagonal ) serta pendekatan nilai data pada resolusi tersebut. Adapun jenis filter yang digunakan adalah lospass filter dan highpass filter. 2.2 Artificial Neural Network Artificial Neural Network atau Jaringan Syaraf Tiruan dibuat pertama kali oleh McCulloch dan Pitts pada tahun 1943. McCulloch dan Pitts menyimpulkan bahwa kombinasi beberapa neuron sederhana menjadi sebuah sistem neural akan meningkatkan kemampuan komputasinya. Bobot dalam jaringan yang diusulkan oleh McCulloch dan Pitts diatur untuk melakukan fungsi logika sederhana. Fungsi aktivasi yang dipakai adalah fungsi . Selanjutnya pada tahun 1958, Rosenblatt h threshold R memperkenalkan dan mulai mengembangkan model jaringan baru yang terdiri dari beberapa lapisan yang disebut Perceptron. Metode pelatihan diperkenalkan untuk mengoptimalkan hasil iterasi-nya.Widrow dan Hoff pada tahun 1960 mengembangkan Perceptron dengan memperkenalkan aturan pelatihan jaringan, yang dikenal sebagai aturan delta (atau sering disebut kuadrat rata-rata terkecil). Aturan ini akan mengubah bobot perceptron apabila keluaran yang dihasilkan tidak sesuai dengan target yang diinginkan. Apa yang dilakukan peneliti terdahulu hanya menggunakan jaringan dengan layer tunggal (single layer). Rumelhart bersama McClelland pada tahun 1986 mengembangkan Perceptron menjadi backpropagation, yang memungkinkan jaringan diproses melalui beberapa layer. 2.3.Backpropagation Aturan pelatihan jaringan backpropagation terdiri dari 2 tahapan, feedforward dan backward propagation. Pada jaringan diberikan sekumpulan contoh pelatihan yang disebut set pelatihan. Set pelatihan ini digambarkan dengan sebuah vector feature yang disebut dengan vektor input yang diasosiasikan dengan sebuah output yang menjadi target pelatihannya. Dengan kata lain set pelatihan terdiri dari vektor input dan juga vektor output target. Keluaran dari jaringan berupa sebuah vektor output aktual. Selanjutnya dilakukan perbandingan antara output aktual yang dihasilkan dengan output target dengan cara melakukan pengurangan diantara kedua output tersebut. Hasil dari pengurangan merupakan error. Error dijadikan sebagai dasar dalam melakukan perubahan dari setiap bobot yang ada dengan mempropagasikannya kembali.

( x)

1/ 2

;a

h
j

x a

;a

0,

(II.1)
a ,b

( x)

j/2

2 x k ; j, k

...(II.2) Fungsi wavelet pada persamaan (II.1) diperkenalkan pertama kali oleh Grossman dan Morlet, sedangkan persamaan (II.2) oleh Daubechies. Pada fungsi Grossman-Morlet, a adalah parameter dilasi dan b adalah parameter translasi, sedangkan pada fungsi Daubechies, parameter dilasi diberikan oleh Zj dan parameter translasi oleh k. kedua fungsi dapat dipandang sebagai mother wavelet, dan harus memenuhi kondisi [10]: (x)dx = 0 (II.3) Yang menjamin terpenuhi sifat orthogonal vector. Pada dasarnya transformasi wavelet dapat dibedakan menjadi dua tipe berdasarkan nilai parameter translasi dan dilasinya, yaitu transformasi wavelet kontinu (continue wavelet transform) dan diskrit (disrete wavelet transform). Transformasi wavelet kontinu ditentukan oleh nilai parameter dilasi (a) dan translasi (b) yang bervariasi secara kontinyu, dimana a, b R dan a 0. Transformasi wavelet diskrit didefinisikan untuk mengurangi redundansi yang terjadi pada transformasi kontinu dengan cara hanya mengambil nilai diskrit dari parameter a dan b, selanjutnya akan dibahas bagaimana penggunaan transformasi wavelet diskrit. 2.1.2 Implementasi DWT (Discrete Wavelet Transform) DWT terdiri dari pasangan transformasi yang bersifat kebalikan (reversible), yaitu transformasi wavelet

51

Setiap perubahan bobot yang terjadi dapat mengurangi error. Siklus setiap perubahan bobot (epoch) dilakukan pada setiap set pelatihan hingga kondisi berhenti dicapai, yaitu bila mencapai jumlah epoch yang diinginkan atau hingga sebuah nilai ambang yang ditetapkan terlampaui. Algoritma pelatihan jaringan propagasi balik terdiri dari 3 tahapan yaitu [10] : 1. Tahap umpan maju (feedforward) 2. Tahap umpan mundur (backpropagation) dan galatnya. 3. Tahap pengupdatean bobot dan bias

3.

