PREDIKSI CURAH HUJAN DI WILAYAH MAKASSAR MENGGUNAKAN METODE
GENETIC ALGORITHM-NEURAL NETWORK
Michael Palinggi Tambe (D41106099) dan Andarias Eno (D41107059)
Jurusan Teknik Elektro Fakultas Teknik Universitas Hasanuddin Makassar
Abstrak
Informasi tentang curah hujan sangat
berguna bagi berbagai bidang sehingga perlu
diadakan kajian tentang peramalan curah hujan.
Penelitian tentang prediksi curah hujan di wilayah
Makassar yang pernah dilakukan antara lain dengan
menggunakan metode Neural Network, yaitu dengan
metode Neural Network-Fuzzy Logic dan metode
Neural Network-Wavelet. Hasil prediksi dari kedua
metode tersebut masih memiliki error yang cukup
besar sehingga perlu dirancang suatu sisitem
prediksi curah hujan dengan metode kepakaran lain
yaitu metode Genetic Algorithm-Neural Network.
Data curah hujan harian yang diperoleh dari
BMKG (Badan Meteorologi, Klimatologi, dan
Geofisika). Dari data tersebut, dipilih empat variabel
yang dipakai untuk sistem prediksi Genetic
Algorithm-Neural Network yaitu kelembaban,
kecepatan angin, temperatur, dan curah hujan. Tiga
variabel input yaitu temperatur, kelembaban, dan
kecepatan angin diprediksi dengan metode Neural
Network-Backpropagation dan hasil dari prediksi
tiga variabel input tersebut akan menjadi input pada
metode Genetic Algorithm untuk memprediksi curah
hujan. Hasil prediksi metode Genetic Algorithm-
Neural Network kemudian dibandingkan dengan
hasil prediksi metode Neural Network-Fuzzy Logic
dan metode Neural Network-Wavelet.
Hasil validasi curah hujan dengan metode
Genetic Algorithm-Neural Network mencapai 85,2%
dengan RMSE sebesar 0.077318 pada tahun 2009,
dan 63.56% dengan RMSE sebesar 0.156827 pada
tahun 2010. Perbedaan hasil validasi tersebut
diakibatkan karena pada tahun 2010 terjadi cuaca
ekstrim dengan 53 hari hujan sedangkan pada tahun
2009 hanya terdapat 19 hari hujan. Setelah
dibandingkan dengan hasil prediksi metode Neural
Network-Fuzzy Logic dan metode Neural Network-
Wavelet, disimpulkan bahwa validasi curah hujan
dengan metode Genetic Algorithm-Neural Network
lebih baik dari metode Neural Network-Fuzzy Logic
dan metode Neural Network-Wavelet.
Kata Kunci: Genetic Algorithm; prediksi curah
hujan; Neural Network;
I. PENDAHULUAN
I.1. Latar Belakang
Informasi tentang curah hujan sangat
berguna bagi berbagai bidang seperti bidang
telekomunikasi, perhubungan, pertanian, tata
kota dan lain-lain untuk mengantisipasi
kemungkinan terjadinya peristiwa-peristiwa
ekstrim yang tidak diinginkan. Informasi
tentang curah hujan harus tersedia sebelum
suatu kegiatan dilaksanakan sehingga perlu
diadakan kajian tentang peramalan curah
hujan.
Salah satu metode untuk memprediksi
curah hujan ialah dengan menggunakan
teknologi di bidang Artificial Intellegence,
misalnya Neural Network. Berdasarkan
kemampuan belajar yang dimilikinya, maka
Neural Network dapat dilatih untuk
mempelajari dan menganalisa pola data masa
lalu dan berusaha mencari suatu formula
atau fungsi yang akan menghubungkan pola
data pada masa lalu tersebut dengan pola data
keluaran yang diinginkan pada saat ini dan
pola data masa depan.
Penelitian tentang prediksi curah
hujan di wilayah Makassar yang pernah
dilakukan dengan menggunakan metode
Neural Network yaitu dengan metode Neural
Network-Fuzzy Logic (Fika Christine,
Febriyati 2011), Berdasarkan penelitian ini,
hasil validasi predksi curah hujan tahun 2009
mencapai 82.19% dan hasil validasi tahun
2010 yang diperoleh hanya mencapai 61.64%.
