BAB II TINJAUAN PUSTAKA. diameter 0.5 mm atau lebih. Jika jatuhnya sampai ketanah maka disebut hujan, akan

BAB II TINJAUAN PUSTAKA

2.1

Pengertian Hujan Hujan adalah jatuhnya hydrometeor yang berupa partikel-partikel air dengan

diameter 0.5 mm atau lebih. Jika jatuhnya sampai ketanah maka disebut hujan, akan tetapi apabila jatuhannya tidak dapat mencapai tanah karena menguap lagi maka jatuhan tersebut disebut Virga. Hujan juga dapat didefinisikan dengan uap yang mengkondensasi dan jatuh ketanah dalam rangkaian proses hidrologi. Hujan merupakan salah satu bentuk presipitasi uap air yang berasal dari awan yang terdapat di atmosfer. Bentuk presipitasi lainnya adalah salju dan es. Untuk dapat terjadinya hujan diperlukan titik-titik kondensasi, amoniak, debu dan asam belerang. Titik-titik kondensasi ini mempunyai sifat dapat mengambil uap air dari udara. Satuan curah hujan selalu dinyatakan dalam satuan millimeter atau inchi namun untuk di Indonesia satuan curah hujan yang digunakan adalah dalam satuan millimeter (mm). Curah hujan merupakan ketinggian air hujan yang terkumpul dalam tempat yang datar, tidak menguap, tidak meresap, dan tidak mengalir. Curah hujan 1 (satu) milimeter artinya dalam luasan satu meter persegi pada tempat yang datar tertampung air setinggi satu milimeter atau tertampung air sebanyak satu liter. Intensitas hujan adalah banyaknya curah hujan persatuan jangka waktu tertentu. Apabila dikatakan intensitasnya besar berarti hujan lebat dan kondisi ini sangat 5 Universitas Sumatera Utara

berbahaya karena berdampak dapat menimbulkan banjir, longsor dan efek negatif terhadap tanaman. Hujan merupakan unsur fisik lingkungan yang paling beragam baik menurut waktu maupun tempat dan hujan juga merupakan faktor penentu serta faktor pembatas bagi kegiatan pertanian secara umum. Oleh karena itu klasifikasi iklim untuk wilayah Indonesia

(Asia

Tenggara

umumnya)

seluruhnya

dikembangkan

dengan

menggunakan curah hujan sebagai kriteria utama (Lakitan, 2002). Bayong (2004) mengungkapkan bahwa dengan adanya hubungan sistematik antara unsur iklim dengan pola tanam dunia telah melahirkan pemahaman baru tentang klasifikasi iklim, dimana dengan adanya korelasi antara tanaman dan unsur suhu atau presipitasi menyebabkan indeks suhu atau presipitasi dipakai sebagai kriteria dalam pengklasifikasian iklim. 2.1.1

Tipe Hujan Hujan dibedakan menjadi empat tipe, pembagiannya berdasarkan factor yang

menyebabkan terjadinya hujan tersebut : a.

Hujan Orografi Hujan ini terjadi karena adanya penghalang topografi, udara dipaksa naik kemudian mengembang dan mendingin terus mengembun dan selanjutnya dapat jatuh sebagai hujan. Bagian lereng yang menghadap angina hujannya akan lebih lebat dari pada bagian lereng yang ada dibelakangnya. Curah hujannya berbeda menurut ketinggian, biasanya curah hujan makin besar pada tempat-tempat yang lebih tinggi sampai suatu ketinggian tertentu.

Universitas Sumatera Utara

b.

Hujan Konvektif Hujan ini merupakan hujan yang paling umum yang terjadi didaerah tropis. Panas yang menyebabkan udara naik keatas kemudian mengembang dan secara dinamika menjadi dingin dan berkondensasi dan akan jatuh sebagai hujan. Proses ini khas buat terjadinya badai guntur yang terjadi di siang hari yang menghasilkan hujan lebat pada daerah yang sempit. Badai guntur lebih sering terjadi di lautan dari pada di daratan.

c.