PROSES PELATIHAN WAVELET-NEURAL NETWORK Pelatihan pada metode backpropagation bertujuan agar jaringan dapat mengenali input yang diberikan sesuai target yang diinginkan. Proses pelatihan ini dilakukan berulang kali hingga mendapatkan error terkecil atau hingga batas iterasi yang ditentukan sehingga akan sesuai dengan data aktual yang diinginkan (target) .

Gambar 2 : Flowchart Pelatihan Wavelet Neural Network 3.1 Pengolahan Data Inputan Data inputan lima parameter unsur klimatologi yang diperoleh dari BMKG terlebih dahulu digolongkan sesuai unsur iklimnya masing-masing. Sebagai contoh,parameter angin dikelompokkan dari tahun 2004 hingga 2009 agar mempermudah dalam proses load data, seperti itu pula dalam pengolahan parameter yang lainnya. Setelah itu data kembali dikelompokkan berdasarkan bulannya dan diolah dalam bentuk m-file agar mempermudah dalam proses penginputan metode, sehingga data satu bulan telah terdapat lima unsur cuaca dari tahun 2004-2009. Jadi, dalam tiap data per bulan terdapat lima data unsur yaitu angin, tekanan udara, kelembaban, temperatur, dan curah hujan dari tahun 20042009.

Gambar 1 :

Alur Penelitian.

Sebelum membuat prediksi hal pertama yang harus dilakukan adalah membuat proses pelatihan, menentukan pola masukan dan target yang diinginkan. Sistem pelatihan dan sistem prediksi menggunakan metode yang sama yaitu metode wavelet-neural network . Variabel input diubah terlebih dahulu dengan menggunakan metode wavelet, dimana tujuan dari wavelet ini untuk menghaluskan, merapatkan serta mengkompres data inputan. Setelah itu untuk memprediksi sinyal output kemudian digunakan metode neural network.

52

Gambar 4. Flowchart Proses Rekontruksi/Invers(fungsi ihwt).

Gambar 3..Flowchart Proses Dekomposisi(fungsi hwt)

3.2 Metode Wavelet Dalam pembuatan program wavelet, langkahlangkah yang harus dilakukan adalah sebagai berikut : a. Memuat data input Memasukkan data input yang telah diolah dan disimpan dalam bentuk m-file. b. Menentukan jenis transform wavelet, yang digunakan pada metode ini adalah Discrete Wavelet Transform (DWT). Hal ini disebaban data inputan berupa diskrit. c. Menentukan mother wavelet yaitu Haar, dimana Haar sangat berguna dalam pengolahan data. 53

d. e.

Menentukan jenis mother wavelet, yang digunakan adalah Haar Menentukan syntax yang akan digunakan pada matlab R2010a.

(III.1)