Penelitian lainnya ialah dengan menggunakan
metode Neural Network-Wavelet (Yusita
Octavia, Erna Rahmadania 2011). Pada
penelitian ini, hasil validasi prediksi curah
hujan tahun 2009 mencapai 73,97% dan hasil
validasi tahun 2010 yang hanya mencapai
60,55%.
Oleh karena itu, dalam penelitian ini
digunakan metode Neural Network-Genetic
Algorithm dengan harapan dapat
menghasilkan prediksi hujan yang lebih baik
 dari kedua metode sebelumnya karena Genetic
Algorithm merupakan salah satu algoritma
optimasi yang berusaha mencari solusi yang
diinginkan melalui perbaikan-perbaikan dari
solusi-solusi yang telah diperoleh
sebelumnya.
I.2. Rumusan Masalah
Rumusan masalah yang akan diuraikan dalam
skripsi ini adalah:
a. Perlunya perancangan sistem prediksi
hujan harian di wilayah Makassar
menggunakan metode Neural Network-
Genetic Algorithm.
b. Perlunya dilakukan perbandingan antara
metode Neural Network-Fuzzy Logic,
metode Neural Network-Wavelet, dan
metode Neural Network-Genetic
Algorithm untuk mengetahui yang mana
dari ketiga metode tersebut yang paling
cocok dipakai untuk memprediksi curah
hujan di wilayah Makassar.
I.3 Tujuan Penelitian
Tujuan dari penelitian ini adalah:
a. Membuat sistem prediksi hujan harian di
wilayah Makassar dengan metode Neural
Network-Genetic Algorithm.
b. Membandingkan hasil prediksi curah
hujan metode Neural Network-Genetic
Algorithm dengan hasil prediksi metode
Neural Network-Fuzzy Logic, dan metode
Neural Network-Wavelet.
I.4 Batasan Masalah
Beberapa batasan masalah yang
terdapat pada skripsi ini adalah :
1. Variabel yang digunakan sebagai input
adalah temperatur, kecepatan angin,
kelembaban dan variabel output (data
target) yang dihasilkan yaitu tingkat
curah hujan.
2. Memprediksi variabel input dengan
Neural Network.
3. Memprediksi curah hujan menggunakan
Genetic Algorithm-Neural Network.
4. Sistem simulasi dirancang dengan
menggunakan software Matlab7.6.
5. Membandingkan hasil prediksi curah
hujan antara metode Neural Network-
Genetic Algorithm dengan hasil prediksi
metode Neural Network-Fuzzy Logic, dan
metode Neural Network-Wavelet.
I.5 Metodologi Penelitian
1. Studi Literatur
Studi literatur yang digunakan
antara lain pengumpulan literatur yang
menunjang tujuan penelitian yang dicapai
meliputi literatur dari buku referensi,
jurnal, dan internet.
2. Pengumpulan Data
Pengambilan data berdasarkan
hasil pengukuran di tempat penelitian
dari Badan Meteorologi, Klimatologi dan
Geofisika (BMKG).
3. Pengolahan dan Analisis Data.
Hasil pengujian yang berupa data
hasil prediksi dibandingkan dengan data
real dari BMKG untuk memperoleh
keakuratan sistem prediksi curah hujan
dengan metode Neural Networ k- Genetic
Algorithm, kemudian
membandingkannya dengan hasil
prediksi metode Neural Network-Fuzzy
Logic, dan metode Neural Network-
Wavelet.
4. Kesimpulan.
Setelah melakukan prediksi curah
hujan dan membandingkan hasilnya
maka dibuat kesimpulan dari hasil
penelitian tentang prediksi curah hujan
dengan metode Neural Network-Genetic
Algorithm ini.
5. Penulisan Laporan.
II. UNSUR-UNSUR CUACA, METODE
NEURAL NETWOK, DAN METODE
GENETIC ALGORITHM.
II.1. Unsur-Unsur Cuaca
Hujan adalah proses kondensasi uap
air di atmosfer menjadi butiran air yang cukup
berat sehingga jatuh ke bumi[1]. Intensitas
hujan adalah banyaknya curah hujan
persatuan jangka waktu tertentu[1]. Curah
hujan yaitu jumlah air hujan yang turun pada
suatu daerah dalam waktu tertentu[1]. Alat
untuk mengukur banyaknya curah hujan
disebut rain gauge. Curah hujan dapat diukur
dalam harian, bulanan, dan tahunan.