Hujan Frontal Hujan ini terjadi karena ada front panas, awan yang terbentuk biasanya tipe stratus dan biasanya terjadi hujan rintik-rintik dengan intensitas kecil. Sedangkan pada front dingin awan yang terjadi adalah biasanya tipe cumulus dan cumulunimbus dimana hujannya lebat dan cuaca yang timbul sangat buruk. Hujan front ini tidak terjadi di Indonesia karena di Indonesia tidak terjadi front.

d.

Hujan Siklon Tropis Siklon tropis hanya dapat timbul didaerah tropis antara lintang 0°-10° lintang utara dan selatan dan tidak berkaitan dengan front, karena siklon ini berkaitan dengan sistem tekanan rendah. Siklon tropis dapat timbul dilautan yang panas, karena energi utamanya diambil dari panas laten yang terkandung dari uap air. Siklon tropis akan mengakibatkan cuaca yang buruk dan hujan yang lebat pada daerah yang dilaluinya.


2.1.2. Distribusi Hujan Hujan merupakan unsur iklim yang paling penting di Indonesia karena keragamannnya sangat tinggi baik menurut waktu maupun menurut tempat.

Oleh

karena itu kajian tentang iklim lebih banyak diarahkan pada hujan. Berdasarkan pola hujan, wilayah Indonesia dapat dibagi menjadi tiga (Boerema, 1938), yaitu pola Monsoon, pola ekuatorial dan pola lokal. Pola Moonson dicirikan oleh bentuk pola hujan yang bersifat unimodal (satu puncak musim hujan yaitu sekitar Desember). Selama enam bulan curah hujan relatif tinggi (biasanya disebut musim hujan) dan enam bulan berikutnya rendah (bisanya disebut musim kemarau). Secara umum musim kemarau berlangsung dari April sampai September dan musim hujan dari Oktober sampai Maret. Pola equatorial dicirikan oleh pola hujan dengan bentuk bimodal, yaitu dua puncak hujan yang biasanya terjadi sekitar bulan Maret dan Oktober saat matahari berada dekat equator. Pola lokal dicirikan oleh bentuk pola hujan unimodal (satu puncak hujan) tapi bentuknya berlawanan dengan pola hujan pada tipe moonson (Gambar 2.1).


400

400

300

300

200

200

100

100

0 1 2 3 4 5 6 7 8 9 10 11 12

0 1 2 3 4 5 6 7 8 9 10 11 12

Tipe Lokal

400 300 200 100 0 1 2 3 4 5 6 7 8 9 10 11 12

Tipe Equatorial

400 300 200 100 0 1 2 3 4 5 6 7 8 9 10 11 12

Tipe Monsoon

Gambar 2.1. Pembagian wilayah Indonesia menurut pola (Modified from DPI-Australia, 2002)

Curah hujan diukur dalam satuan milimeter (mm). Pengukuran curah hujan dilakukan melalui alat yang disebut penakar curah hujan dan diukur setiap jam 07 pagi waktu setempat. 2.1.3. Alat Pengukur Curah Hujan Presipitasi/hujan adalah suatu endapan dalam bentuk padat/cair hasil dari proses kondensasi uap air di udara yang jatuh kepermukaan bumi Satuan ukur untuk presipitasi adalah Inch, millimetres (volume/area), atau kg/m2 (mass/area) untuk precipitation bentuk cair. 1 mm hujan artinya adalah ketinggian air hujan dalam radius 1 m2 adalah setinggi 1 mm, apabila air hujan tersebut tidak mengalir, meresap atau menguap. Pengukuran curah hujan harian sedapat mungkin dibaca/dilaporkan dalam skala ukur 0.2 mm (apabila memungkinkan menggunakan resolusi 0.1 mm). Prinsip kerja alat pengukur curah hujan antara lain : pengukur curah hujan biasa (observariaum) curah hujan yang jatuh diukur tiap hari dalam kurun waktu 24 jam yang dilaksanakan setiap pukul 00.00 GMT, pengukur curah hujan otomatis melakukan pengukuran curah hujan selama 24 jam dengan merekam jejak


hujan menggunakan pias yang terpasang dalam jam alat otomatis tersebutdan dilakukan penggantian pias setiap harinya pada pukul 00.00 GMT, sedangkan pengukuran curah hujan digital dimana curah hujan langsung terkirim kemonitor komputer berupa data sinyal yang telah diubah kedalam bentuk satuan curah hujan.