Dekomposisi Wavelet Dalam pembuatan data latih untuk wavelet, langkah-langkah yang harus dilakukan adalah sebagai berikut : a. Memuatdata input Memasukkan data input yang telah diolah dan disimpan dalam bentuk mat-file. b. Menentukan jenis transform wavelet, yang digunakan pada metode ini adalah Discrete Wavelet Transform . Hal ini disebabkan datainputan berupa diskrit. c. Menentukan mother wavelet yaitu Haar. d. Menentukan syntax yang akan digunakan pada matlab R2010a Proses Discrete Wavelet Transform (DWT) merupakan proses dekomposisi wavelet yang berguna untuk membagi tiap inputan data sesuai dengan mother wavelet yang diinginkan. Tahap awal dari proses dekomposisi adalah menentukan bagian nilai frekuensi rendah dan frekuensi tinggi dari data inputan, yaitu dengan cara memasukkan hasil inputan dalam bagian filter bawah atau low pass filter untuk mendapat frekuensi tinggi dan kemudian melewatkan inputan ke dalam filter atas atau high pass filter untuk mendapatkan nilai frekuensi rendah. Hasil keluaran dari dua bagian ini kemudian mengalami proses downsampling. Penentuan nilai low pass filter (LPF) dan high pass filter (HPF) bergantung pada jenis mother wavelet yang digunakan. Karena setiap jenis mother wavelet memiliki nilai LPF dan HPF yang berbeda. Tiap langkah dalam transformasi Haar memperhitungkan kumpulan koefisien-koefisien Wavelet dan kumpulan rata-rata. Jika suatu kumpulan data S0, S1, , SN-1 berisi unsur-unsur N, akan terdapat N/2 rata-rata dan N/2 nilai-nilai koefisien. Rata-rata disimpan dalam setengah lebih rendah dari kesatuan unsur N dan koefisienkoefisien disimpan dalam setengah diatas. Rata-rata menjadi input untuk langkah selanjutnya dalam penghitungan Wavelet, dimana untuk iterasii+1, Ni+1 = Ni/2. Iterasi-iterasi berlanjut sampai suatu rata-rata tunggal dan koefisien tunggal dihitung. Ini mengganti sekumpulan data asal dari unsur-unsur N dengan rata-rata yang telah didapat, yang diikuti dengan sekumpulan koefisienkoefisien yang ukurannya adalah peningkatan pangkat dua (misalnya, 20, 21, 22, , N/2). Persamaan-persamaan Haar untuk menghitung suatu rata-rata (ai) dan koefisien-koefisien Wavelet (ci) dari suatu unsur ganjil dan genap dalam sekumpulan data ditunjukkan di bawah :

(III.2) Dalam terminologi Wavelet, rata-rata Haar dihitung dengan fungsi penskalaan.Koefisien dihitung dengan fungsi Wavelet. Input data pada tranformasiHaar dapat secara sempurna dibangun kembali dengan menggunakan persamaan-persamaan berikut : S i = a i + ci Si+1 = ai - ci (III.3) (III.4)

Pada penskalaan literatur dan nilai-nilai Wavelet terkadang ditunjukkan masing-masing dengan h1 dan g1. Koefisien-koefisien fungsi penskalaan: h0 = 0,7071 h1 = 0,7071 Koefisien-koefisien fungsi Wavelet : g0 = 0,7071 g1 = - 0,7071 Penskalaan dan nilai-nilai Wavelet untuk perubahan Haar ditunjukkan di bawah ini dalam bentuk matriks : Langkah Fungsi Koefisien Fungsi Wavelet

(III 5)

(III 6)

3.3 Neural Network a. Proses Neural network Hal pertama yang dilakukan adalah menentukan inputan dan targetnya. Dalam proses pelatihan, input yang dimaksud adalah data tahun 2004-2008 dan target yang diinginkan adalah curah hujan tahun 2009, dimana inputan dari neural network ini merupakan hasil keluaran dari wavelet. Data input yang ada yaitu sebesar 1 x 775 data, dan target (t) sebesar 1 x 31 data. Sebelum masuk ke dalam Neural Network, input dan target harus ditranspose terlebih dahulu, yaitu mengubah kolom menjadi baris. Hal 54

ini agar neural network dapat mengenali dan mempermudah dalam sistem perhitungan jaringan. Langkah langkah dalam proses pelatihan neural network adalah sebagai berikut: 1. Memuat data lima parameter (angin, tekanan udara, kelembaban, temperatur, dan curah hujan) dari tahun 2004 - 2009 , dimana data training px (data input dari wavelet) merupakan data tahun 2004 - 2008 dan data tx (data target) merupakan data tahun 2009. 2. Melakukan proses normalisasi data untuk mendapatkan interval data [0 1] 3. Membuat inisialisasi jaringan yang akan dilatih untuk prediksi data yang akan datang. 4. Proses pelatihan jaringan dengan fungsi train. Proses pelatihan ini dilakukan agar sistem neural network mempelajari pola data dari tahun 2004 - 2008 hingga mendapatkan performansi dan persentasi pencapaian target tahun 2009 yang terbaik. 5. Memvalidasikan keluaran jaringan tahun 2009 dari hasil pelatihan dengan data aktual curah 3.4 Wavelet Rekonstruksi Output dari neural network kemudian diproses kembali dengan wavelet rekonstruksi. Wavelet rekonstruksi adalah proses kebalikan dari proses dekomposisi. Adapun prosesnya sebagai berikut : Langkah Fungsi Koefisien Fungsi Wavelet