Temperatur adalah ukuran panas-
dinginnya suatu benda[1]. Panas-dinginnya
 suatu benda berkaitan dengan energi termis
yang terkandung dalam benda tersebut. Makin
besar energi termisnya, makin besar
temperaturnya. Temperatur di bumi
dipengaruhi oleh pemanasan matahari.
Kelembaban udara adalah tingkat
kebasahan udara karena dalam udara, air
selalu terkandung dalam bentuk uap air[1].
Kandungan uap air dalam udara hangat lebih
banyak daripada kandungan uap air dalam
udara dingin.
Tekanan udara merupakan tenaga
yang bekerja untuk menggerakkan massa
udara dalam setiap satuan luas tertentu[1].
Tekanan udara diukur dengan menggunakan
barometer. Satuan tekanan udara adalah
milibar (mb). Garis yang menghubungkan
tempat-tempat yang sama tekanan udaranya
disebut sebagai isobar.
Angin yaitu udara yang bergerak yang
diakibatkan oleh rotasi bumi dan juga karena
adanya perbedaan tekanan udara (tekanan
tinggi ke tekanan rendah) di sekitarnya[1].
Angin merupakan udara yang bergerak dari
tekanan tinggi ke tekanan rendah atau dari
suhu udara yang rendah ke suhu udara yang
tinggi.
II.2. Pola Hujan di Indonesia
Menurut Dr. Edvin Aldrian, pola
dari masing-masing tipe hujan seperti pada
gambar berikut:
Gambar 2.1. Grafik tipe curah hujan di
Indonesia[3]
Region atau daerah A, pola curah
hujannya berbentuk huruf U (paling kiri),
sedang pola Region B, pola curah hujannya
berbentuk huruf M (tengah) dengan dua
puncak curah hujan. Sedangkan pola Region
C berbentuk huruf U terbalik (kanan) atau
berkebalikan dengan Region A. Garis merah
merupakan curah hujan dalam milimeter
sedangkan garis hitam merupakan deviasinya.
Rata-rata curah hujan di Indonesia
untuk setiap tahunnya tidak sama. Namun
masih tergolong cukup banyak, yaitu rata-rata
2000–3000 mm/tahun. Begitu pula antara
tempat yang satu dengan tempat yang lain
rata-rata curah hujannya tidak sama.
Gambar berikut adalah peta curah
hujan untuk pulau Sulawesi pada tahun 1970-
2004 sebagai acuan dalam penelitian ini yang
menggunakan kota Makassar sebagai objek
penelitian.
Gambar 2.2. Grafik Tipe Curah Hujan di
Sulawesi[4]
Berdasarkan gambar 2.2., dapat
dilihat bahwa di kota Makassar memiliki
tingkat curah hujan sebesar 3000-3500
mm/tahun.
Di wilayah Makassar, analisis
pergeseran musim telah dilakukan oleh
Nasrullah (2009), analisis dilakukan pada
zona musim (ZOM) 184 (Wilayah Barru,
Maros, dan Makassar). Awal datangnya
musim hujan dan kemarau di zona musim
(ZOM) 184 tersebut mengalami pergeseran.
Bila dibandingkan dengan periode tahun
1971-2000, pada periode berikutnya (2001-
2007) awal musim kemarau terjadi lebih
lambat (mundur) sekitar 20 hari. Demikian
 halnya dengan awal musim hujan yang
mengalami mundur sekitar 20 hari pada
periode kedua (1971-2000) dibandingkan
dengan periode pertama (2001-2007).
II.3. Jaringan Syaraf Tiruan (Neural Network)
Jaringan Syaraf Tiruan pertama kali
secara sederhana diperkenalkan oleh
McCulloch dan Pitts pada tahun 1943.
McCulloch dan Pitts menyimpulkan bahwa
kombinasi beberapa neuron sederhana
menjadi sebuah sistem neural akan
meningkatkan kemampuan komputasinya[6].
Jaringan Saraf Tiruan (JST) atau
disebut juga dengan Neural Network (NN),
adalah sistem pemroses informasi yang
memiliki karakteristik mirip dengan jaringan
syaraf biologi (jaringan saraf manusia)[6].