Gambar 2.2. Alat Pengukur Curah Hujan Jenis Otomatis

2.2.

Faktor yang mempengaruhi curah hujan Sebagai salah satu kawasan tropis yang unik dinamika atmosfernya dimana

banyak dipengaruhi oleh kehadiran angin pasat, angin monsunal, iklim maritim dan pengaruh berbagai kondisi lokal, maka cuaca dan iklim di Indonesia diduga memiliki karakteristik khusus yang hingga kini mekanisme proses pembentukannya belum diketahui banyak orang. Secara umum curah hujan di wilayah Indonesia didominasi oleh adanya pengaruh beberapa fenomena, antara lain sistem Monsun Asia-Australia, El-Nino, sirkulasi Timur-Barat (Walker Circulation) dan sirkulasi Utara-Selatan


(Hadley Circulation) serta beberapa sirkulasi karena pengaruh local (McBride, 2002 dalam Hermawan, E.2007). Variabilitas curah hujan di Indonesia sangatlah kompleks dan merupakan suatu bagian chaotic dari variabilitas monsun (Ferranti 1997 dalam Aldrian 2003). Monsun dan pergerakan ITCZ (Intertropical Convergence Zone) berkaitan dengan variasi curah hujan tahunan dan semi tahunan di Indonesia (Aldrian, 2003), sedangkan fenomena El-Nino dan Dipole Mode berkaitan dengan variasi curah hujan antartahunan di Indonesia. Indonesia dikenal sebagai satu kawasan benua maritim karena sebagian besar wilayahnya didominasi oleh lautan dan diapit oleh dua Samudera yaitu Samudera Hindia dan Samudera Pasifik. Oleh karena itu elemen (unsur) iklimnya terutama curah hujan memungkinkan dipengaruhi oleh keadaan suhu permukaan laut (SPL) di sekitarnya. Salah satu fenomena yang dicirikan oleh adanya suatu perubahan SPL yang kemudian mempengaruhi curah hujan di Indonesia adalah fenomena yang terjadi di Samudera Hindia yang dikenal dengan istilah Dipole Mode (DM) yang tidak lain merupakan fenomena couple antara atmosfer dan laut yang ditandai dengan perbedaan anomali dua kutub Suhu Permukaan Laut ( SPL) di Samudera Hindia tropis bagian timur (perairan Indonesia di sekitar Sumatera dan Jawa) dan Samudera Hindia tropis bagian tengah sampai barat (perairan pantai timur Benua Afrika). Pada saat anomali SPL di Samudera Hindia tropis bagian barat lebih besar daripada di bagian timurnya, maka terjadi peningkatan curah hujan dari normalnya di pantai timur Afrika dan Samudera Hindia bagian barat. Sedangkan di Indonesia mengalami


penurunan curah hujan dari normalnya yang menyebabkan kekeringan, kejadian ini biasa dikenal dengan istilah Dipole Mode Positif (DM +). Fenomena yang berlawanan dengan kondisi ini dikenal sebagai DM (-) (Ashok et al., 2001 Hermawan, E.2007). Hasil kajian yang dilakukan Saji. et al (2001 Hermawan, E.2007) menunjukkan adanya hubungan antara fenomena DM dengan curah hujan yang terjadi di atas Sumatera bagian Selatan sebesar -0,81. Selain itu, Banu (2003 Hermawan, E.2007) juga telah mengkaji adanya pengaruh DM terhadap curah hujan di BMI (Benua Maritim Indonesia) dan Gusmira (2005 Hermawan, E.2007) yang mengkaji dampak DM terhadap angin zonal dan curah hujan di Sumatera Barat. Seperti halnya di Sumatera Barat, analisis keterkaitan kejadian DM terhadap perilaku curah hujan yang tersebar di beberapa stasiun penakar curah hujan yang ada di Sumatera Barat dan Sumatera Selatan. Dengan menggunakan lebih banyak data stasiun untuk kedua kawasan tersebut, diharapkan dapat dianalisis keadaan curah hujan di kawasan tersebut yang mewakili curah hujan sebenarnya terutama yang terjadi pada saat kejadian DM. Untuk memprediksi kecenderungan yang akan terjadi pada periode mendatang adalah melihat tiga kemungkinan kejadian yaitu kondisi normal, ada El Nino atau kah muncul La Nina. Ada dua cara yang dapat dilakukan, pertama melihat prediksi anomali suhu muka laut (Sea Surface Temperatur Anomaly (SSTA)) Kriteria pada tabel 2.1 dan melihat Indeks Osilasi Selatan (Southern Ocilation Indeks (SOI)) dengan Tabel 2.2 yakni melihat nilai beda tekanan atmosfer antara Tahiti dan Darwin.


