ABSTRAK
Curah hujan sangat berpengaruh bagi keberlangsungan kehidupan makhluk hidup
untuk melakukan aktifitas sehari-hari khususnya penduduk di Kota
Tanjungpinang. Pada penelitian ini penulis memprediksi curah hujan berdasarkan
730 data curah hujan harian dari tahun 2014-2015 yang diperoleh dari kantor
BMKG Kota Tanjungpinang. Prediksi ini menggunakan empat variabel yaitu
suhu, kelembaban udara, tekanan udara, dan kecepatan angin, dengan
menggunakan metode learning vector quantization (LVQ) untuk memprediksi
curah hujan di Kota Tanjungpinang. Hasil penelitian menunjukkan penggunaan
data training 75% dan testing 25% dengan alfa 0.05 epoh 20 dan minalfa 0,001
memperoleh nilai akurasi terbaik 81.52%.
Kata Kunci : Curah Hujan, learning vector quantization, Kota Tanjungpinang
PENDAHULUAN
Kota Tanjungpinang memiliki intensitas curah hujan dan kemarau yang tinggi.
Kondisi cuaca seperti ini sangat mempengaruhi aktifitas penduduk Kota
Tanjungpinang dalam berbagai bidang seperti bidang pertanian, peternakan,
industri dan lainnya. Salah satu cuaca yang sedikit menghambat aktifitas
penduduk Kota Tanjungpinang adalah pengaruh curah hujan yang tidak dapat
diperkirakan dengan peramalan tradisional.
Curah hujan itu sendiri sangat berpengaruh bagi keberlangsungan kehidupan
makhluk hidup, kondisi cuaca yang stabil sangat dibutuhkan penduduk Kota
Tanjungpinang untuk melakukan aktifitas sehari-hari. Maka dari itu prediksi curah
hujan sangat dibutuhkan untuk mengetahui tingkat curah hujan diwaktu yang akan
datang.
Untuk memprediksi curah hujan tersebut di butuhkan beberapa data diantaranya
suhu, kecepatan angin, tekanan udara dan kelembaban udara. Pada penelitian ini
data curah hujan yang di gunakan adalah data harian dari tahun 2014 dan 2015
yang di peroleh dari kantor BMKG Kota Tanjungpinang. Setelah data terkumpul
maka akan di lakukan pemodelan prediksi curah hujan menggunakan metode
Learning Vector Quantization.
BAHAN DAN METODE
Lokasi penelitian dalam menerapkan metode learning vector quantization adalah
kantor BMKG Kota Tanjungpinang. Fokus penelitian pada sistem ini adalah
dengan menerapkan metode learning vector quantization untuk memprediksi
curah hujan di Kota Tanjungpinang dengan menggunakan beberapa variabel
diantaranya suhu, kelembaban udara, tekanan udara dan kecepatan angin. Data
yang digunakan pada penelitian ini yaitu data harian dari tahun 2014 sampai tahun
2015 yang diperoleh dari kantor BMKG Kota Tanjungpinang.
(BMKG, 2013) Curah hujan adalah ketinggian air hujan yang terkumpul dalam
penakar hujan pada tempat yang datar, tidak menyerap, tidak meresap, dan tidak
mengalir. Unsur hujan 1 (satu) millimeter artinya dalam luasan satu meter per segi
pada tempat yang datar tertampung air hujan setinggi satu millimeter atau
tertampung air hujan sebanyak satu liter. Sifat hujan adalah perbandingan antara
jumlah curah hujan yang terjadi selama satu periode dengan nilai rata-rata atau
normal di suatu tempat. Sifat hujan di bagi menjadi tiga kriteria yaitu diatas
normal, normal, di bawah normal.
Sifat hujan dibagi menjadi 3 (tiga) katagori, yaitu :
Tabel 1.Sifat Hujan
Normalisasi Data
X0 − Xmin
Xn = (1)
Xmax − Xmin
Akurasi
Andri (2012) Pengukuran akurasi sistem dapat dihitung dengan persamaan berikut
:
Jumlah target yang sama
Akurasi=(
Jumlah seluruh data
x 100%) (2)
α = α – (0,1 * α) (6)
Tabel 1. Data Nornalisasi Curah Hujan Beserta Target
X1 X2 X3 X4 Y T
Kelembaban Kecepatan
Suhu Tekanan Udara Curah Hujan Target
Udara Angin
(Celcius) (%) (mb) (knot) (mm)
6
0.68 0.8977 0.6250 0.1311 0.3750 0.0000 1 1 Sama
18
7 0.9318 0.6250 0.1639 0.8750 0.0000 1 1 Sama
… … … … … … … … …
0.54
10
180 0.7727 0.7292 0.8688 0.6250 0.0000 1 1 Sama
182
0.37 0.7500 0.7917 0.8361 0.6250 0.0780 2 1 Tidak
50
183 0.8636 0.6667 0.7377 0.7500 0.0050 1 1 Sama
0.80
68 KESIMPULAN
0.62
50
0.00
00
DAFTAR PUSTAKA
Andri, 2012, “Implementasi Segmentasi Citra dan Algoritma Learning Vector
Quantization (LVQ) Dalam Pengenalan Bentuk Botol” ISSN. 1412-0100, STMIK
Mikroskil, Medan.