Jaringan syaraf tiruan merupakan sistem
adaptif yang dapat merubah strukturnya untuk
memecahkan masalah berdasarkan informasi
eksternal maupun internal yang mengalir
melalui jaringan tersebut. Secara sederhana,
JST adalah sebuah alat pemodelan data
statistik non-linier. JST dapat digunakan
untuk memodelkan hubungan yang kompleks
antara input dan output untuk menemukan
pola-pola pada data.
Backpropagation melatih jaringan
untuk mendapatkan keseimbangan antara
kemampuan jaringan untuk mengenali pola
yang digunakan selama pelatihan serta
kemampuan jaringan untuk memberikan
respon yang benar terhadap pola masukan
yang serupa (tapi tidak sama) dengan pola
yang dipakai selama pelatihan. Pelatihan
jaringan dengan backpropagation meliputi
tiga tahap yaitu umpan maju (feedforward)
dari pola input, penghitungan dan propagasi
balik dari error dan penyesuaian bobot.
Dalam jaringan syaraf tiruan terdapat
konsep belajar atau pelatihan. Sehingga
jaringan-jaringan yang dibentuk akan belajar
melakukan generalisasi karakteristik tingkah
laku objek. Algoritma pelatihan artinya
membentuk pemetaan (fungsi) yang
menggambarkan hubungan antara vektor
masukan dan vektor keluaran. Biasanya
diberikan contoh yang cukup penting dalam
membangun pemetaan tersebut. Walaupun
untuk pasangan masukan keluaran yang
belum pernah digambarkan sebelumnya.
Dalam menyelesaikan suatu permasalahan,
jaringan syaraf tiruan memerlukan algoritma
belajar atau pelatihan yaitu bagaimana sebuah
konfigurasi jaringan dapat dilatih untuk
mempelajari data historis yang ada. Dengan
pelatihan ini, pengetahuan yang terdapat pada
data dapat diserap dan direpresentasikan oleh
nilai-nilai bobot koneksinya.
II.4. Algoritma Genetik (Genetic Algorithm)
Algoritma Genetik pertama kali
ditemukan di Universitas Michigan, Amerika
Serikat oleh John Holland (1975).
Kemunculan Algoritma Genetik terinspirasi
oleh teori-teori dalam ilmu biologi, sehingga
banyak istilah dan konsep biologi yang
dipakai dalam Algoritma Genetik. Sesuai
dengan namanya, proses-proses yang terjadi
dalam Algoritma Genetik sama dengan apa
yang terjadi pada evolusi biologi[9].
Pada algoritma genetik, teknik
pencarian solusi terbaik dilakukan sekaligus
pada sejumlah solusi yang dikenal dengan
istilah populasi. Individu yang terdapat dalam
satu populasi disebut dengan istilah
kromosom. Kromosom ini merupakan suatu
solusi yang masih berbentuk simbol. Populasi
awal dibangun secara acak, sedangkan
populasi berikutnya merupakan hasil evolusi
kromosom-kromosom melalui iterasi yang
disebut dengan generasi. Pada setiap generasi,
kromosom akan melalui proses evaluasi
dengan menggunakan alat ukur yang disebut
dengan fungsi fitness. Nilai fitness dari suatu
kromosom akan menunjukkan kualitas dari
kromosom dalam populasi tersebut.
Generasi berikutnya dikenal dengan
istilah anak (offspring) terbentuk dari
gabungan dua kromosom generasi sekarang
yang bertindak sebagai induk (parent) dengan
menggunakan operator pindah silang. Selain
operator pindah silang, suatu kromosom dapat
juga dimodi fikasi dengan menggunakan
operator mutasi. Populasi generasi yang baru
dibentuk dengan cara menyeleksi nilai fitness
dari kromosom induk dan nilai fitness dari
kromosom anak, serta membuang kromosom-
kromosom yang lainnya sehingga ukuran
populasi (jumlah kromosom dalam suatu
populasi) konstan. Setelah melalui beberapa
 generasi, maka algoritma ini akan konvergen
ke kromosom terbaik.

II.5. Redaman Hujan

Redaman hujan merupakan faktor

utama yang sangat mempengaruhi propagasi
pada komunikasi satelit dengan bumi.