Tabel 2.1. Indikator Kekuatan Berdasarkan Anomali Suhu Muka Laut (Diolah dari Quinn, 1978)

Kondisi El Nino La Nina

≥3 kuat -

Anomali Suhu Muka Laut (o C) 2–3 1-2 0 - 1.0 -1- -2 -2 - - 3 Sedang lemah normal normal lemah sedang

≤-3 Kuat

Tabel 2.2. Indikator Kekuatan Berdasarkan SOI (Sumber : MMS (Malaysian Meteorological Service, 2001))

NILAI SOI (P TAHITI-P DARWIN) Di bawah - 10 selama 6 bulan - 5 s/d - 10 selama 6 bulan - 5 s/d + 5 selama 6 bulan + 5 s/d + 10 selama 6 bulan Di atas + 10 selama 6 bulan

FENOMENA YANG AKAN TERJADI El Nino kuat El Nino lemah-sedang Normal La Nina lemah-sedang La Nina kuat

Osilasi Selatan pada dasarnya adalah peristiwa atmosfer berskala besar yang didefenisikan sebagai fluktuasi tekanan udara di atas Samudera Pasifik dan Samudera Hindia. Bila tekanan udara di Samudera Pasifik tinggi maka tekanan udara di daerah Samudera Hindia dari Afrika sampai Australia akan rendah dan begitu pula sebaliknya. Keadaan ini berhubungan dengan suhu yang rendah di kedua daerah tersebut. Gejala ini diamati oleh Walker (1904) melalui pengamatan terhadap perilaku parameter atmosfer dan menemukan suatu gelombang tekanan berperiode panjang diantara India dan Australia dengan kawasan Amerika Selatan. Karena mempunyai gerak yang berosilasi maka Walker (1904) menyebutnya dengan Osilasi Selatan. Peristiwa Osilasi Selatan ini terjadi karena adanya pertukaran massa udara antara belahan bumi utara dan selatan di daerah tropik dan subtropik.


2.3.

Model Jaringan Syaraf Tiruan Jaringan Syaraf Tiruan (JST) adalah model sistem komputasi yang bekerja

seperti sistem syaraf biologis pada saat berhubungan dengan 'dunia luar', nama jaringan syaraf tiruan merupakan terjemahan dari "Artificial Neural Network". Terjemahan

yang

diambil

bukan

jaringan

syaraf

buatan

seperti

dalam

menterjemahkan Artificial Inteligent (AI). Penggunaan kata buatan dapat memberikan konotasi, bahwa manusia berusaha membuat jaringan syaraf aslinya. Padahal maksud dari JST adalah membuat model sistem komputasi yang dapat menirukan cara kerja jaringan syaraf biologis (Jong Jek Siang, 2005). Menurut (Sri Kusumadewi,2003) Model JST yang digunakan dalam penelitian ini adalah arsitektur feedforward (umpan maju). Sedangkan konsep belajar yaitu algoritma belajar backpropagation momentum yang merupakan perkembangan dari algoritma belajar backpropagation standar. Prinsip kerja dari JST adalah suatu sistem pemrosesan informasi yang cara kerjanya memiliki kesamaan tertentu dengan jaringan syaraf biologis. Sebagai ilustrasi, sistem JST dapat dijelaskan dengan Gambar 2.2. x i=1

w j,i= 1

x i=2

w j,i=2 3 w j,i=

x i=3 w

Np j,i=

Σ

Sum

=1 y j,k

Fungsi Aktivasi (f)