Arisandi, D., Situmpul, O.S., dan Batubara, E.A., 2015, “Learning Vector Quantization
untuk Prediksi untuk Produksi Kelapa Sawit pada PT. Perkebunan Nusantara 1
Pulau Tiga”, Prosiding Seminar Ilmiah Nasional Teknologi Komputer
(SENATKOM 2015), Universitas Sumatera Utara, Padang.
Badan Meteorologi Klimatologi dan Geofisika, Daftar Istilah Klimatologi,
http://balai3.denpasar.bmkg.co.id/daftar-istilah-musim, 11 Maret 2017.
BPS, 2016, “Statistik Year Book Of Indonesia 2016”, Badan Pusat Statistik, Jakarta.
Budianita, E., dan Arni, U.D., 2015, “Penerapan Learning Vector Quantization Penentuan
Bidang Konsentrasi Tugas Akhir (Studi Kasus : Mahasiswa Teknik Informatika
UIN Suska Riau)”, Jurnal CoreIT, UIN, Pekanbaru.
Dillak, R.Y., Pangestuti, D.M., Bintiri, M.G., 2012, “Klasifikasi Jenis Musik Berdasarkan
File Audio Menggunakan Jaringan Syaraf Tiruan Learning Vector Quantization”,
Seminar Nasional Informatika 2012, AMIKOM, Yokyakarta.
Feng, Y., dan Zhao, C., 2013, “Application of Learning Vector Quantization Neural
Network in the Financial Failure Prediction”, An Indian Journal, Xinzhou
Teachers University, China.
Hidayat, R., dan Suprapto, 2012, “Meminimalisasi Nilai Error Peramalan dengan
Algoritma Extreme Learning Machine”, Jurnal Optimasi Sistem Industri, Vol. 11
No. 1, April 2012 : 187-192
Kusumadewi, Sri., 2004, ”Jaringan Syaraf Tiruan Menggunakan MATLAB dan EXCEL
LINK”,Graha Ilmu, Yogjakarta.
Leleury, Z.A., dan Aulele, S.N., 2016, “Perancangan Sistem Diagnosa Penyakit Saluran
Pernapasan Menggunakan Metode Learning Vector Organization (LVQ)”, Jurnal
Informatika Integratif, Unpatti, Ambon.
Meliawati, R., Soesanto, O., dan Kartini, D., 2016, Penerapan Metode Learning Vector
Quantization (LVQ) pada Prediksi Jurusan di SMA PGRI Banjarbaru”, Kumpulan
Jurnal Ilmu Komputer (KLIK), UNLAM, Kalimantan Selatan.
Mahrina, T., 2014.” Analisis Perbandingan Backpropagation dengan Learning Vector
Quantization (LVQ) untuk Memprediksi Curah Hujan di Kota Medan”, Tesis,
Universitas Sumatra Utara, Medan.
Mustaqbal, M.S., Firdaus, R.F., dan Rahmadi, H., 2015, “Pengujian Aplikasi
Menggunakan Black Box Testing Boundari Value Analysis (Studi Kasus : Aplikasi
Prediksi Kelulusan SNMPTN)”, Jurmal Ilmiah Teknologi Informasi Terapan,
Universitas Widyatama, Bandung.
Nurkhozin, A., 2011. “Komparasi Hasil Klasifikasi Penyakit Diabetes Mellitus
Menggunakan Jaringan Syaraf Tiruan Backpropagation dan 104 Learning Vector
Quantization”, Prosiding Seminar Nasional Penelitian,
Pendidikan dan Penerapan FMIPA UNY. 14 Mei 2011.
Yousef, A., dan Charkari N.M., 2013, “A novel method based on new adaptive
LVQ neural network for predicting protein-protein interactions from protein
sequences” Journal of Theoretical Biology, Tarbiat Modares University,Iran