Redaman ini juga sangat dipengaruhi oleh
frekuensi yang akan digunakan sebab semakin
besar frekuensi maka akan semakin besar pula
redamannya. Parameter penting yang
dibutuhkan di dalam menghitung redaman ini
adalah curah hujan yang akan terjadi pada
daerah yang akan dihitung redamannya serta
ketinggian daratan diukur dari permukaan Gambar 3.1. Alur Penelitian
laut. Besar curah hujan ini dapat di cari dari
model yang digunakan untuk menghitung
curah hujan tersebut ataupun dari hasil
pengukuran.

Hujan dapat menghasilkan

perubahan polarisasi gelombang radio yang
ditransmitkan. Hasilnya akan meningkatkan
nilai interferensi Cross Polarisasi pada sistem
frekuensi reuse. Hujan tidak hanya meredam
sinyal yang ditransmitkan, juga meningkatkan
noise temperatur sky yang ditangkap oleh
antena penerima stasiun bumi.
Indonesia oleh International
Telecommunications Union - ITU
digolongkan sebagai region P, di mana
intensitas hujannya termasuk sangat tinggi.
Intensitas hujan yang mengakibatkan link-
komunikasi putus sebesar 0.01% per tahun di
Indonesia adalah sebesar 145 mm/h, demikian
versi ITU[13]. Untuk menghitung redaman
hujan digunakan rekomendasi menurut ITU-R
P. 618-9.

III. PERANCANGAN SISTEM PREDIKSI

HUJAN DENGAN METODE GENETIC
ALGORITHM-NEURAL NETWORK.
Langkah-langkah
selengkapnya digambarkan pada flowchart
berikut:
Gambar 3.2. Flowchart Perancangan Sistem
Genetic Algorithm-Neural
Network.
penelitian
Setelah mendapatkan hasil prediksi
curah hujan tahun 2012, data tersebut
kemudian digunakan untuk menghitung
besarnya redaman hujan pada sistem
komunikasi satelit. Adapun model yang
digunakan untuk menghitung besar redaman
hujan ini adalah menggunakan metode ITU-R.
Cara untuk menghitung redaman hujan adalah
dengan menggunakan rekomendasi ITU-R P.
618-9.
IV. ANALISIS DAN PEMBAHASAN
Berikut ini adalah contoh pelatihan dan
pengujian temperatur untuk bulan Maret.
Gambar 4.1. Grafik Perbandingan Pelatihan
Temperatur Bulan Maret 2009
Gambar 4.1. merupakan hasil pelatihan
Neural Network temperatur pada bulan Maret
2009 yang dibandingkan dengan data real
bulan Maret 2009. Hasil pelatihan Neural
Network ini memiliki persentase kebenaran
hingga 87.1% dengan performansi (RMSE)
sebesar 0.0071.
Setelah didapatkan hasil prediksi setiap
variable input (temperatur, kelembaban,dan
kecepatan angin), maka data–data tersebut
kemudian dimasukkan ke sistem Genetic
Algorithm untuk diproses agar dihasilkan nilai
prediksi hujan. Berikut ini adalah contoh
prediksi curah hujan bulan Januari 2009
dengan metode Genetic Algorithm.
Gambar 4.2. Perbandingan Data Real dengan
Hasil Prediksi Curah Hujan
Bulan Januari 2009 dengan
Metode Genetic Algorithm-
Neural Network
Nilai MSE yang dihasilkan dengan
metode Genetic Algorithm-Neural Network
adalah sebesar 0.0092, dengan demikian error
antara target dengan prediksi semakin kecil.
Dengan menggunakan net hasil
pelatihan pada sistem Genetic Algorithm-
Neural Network, curah hujan pada bulan
Januari 2010 akan diprediksi setelah ketiga
variabel input (kelembaban, temperatur,
kecepatan angin) terlebih dahulu diprediksi
dengan menggunakan net hasil pelatihan
masing-masing parameter pada tahun
sebelumnya.
Gambar 4.3. Perbandingan Data Real dengan
Hasil Prediksi Curah Hujan
Bulan Januari 2010 dengan
Metode Genetic Algorithm-
Neural Network
Pada hasil prediksi curah hujan bulan
Januari 2010, diperoleh kesalahan yang cukup
besar dibandingkan dengan hasil prediksi
2009. Hal ini disebabkan oleh perbedaan pola
hujan antara tahun 2009 dengan 2010, dimana
pada tahun 2010 pola hujan lebih rumit
dibandingkan dengan tahun 2009 yang pola
curah hujannya teratur. Perbedaan pola hujan
tersebut diakibatkan karena iklim pada tahun
2010 mengalami kondisi cuaca ekstrim yaitu
penyimpangan iklim yang memicu terjadinya
perbedaan pola hujan dengan tahun-tahun
sebelumnya.