y j,k=2 y j,k =3

x i=Np

Gambar 2.2. Konsep pemodelan jaringan saraf tiruan


Proses arus informasi dalam sistem JST di atas dimulai dari node-node input. Untuk mencerminkan tingkat kekuatan hubungan ini, digunakan faktor pembobot (weight), sehingga yang diterima oleh node-node di lapisan tersembunyi adalah signal terbobot (weigthed signal ) yaitu xiWj,i dimana Wj,i merupakan besaran bobot hubungan dari node input i menuju node tersembunyi ke-j. Tiap neuron menerima signal output dari berbagai neuron lainnya dan mengeluarkan output nya dengan menghitung tingkat (level) aktivitas yang masuk adalah : Ij =

i = Np

∑xW i =1

i

j ,i

................................................ (2.1)

Jika input bersih cukup kuat untuk mengaktifkan node j, maka output dari node tersebut adalah :

y j = f (I j ) ...........................................................(2.2) Dengan :

Np

= jumlah node yang masuk dari lapisan sebelumnya ke

node yang dituju xi

= signal input dari node input ke i=1, 2, ... , Np.

Wj,i

= besarnya bobot node ke i ke node j.

Ij

= total signal bobot bersih yang masuk ke node j

f

= fungsi aktivasi

yj

= signal output node j

Neuron-neuron dikelompokkan dalam lapisan-lapisan dimana neuron yang terletak pada lapisan yang sama akan memiliki keadaan yang sama. Jaringan dengan banyak


lapisan memiliki 1 atau lebih lapisan yang terletak diantara lapisan input dan lapisan output (memiliki 1 atau lebih lapisan tersembunyi), Umumnya, ada lapisan bobotbobot yang terletak antara 2 lapisan yang bersebelahan. Arsitektur

jaringan

yang

sederhana

adalah

jaringan

layar

tunggal

yang

menghubungkan langsung neuron-neuron pada layar input dengan neuron-neuron pada layar output. Sedangkan arsitektur jaringan yang lebih kompleks terdiri dari layar input, beberapa layar

tersembunyi dan layar output. Arsitektur seperti ini

disebut juga jaringan layar jamak (Rumelhart, et al. 1986). Jaringan layar jamak lebih sering digunakan karena dapat menyelesaikan masalah yang lebih kompleks dibandingkan jaringan layar tunggal, meskipun proses pelatihannya lebih komplek dan lebih lama (Haykin, 1999). Pada Algoritma Quickpropagation dilakukan pendekatan dengan asumsi bahwa masing-masing bobot penghubung tidak terpengaruh oleh bobot yang lain. Perubahan

algoritma quickpropagation dirumuskan sebagai berikut: Wjibaru = Wjilama + C ( tjp – xjp ) ai Dengan : C

= kecepatan belajar

tjp = nilai keluaran yang diinginkan unit j setelah diberikan pola p pada lapisan masukan. xjp = nilai keluaran yang dihasilkan unit j setelah diberikan pola p pada lapisan masukan. ai = masukan yang berasal dari unit I.


Hingga saat ini jaringan saraf tiruan telah memiliki beberapa aplikasi yang banyak digunakan dalam kehidupan manusia. Aplikasi yang sering digunakan antara lain: a.

Pengenalan Jaringan saraf tiruan dapat dipakai untuk mengenali beberapa pola seperti huruf, angka, suara, bahkan tanda tangan. Hal ini sangat mirip dengan otak manusia yang mampu mengenali seseorang, tentu saja yang pernah berkenalan dengan kita.

b.

Pengolahan sinyal Jaringan saraf tiruan (terutama model ADALINE (adaptive linear

newton)) dapat digunakan untuk menekan derau (noise) dalam saluran telepon. c.

Peramalan Jaringan saraf tiruan juga dapat dipakai untuk meramalkan apa yang terjadi di masa depan berdasarkan pola yang terbentuk di masa lampau. Hal ini dapat dilakukan karena kemampuan jaringan saraf tiruan untuk mengingat dan membuat generalisasi dari apa yang sudah ada sebelumnya.