keadaan sebenarnya tahun 2009. Dari 365 hari, untuk kondisi sebenarnya terdapat 270 hari kondisi cerah, 44 hari kondisi hujan ringan, 35 hari kondisi hujan sedang, 15 hari kondisi hujan lebat, dan 1 hari untuk kondisi hujan sangat lebat. Sedangkan hasil prediksi menunjukkan sebanyak 275 hari untuk kondisi cerah, 44 hari untuk kondisi hujan ringan, 27 hari untuk kondisi hujan sedang, 18 hari kondisi hujan lebat, dan 1 hari kondisi hujan sangat lebat. Terdapat 296 hari jumlah hari benar bila dibandingkan dengan data aktual BMKG dengan ketepatan prediksi sebesar 81,09 %. Tingkat keakuratan pada sistem ini menunjukkan sistem ini layak digunakan untuk memprediksi cuaca keesokan harinya. Tabel 1 Validasi Hasil Prediksi Hujan Sistem Wavelet Neural Network dengan Keadaan Sebenarnya Tahun 2009

Keakuratan (%) = (365 69) hari x 100% 365 hari = 296 hari x 100% 365 hari = 81,09 %

(III 8)

PENGUJIAN METODE WAVELET NEURAL NETWORK PADA PREDIKSI HUJAN DATA RATARATA PER HARI TAHUN 2009 Berdasarkan proses pelatihan yang dilakukan dengan metode wavelet neural network didapatkan hasil prediksi hujan 2009. Tabel 1 merupakan validasi hasil prediksi hujan sistem wavelet neural network dengan 55 Gambar 5 Grafik Perbandingan Prediksi Hujan Rata-rata per Hari Tahun 2009

Analisis perbandingan grafik hasil prediksi hujan per hari tahun 2009 dengan data aktual BMKG tahun 2009 dapat dilihat pada gambar 5. Gambar 5 menunjukkan perbandingan grafik hasil prediksi hujan per hari tahun 2009 dengan data aktual BMKG tahun 2009, dimana garis biru merupakan hasil prediksi dari sistem wavelet neural network dan garis merah merupakan data aktual tahun 2009. Untuk mengetahui keakuratan kinerja dari prediksi metode wavelet neural network pada tahun 2009, dapat dilihat dari nilai Root Mean Square Error (RMSE) berikut: RMSE wavelet neural network tahun 2009

RMSE

1 N t )2 ( yt y N t h y max y min
= 0,13806

PENGUJIAN METODE WAVELET NEURAL NETWORK PADA PREDIKSI HUJAN DATA RATA RATA PER HARI TAHUN 2010 Pengujian metode wavelet neural network pada prediksi hujan data rata-rata per hari tahun 2010 merupakan proses akhir dari validasi data aktual 2010 untuk mengetahui seberapa berapa persen keakuratan sistem wavelet neural network dalam memprediksi curah hujan ke depannya dengan cara membandingkan hasil prediksi dengan data aktual BMKG tahun 2010. Tabel 2 Validasi Hasil Prediksi Hujan Sistem Wavelet Neural Network dengan Keadaan Sebenarnya Tahun 2010

Tabel 2 menunjukkan perbandingan ketepatan prediksi sistem wavelet neural network tahun 2010. Dari 365 hari, untuk kondisi sebenarnya terdapat 222 hari kondisi cerah, 81 hari kondisi hujan ringan, 48 hari kondisi hujan sedang, 14 hari kondisi hujan lebat, dan tidak ada hari untuk kondisi hujan sangat lebat. Sedangkan hasil prediksi menunjukkan sebanyak 258 hari untuk kondisi cerah, 58 hari untuk kondisi hujan ringan, 32 hari untuk kondisi hujan sedang, 16 hari kondisi hujan lebat, dan 1 hari kondisi hujan sangat lebat. Jumlah hari benar sebanyak 233 hari dan tingkat keakuratan mencapai 63,83%. Jika dibandingkan hasil validasi tahun 2009 yang mencapai 81,09% dan hasil yang diperoleh dari prediksi wavelet neural network pada tahun 2010 yang hanya mencapai 63,83%, hal ini disebabkan karena iklim pada tahun 2010 mengalami kondisi cuaca ekstrim yaitu penyimpangan iklim yang memicu terjadinya hujan pada musim kemarau dimana pada April hingga Oktober tahun 2009 intensitas terjadinya hujan sebesar 24 hari sedangkan pada April hingga Oktober tahun 2010 intensitas terjadinya hujan sebesar 64 hari. Penyimpangan iklim ini disebabkan oleh peristiwa La Nina yang terjadi di Indonesia pada tahun 2010 . Pengaruh La Nina menyebabkan curah hujan di Indonesia meningkat pada saat musim kemarau serta menyebabkan majunya awal musim hujan. Pengaruh ENSO (El Nino/La Nina) di Indonesia di mulai pada bulan April dan akan mencapai puncak pada bulan Agustus dan September serta terus menurun sampai bulan November/Desember. Peningkatan curah hujan saat kejadian La Nina 1998 dan 2010 bisa mencapai di atas 300 % dari curah hujan normal [13].

