Prediksi Curah Hujan Menggunakan Metode Learning Vector Quantization

(Studi Kasus : Kota Tanjungpinang)

Lisa Rosmala, Martaleli Bettiza, Nola Ritha

lisaaarosmala@gmail.com, mbettiza@umrah.ac.id, nola_ritha@yahoo.com
Program Studi Teknik Informatika, Fakultas Teknik, Universitas Maritim Raja Ali
Haji

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

No Kategori Nilai terhadap rata-rata

1 Bawah Normal < 85%

2 Normal 85% - 115%

3 Atas Normal >115%

(Mahrina, 2014) Kemudian untuk menentukan target akan di jelaskan di bawah

ini :
a. Menentukan target sifat hujan di bawah normal (diinisialisasikan “1”) : <85%
85
dengan cara, 100x nilai rata-rata.
b. Menentukan target sifat hujan normal (diinisialisasikan “2”): Antara 85% -
115%.
c. Menentukan target sifat hujan diatas normal (diinisialisasikan “3”) : >115%
115
dengan cara, 100x nilai rata-rata.

Normalisasi Data

Hidayat (2012) normalisasi data merupakan sebuah teknik untuk

mengorganisasikan data ke dalam tabel-tabel untuk memenuhi kebutuhan pemakai
di dalam suatu organisasi. Data-data yang ada di lakukan normalisasi dengan
membagi nilai data tersebut dengan nilai range data ( nilai data maximum – nilai
data minimum). Adapun rumusnya sebagai berikut :

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)

Learning Vector Quantization (LVQ)

LVQ adalah jaringan single layer yang terdiri dari dua lapisan yaitu lapisan input
dan output (Nurkhozin, dkk, 2011).
Menurut Kusumadewi (2004), learning vector quantization(LVQ) adalah suatu
metode untuk melakukan pelatihan terhadap lapisan-lapisan kompetitip yang
terawasi.
Kusumadewi (2004) menyatakan ada beberapa langkah yang harus dilakukan
pada perhitungan Learning Vector Quantization. Langkah-langkah tersebut
akan dipaparkan dibawah:
0. Tetapkan :
a. Bobot awal variabel input ke-j menuju ke kelas ke-I Wij, dengan i=1, 2,…K;
dan j=1, 2,…,m.
b. Maksimum epoh : MaxEpoh
c. Parameter learning rate : α
d. Pengurangan learning rate : Decα
e. Minimal learning rate yang diperbolehkan : Minα
1. Masukkan :
a. Data input : Xij ; Dengan i= 1, 2,…,n dan j= 1, 2,…,m.
b. Target berupa kelas: T; Dengan k=1, 2,…,n.
2. Tetapkan kondisi awal: epoh=0.
3. Kerjakan jika: (epoh ≤ MaxEpoh) dan (α ≥ Minα)
a. Epoh = epoh + 1;
b. Kerjakan untuk i=1 sampai n
i. Tentukan J sedemikian hingga |Xi – Wj | minimum; Dengan j=1,2,…,K.
2 2 2
√(𝑥𝑖 − 𝑤𝑗 ) + (𝑥𝑖2 − 𝑤𝑗2 ) … + (𝑥𝑖𝑚 − 𝑤𝑗𝑚 ) (3)
ii. Perbaiki Wj dengan ketentuan :
o Jika T = Cj maka :
Wj = Wj + α (Xi – Wj) (4)
o Jika T ≠ Cj maka :
Wj = Wj - α (Xi – Wj) (5)
c. Kurangi nilai α.

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)

0.5000 0.5758 0.5385 0.6364 0.0000 1

0.5185 0.5758 0.5165 0.3636 0.0000 1
0.4630 0.6364 0.5275 0.4545 0.0398 1
0.4630 0.5455 0.4725 0.4545 0.1420 3
0.1852 0.7273 0.3956 0.3636 0.0019 1
0.1481 0.8485 0.3956 0.3636 0.2415 3
0.2407 0.7273 0.4286 0.4545 0.0369 1
0.4074 0.5152 0.4286 0.6364 0.0000 1
0.6481 0.6667 0.4286 0.3636 0.0672 2
... … … … … …
0.7778 0.3636 0.2527 0.3636 0.0000 1
0.8333 0.3636 0.2747 0.7273 0.0000 1
0.8704 0.4242 0.3626 0.4545 0.3996 3
0.6852 0.5758 0.3187 0.5455 0.0473 1
0.7037 0.6061 0.3736 0.0909 0.1913 3

HASIL DAN PEMBAHASAN

Tabel 51. Tabel Perbandingan Hasil Uji

No Suhu Kelembaban Tekanan Kecepatan Curah Target Hasil Ket.

Udara Udara Angin Hujan Awal Testing

1 0.8750 0.6458 0.8033 0.1250 0.0000 1 1 Sama

2 0.8864 0.6667 0.6229 0.8750 0.0000 1 1 Sama

3 0.8864 0.6250 0.4426 1.0000 0.0000 1 1 Sama

 4 0.6818 0.8125 0.5410 0.3750 0.1180 3 3 Sama

5 0.8068 0.6667 0.3279 0.6250 0.0000 1 1 Sama

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

8 0.9545 0.6667 0.2951 0.5000 0.4220 3 1 Tidak

0.81
9 0.8409 0.7708 0.2295 0.6250 0.0500 1 1 Sama
25
10 0.8523 0.7917 0.3115 0.0000 0.2020 3 1 Tidak

… … … … … … … … …
0.54
10
180 0.7727 0.7292 0.8688 0.6250 0.0000 1 1 Sama

181 0.7614 0.8125 1.0000 0.6250 0.0220 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

184 0.7841 0.7917 0.7377 0.7500 0.1030 3 1 Tidak

0.11 Akurasi 81,52 %
80

3 Tabel perbandingan hasil uji merupakan tabel hasil pengujian yang

dilakukan pada sistem. Pada tabel perbandingan hasil uji diatas dapat dilihat
5
bahwa dari 184 data testing, target yang sama dengan target awal yaitu berjumlah
150 data.

0.80
68 KESIMPULAN

Berdasarkan hasil penelitian diatas, dapat disimpulan sebagai berikut, yaitu :

1. Metode Learning Vector Quantization dapat menghasilkan model prediksi
0.66
67 yang bisa diterapkan dalam memprediksi curah hujan di Kota Tanjungpinang.
2. Hasil pengujian pada sistem menunjukkan bahwa akurasi terbaik yang didapat
dengan menggunakan data training sebanyak 75% dan data testing 25% yaitu
dengan jumlah iterasi 20, alfa 0.05 dec alfa 0,1 dan minalfa 0,001 didapat
0.32 sebesar 81.52%.
79

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