Gambar 4.4. Hasil Prediksi Curah Hujan
Rata–Rata Per Hari Tahun 2012
Dari gambar 4.4., dapat dilihat bahwa
pada tahun 2012, musim hujan terjadi pada
bulan Januari, bulan Februari, bulan
November dan bulan Desember, curah hujan
tertinggi terjadi pada bulan November
sementara musim kemarau terjadi pada
pertengahan tahun.
Gambar 4.5. Grafik Perbandingan Hasil
Prediksi Curah Hujan Bulan
Januari 2009 dengan Metode
NN-GA, Metode NN-Fuzzy, dan
Metode NN-Wavelet
Gambar 4.5., menunjukkan
perbandingan antara hasil prediksi curah
hujan pada bulan Januari 2009 dengan data
real BMKG bulan Januari 2009. Dari grafik
terlihat jelas bahwa hasil prediksi metode NN-
GA lebih baik dibandingkan dengan hasil
prediksi metode NN-Fuzzy dan prediksi
metode NN-Wavelet, dimana pada metode
NN-GA, jumlah hari benar adalah sebanyak
18 hari dengan keakuratan sebesar 58.06%
sedangkan pada metode NN-Fuzzy jumlah
hari benar hanya sebanyak 10 hari dengan
keakuratan sebesar 32.25%, sementara untuk
metode NN-Wavelet diperoleh jumlah hari
benar sebanyak 9 hari dengan keakuratan
sebesar 29.03%.
Gambar 4.6. Grafik Perbandingan Hasil
Prediksi Curah Hujan Bulan
Januari 2010 dengan Metode
NN-GA, Metode NN-Fuzzy, dan
Metode NN-Wavelet
Gambar 4.6., menunjukkan
perbandingan antara hasil prediksi curah
hujan pada bulan Januari 2010 dengan data
real BMKG bulan Januari 2010. Pada prediksi
curah hujan bulan Januari 2010, jumlah hari
benar untuk metode NN-GA adalah sebanyak
19 hari dengan keakuratan sebesar 61.29%
sedangkan pada metode NN-Fuzzy jumlah
hari benar hanya sebanyak 12 hari dengan
keakuratan sebesar 38.70%, sementara metode
NN-Wavelet menghasilkan jumlah hari benar
sebanyak 9 hari dengan keakuratan sebesar
29.03%.
Hasil prediksi curah hujan yang
diperoleh dengan Metode Genetic Algorithm-
Neural Network selanjutnya dipakai untuk
menghitung redaman yang terjadi pada sistem
komunikasi satelit (Satelit WINDS) dengan
menggunakan rumus ITU-R P.839-3 sehingga
diperoleh hasil seperti yang terlampir pada
tabel berikut.
 NN-Wavelet dengan keakuratan sebesar
73.97%. Pada tahun 2010, hasil prediksi
dengan metode NN-GA memiliki
keakuratan sebesar 63.56%, nilai ini lebih
besar dibandingkan dengan hasil yang
diperoleh metode NN-Fuzzy dengan
keakuratan sebesar 61.64% dan metode
NN-Wavelet dengan keakuratan sebesar
60.55%.
5. Curah hujan dan Frekuensi mempengaruhi
besar redaman hujan. Semakin besar curah
hujan dan semakin tinggi Frekuensi yang
Tabel 4.1. Redaman Hujan Setiap Bulan Pada digunakan maka Redaman Hujan akan
Tahun 2012 semakin besar.