Keakuratan (%) = (365 132) hari x 100% 365 hari = 233 hari x 100% 365 hari = 63,83 % 56 Gambar 6 Grafik Perbandingan Prediksi Hujan Rata-rata per Hari Tahun 2010

Gambar 6 menunjukkan perbandingan grafik hasil prediksi hujan per hari tahun 2010 dengan data aktual BMKG tahun 2010 dimana garis biru merupakan hasil prediksi dari sistem wavelet neural network dan garis merah merupakan data aktual tahun 2010. Untuk mengetahui keakuratan kinerja dari prediksi metode wavelet neural network pada tahun 2010 dapat dilihat dari nilai Root Mean Square Error (RMSE) berikut.

kondisi hujan sangat lebat. Sedangkan hasil prediksi menunjukkan sebanyak 205 hari untuk kondisi cerah, 85 hari untuk kondisi hujan ringan, 60 hari untuk kondisi hujan sedang, 14 hari kondisi hujan lebat, dan 1 hari kondisi hujan sangat lebat. Jumlah hari benar sebanyak 273 hari dan tingkat keakuratan mencapai 74,79%.

RMSE wavelet neural network tahun 2010

RMSE

1 N t )2 ( yt y N t h y max y min
= 0.1761

PENGUJIAN METODE WAVELET NEURAL NETWORK PADA PREDIKSI HUJAN DATA RATA RATA PER HARI TAHUN 2011 Pengujian metode wavelet neural network pada prediksi hujan data rata-rata per hari tahun 2011 merupakan proses akhir dari validasi data aktual 2011 untuk mengetahui seberapa berapa persen keakuratan sistem wavelet neural network dalam memprediksi curah hujan ke depannya dengan cara membandingkan hasil prediksi dengan data aktual BMKG tahun 2011. Tabel 3 Validasi Hasil Prediksi Hujan Sistem Wavelet Neural Network dengan Keadaan Sebenarnya Tahun 2011 Gambar 7 Grafik Perbandingan Prediksi Hujan Rata-rata per Hari Tahun 2011

Gambar 7 menunjukkan perbandingan grafik hasil prediksi hujan per hari tahun 2011 dengan data aktual BMKG tahun 2011 dimana garis biru merupakan hasil prediksi dari sistem wavelet neural network dan garis merah merupakan data aktual tahun 2011. Untuk mengetahui keakuratan kinerja dari prediksi metode wavelet neural network pada tahun 2011 dapat dilihat dari nilai Root Mean Square Error (RMSE) berikut.

RMSE wavelet neural network tahun 2011

Keakuratan (%) = (365 92) hari x 100% 365 hari = 273 hari x 100% 365 hari = 74,79% Tabel 3 menunjukkan perbandingan ketepatan prediksi sistem wavelet neural network tahun 2011. Dari 365 hari, untuk kondisi sebenarnya terdapat 246 hari kondisi cerah, 74 hari kondisi hujan ringan, 30 hari kondisi hujan sedang, 9 hari kondisi hujan lebat, dan 6 hari untuk 57

RMSE

1 N t )2 ( yt y N t h = 0.1755 y max y min

ANALISIS PREDIKSI CURAH HUJAN TAHUN 2012 MENGGUNAKAN METODE WAVELETNEURAL NETWORK Tabel berikut merupakan hasil prediksi curah hujan tahun 2012 menggunakan metode WaveletNeural Network :

Tabel 4. Analisis Prediksi Curah Hujan Tahun 2012

6. 7. Berdasarkan tabel diatas, metode prediksi WaveletNeural Network pada tahun 2012 memberikan kondisi hari cerah sebanyak 197 hari dan kondisi hujan sebanyak 168 hari. Pada prediksi curah hujan tahun 2012 belum dapat dilakukan validasi karena masih merupakan hasil prediksi terhadap kejadian yang akan datang (forcasting).