Selain aplikasi-aplikasi yang telah disebutkan, jaringan saraf tiruan juga memiliki banyak aplikasi yang menjanjikan seperti dalam bidang kontrol, kedokteran, dan lainlain. Akan tetapi hal yang perlu diingat adalah jaringan saraf tiruan juga memiliki beberapa keterbatasan. Pertama adalah ketidakakuratan hasil yang diperolah karena jaringan saraf tiruan bekerja berdasarkan pola yang terbentuk pada input yang diberikan. Jadi pada dasarnya jaringan saraf tiruan merupakan ilmu komputasi yang disebut soft computing dengan menggunakan otak manusia sebagai analoginya.


Ada beberapa fungsi aktivasi yang sering digunakan dalam jaringan syaraf tiruan, antara lain : a. Fungsi Sigmoid Biner Fungsi ini digunakan untuk jaringan syaraf yang dilatih dengan menggunakan metode backpropagation. Fungsi sigmoid biner memiliki nilai pada range 0 sampai 1. Oleh karena itu, fungsi ini sering digunakan untuk jaringan syaraf yang membutuhkan nilai output yang terletak pada interval 0 sampai 1. Namun, fungsi ini bisa juga digunakan oleh jaringan syaraf yang nilai outputnya 0 atau 1. Fungsi sigmoid biner dirumuskan sebagai : y = f ( x) =

1 1 + e −σx

Dengan : f' (x) = σf ( x )[1 − f ( x )] b. Fungsi Sigmoid Bipolar Fungsi sigmoid bipolar hampir sama dengan fungsi sigmoid biner, hanya saja output dari fungsi ini memiliki range antara 1 sampai -1 Fungsi sigmoid bipolar dirumuskan sebagai :

y = f ( x) =

1 − e−x 1 + e −x

Dengan : f ' ( x) =

σ 2

[1 +

f ( x)][1 − f ( x)]

Fungsi ini sangat dekat dengan fungsi hyperbolic tangent. Keduanya memiliki range antara -1 sampai 1. Untuk fungsi hyperbolic tangent, dirumuskan sebagai :


y = f ( x) =

e x − e−x e x + e−x

Atau : 1 − e −2 x y = f ( x) = 1 + e −2 x Dengan : f ' ( x) = [1 + f ( x)][1 − f ( x)] Jaringan neuron atau neural network (JST) menggambarkan sistem kerja jaringan syaraf, dimana terdapat beberapa lapis neuron, yang terdiri dari lapis masukan atau input lapis proses atau tengah (hidden layer) dan lapis keluaran atau output. Tiap lapis neuron terdiri dari satu atau beberapa node. Dimana dalam masing masing node dilakukan pemrosesan atau pengolahan dari input yang akan keluar berupa output. Algoritma backpropagation : a.

Masing-masing unit masukan (Xi, i = 1,….n) menerima sinyal masukan Xi dan sinyal tersebut disebarkan ke unit-unit bagian berikutnya (unit-unit lapisan tersembunyi)

b.

Masing-masing unit dilapisan tersembunyi dikalikan dengan faktor penimbang dan dijumlahkan serta ditambah dengan biasanya. n

Z −ini =Voj + ∑ X 1 vn

(2.1)

i =1

Kemudian menghitung sesuai dengan fungsi aktifasi yang digunakan: Z1 = f (Z_in1)

(2.2)


c.

Masing-masing unit keluaran (yk., k = 1, 2, 3 …..m) dikalikan dengan faktor penimbang dan dijumlahkan: p

Z −ini =Woj + ∑ Z1 Wn

(2.3)

p =11

Menghitung kembali sesuai dengan fungsi aktifasi

yk = f (y_in1)

(2.4)

Back Propagasi dan Galatnya d.

Masing-masing unit keluaran (Yk, k =1,……m) menerima pola target sesuai dengan pola masukan saat pelatihan / training dan dihitung galatnya:

δk = ( fk – yk) f (y_ink)

(2.5)

Karena f’ (y_ink) = yk menggunakan fungsi sigmoid, maka:

F (y_ink) = f (y_ink) ( 1 – f (y_ink)

(2.6)

Menghitung perbaikan faktor penimbang (kemudian untuk memperbaiki wjk).

Δ Wkj = α.δk. Z1

(2.7)

Δ Wok = α.δk

(2.8)

Menghitung perbaikan koreksi:

Dan menggunakan nilai δk pada semua unit lapisan sebelumnya. e.