Tabel di atas menunjukan redaman DAFTAR PUSTAKA
hujan pada tahun 2012 untuk arah uplink dan
downlink. Dapat dilihat bahwa semakin besar [1] Kristian. Harry, Patra Paulus. Prediksi Curah
curah hujan maka semakin besar pula Hujan Menggunakan Autoregressive
redaman hujan yang terjadi.Semakin tinggi Integrated Moving Average (ARIMA) Dan
frekuensi yang digunakan maka semakin ANALISIS REGRESI BERGANDA.
besar pula redamannya. Dengan demikian Jurusan Teknik Elektro Unhas, Tugas Akhir.
dapat disimpulkan bahwa redaman hujan 2011.
dipengaruhi oleh curah hujan dan frekuensi [2]
yang digunakan. http://www.google.co.id/imgres?q=prose
s+terjadinya+hujan, diakses pada tanggal
V. KESIMPULAN 9 Januari 2012.
1. Validasi hasil prediksi curah hujan tahun [3] Adrian. Edvin. Simulation of Indonesian
2009 dengan metode Genetic Algorithm- Raindfall with a Hierarchy of Climste
Neural Network terhadap data real BMKG Models. Max Planck Institute for
mencapai 85.20%. Meteorology. Dissertation. 2003.
2. Validasi hasil prediksi curah hujan tahun http://ediss.sub.uni-
2010 dengan metode Genetic Algorithm- hamburg.de/volltexte/2004/1090/pdf/dissertati
Neural Network terhadap data real BMKG on.pdf. diakses pada tanggal 12 Januari 2012.
mencapai 63.56%. [4]
3. Kurangnya akurasi prediksi hujan tahun https://docs.google.com/present/view?id=dg
2010 dibandingkan tahun 2009 disebabkan njdcv4_1106c93jk8h2, diakses pada tanggal
karena iklim pada tahun 2010 mengalami 15 Januari 2012.
kondisi cuaca ekstrim yaitu penyimpangan [5] Nasrullah.“Perubahan iklim dan trend data
iklim yang memicu terjadinya hujan pada iklim”. 2009.
musim kemarau. [6] Siang, JJ. “Jaringan Syaraf Tiruan Dan
4. Berdasarkan perhitungan RMSE dan Pemrogramannya Menggunakan Matlab”.
persentase keakuratan, prediksi curah Yogyakarta: Andi Yogyakarta. 2005.
hujan menggunakan metode Genetic [7] Warsito, Budi “Prediksi Curah Hujan Kota
Algorithm-Neural Network lebih baik Semarang menggunakan FeedForward
dibandingkan dengan prediksi yang Neural Network menggunakan Algoritma
menggunakan metode Neural Network- Quasi Newton BFGS dan Levenberg-
Fuzzy Logic dan Neural Network-Wavelet. Marquard”. Program Studi Teknik
Hal ini dapat dilihat dari hasil prediksi Lingkungan Undip, Tugas Akhir. 2007.
pada tahun 2009, metode NN-GA memiliki [8] Febriyati, Fikha Christine. Prediksi
keakuratan sebesar 85.2%, nilai ini lebih Intensitas Hujan Berbasis Fuzzy Logic Dan
besar dibandingkan dengan hasil yang Pengaruh Redaman Hujan Pada Sistem
diperoleh metode NN-Fuzzy dengan Komunikasi LMDS Wilayah Makassar.
keakuratan sebesar 82.19% dan metode
 Jurusan Teknik Elektro Unhas, Tugas Akhir.
2011.
[9] Fahmi, Yasin. “PERAMALAN NILAI
HARGA SAHAM MENGGUNAKAN
JARINGAN SYARAF TIRUAN DAN
ALGORITMA GENETIK”. Jurusan Teknik
Industri UII Yogyakarta, Tugas Akhir. 2011.
[10] Sanjoyo. “Aplikasi Algoritma Genetika”.
Juni 2009.
[11] Noertjahyana, A & Yulia. “Studi Analisa
Pelatihan Jaringan Saraf Tiruan Dengan
Dan Tanpa Algoritma Genetika.
Surabaya”. Universitas Kristen Petra. 2004.
[12] Yusita Octavia dan Erna Rahmadania
“Prediksi Hujan Di Wilayah Makassar
Dengan Menggunakan Metode Wavelet
Neural Network”. Jurusan Teknik Elektro
Unhas, Tugas Akhir. 2011.
[13] Widodo, Prima Setiyanto. Sudah Waktunya
Menggunakan Ku-Band di Indonesia.
Online Journal of Space Communication.
Journal. 2005.
http://spacejournal.ohio.edu/issue8/pers_setiy
anto_indo.html, diakses pada tanggal 22
Februari 2012.