8.

tahun 2010. Pengaruh La Nina menyebabkan curah hujan di Indonesia meningkat pada saat musim kemarau serta menyebabkan majunya awal musim hujan. Validasi curah hujan tahun 2011 dengan metode wavelet neural network mencapai 74,79%. Pada prediksi tahun 2012 intensitas curah hujan semakin meningkat. Prediksi tahun 2011 memiliki 113 hari hujan dan prediksi tahun 2012 memiliki 168 hari hujan. Prediksi curah hujan menggunakan metode wavelet neural network lebih baik dibandingkan dengan prediksi yang hanya menggunakan neural network.

Prediksi Curah Hujan 01-Jan-12 Tahun 2012 02-Jan-12

03-Jan-12 04-Jan-12 05-Jan-12 06-Jan-12 07-Jan-12 08-Jan-12 09-Jan-12 10-Jan-12 11-Jan-12 Gambar 8 Grafik Prediksi Curah Hujan Tahun 2012 4. PENUTUP Dari penelitian yang telah dilakukan dalam prediksi hujan di wilayah Makassar dengan menggunakan metode wavelet neural network ini, maka dapat disimpulkan bahwa : 1. Validasi curah hujan tahun 2009 sebelum menggunakan metode wavelet (metode neural network) mencapai 67,12%. 2. Validasi curah hujan tahun 2009 dengan metode wavelet neural network mencapai 81,09%. 3. Wavelet memberikan kontribusi sebesar 13,97% dalam prediksi curah hujan tahun 2009. 4. Validasi curah hujan tahun 2010 dengan metode wavelet neural network mencapai 63,83%. 5. Kurangnya akurasi prediksi hujan tahun 2010 dibandingkan tahun 2009 disebabkan oleh peristiwa La Nina yang terjadi di Indonesia pada 58

4.1 SARAN 1. Penelitian ini masih perlu dilakukan pengembangan, maka dari itu perlu dilakukan penelitian lanjutan dengan menggunakan metode kepakaran yang lain seperti DTW, Genetic Algorithm atau mengkombinasikan metodemetode yang sudah diteliti dengan metodemetode yang lain. 2. Dalam pembuatan sistem prediksi Curah Hujan ini dengan metode wavelet neural network, ini sangat di pengaruhi oleh kecepatan angin. Jika terjadi penigkatan kecepatan angin yang tinggi maka prediksi hujan juga semakin bagus. 3. Penelitian ini masih perlu di lakukan pengembangan dengan menggunakan jenis wavelet yang lain seperti Coiflets, Symlets, Discrete Meyer, atau Morlet. Daftar Pustaka [1] [2] [3] [4] [5] Bayong Tjasyono HK. 2004.Klimatologi. Bandung. Penerbit:ITB Drs. Sarjani. Cuaca dan Iklim. Jakarta. 2005. Drs.Suryatna Rafis. 1995. Meteorologi dan Klimatologi. Penerbit: Angkasa Dra.Susilawati,M.Pd. Pokok-Pokok Klimatologi. Bandung. 2010 Ruminta. Pendugaan Curah Hujan Di Wilayah Sumatra Dengan Menggunakan Anfis. Institut Teknologi Bandung. 2001. Iqbal, Muhammad. 2009. Dasar Pengolahan Citra Menggunakan Matlab. Institut Pertanian Bogor. Hermawan, Arief. 2006. Jaringan Syaraf Tiruan Teori dan Aplikasi. Yogyakarta : Penerbit Andi. Kiki, Sri Kusumadewi. Analisis Jaringan Syaraf Tiruan dengan Metode Backpropagation Untuk Mendeteksi Gangguan Psikologi.

[6] [7] [8]

[9]

[10]

[11] [12] [13]

Hery Purnomo, Mauridhi ; Kurniawan, Agus. 2006. Supervised Neural Networks dan Aplikasinya. Yogyakarta : Graha Ilmu. Muhammad Arief Rahman Hakim. 2010. Wood Parket Classification based on GDLM testure Analysis With Backpropagation Method. Gunadarma Universty. Matlab help, neural network toolbox, mathworks inc. Regariana, Cut Meurah. Jakarta.2005. Atmosfer (Cuaca dan Iklim) Joko Wiratmo. 1998. La Nina dan El Nino. Bandung. Penerbit : ITB.

Acknowledment Terima kasih kepada tim peneliti hujan saudari Rozalina Amran dan Nurmalita Tentisari atas dukungan pada penelitian ini.

59