Masing-masing penimbang yang menghubungkan unit-unit lapisan keluaran dengan unit-unit pada lapisan tersembunyi (Zj, j = 1…,p) dikalikan delta dan dijumlahkah sebagaimana masukan ke unit-unit lapisan berikutnya. n

∂ _ in1 = ∑ ∂ k W jk

(2.9)

k =1


Selanjutnya dikalikan dengan turunan dari fungsi aktifasinya untuk menghitung galat.

δ1 = δ_ in1 f (y_in1)

(2.10)

Kemudian menghitung perbaikan penimbang (digunakan untuk memperbaiki Vij).

Δ Vy = αδ1 X1

(2.11)

Kemudian menghitung perbaikan bias (untuk memperbaiki Voj)

Δ Voj = αδ1

(2.12)

Memperbaiki penimbang dan bias f. Masing-masing keluaran unit (yk, k = 1,…………m) diperbaiki bias dan penimbangnya

(j = 0, ……P). Wjk (baru) = Vjk (lama) + Δ Vjk

(2.13)

Masing-masing unit tersembunyi (Zj, j : 1,…….p) diperbaiki bias dan penimbangnya ( j=0,…..n). Vjk (baru) Vjk (lama) + Δ Vjk

(2.14)

g. Uji kondisi pemberhentian akhir iterasi.

2.4.

Model Transformasi Wavelet Transformasi wavelet merupakan alat yang ideal untuk mendeteksi fluktuasi-

fluktuasi periodik yang bersifat transien dan juga parameter-parameternya, karena mampu memusatkan perhatian pada suatu rentang waktu terbatas dari data yang ada dan dapat mengambarkan proses dinamik nonlinear komplek yang diperlihatkan oleh interaksi gangguan dalam skala ruang dan waktu.


Transformasi wavelet dikembangkan sebagai pendekatan alternatif dari Short Term Fourier Transform untuk mengatasi masalah resolusi tersebut. Analisa Wavelet dilakukan dengan cara yang sama dengan analisa STFT, dalam pengertian bahwa sinyal (deret waktu) dikalikan dengan suatu fungsi, {\wavelet}, mirip dengan fungsi jendela STFT, dan transformasi dihitung secara terpisah untuk segmen-segmen yang berbeda dari sinyal domain waktu (Modul Desiminasi hasil-hasil LITBANG, 2007 dalam Wiryajaya.et.al, 2009).

2.5.

Sistem Informasi Geografis dengan Arc View 3.3 Perangkat lunak sistem informasi geografi saat ini telah banyak dijumpai

dipasaran. Masing-masing perangkat lunak ini mempunyai kelebihan dan kekurangan dalam menunjang analisis informasi geografi. Salah satu yang sering digunakan saat ini adalah ArcView. ArcView yang merupakan salah satu perangkat lunak Sistem Infrmasi geografi yang di keluarkan oleh ESRI (Environmental Systems Research

Intitute). ArcView dapat melakukan pertukaran data, operasi-operasi matematik, menampilkan informasi spasial maupun atribut secara bersamaan, membuat peta tematik, menyediakan bahasa pemograman (script) serta melakukan fungsi-fungsi khusus lainnya dengan bantuan extensions seperti spasial analyst dan image analyst (ESRI).


ArcView dalam operasinya menggunakan, membaca dan mengolah data dalam format Shapefile, selain itu ArcView jaga dapat memanggil data-data dengan format BSQ, BIL, BIP, JPEG, TIFF, BMP, GeoTIFF atau data grid yang berasal dari ARC/INFO serta banyak lagi data-data lainnya. Setiap data spasial yang dipanggil akan tampak sebagai sebuah Theme dan gabungan dari theme-theme ini akan tampil dalam sebuah view. ArcView mengorganisasikan komponen-komponen programnya (view, theme, table, chart, layout dan script) dalam sebuah project. Project merupakan suatu unit organisasi tertinggi di dalam ArcView. Salah satu kelebihan dari ArcView adalah kemampaunnya berhubungan dan berkerja dengan bantuan extensions. Extensions (dalam konteks perangkat lunak SIG ArcView) merupakan suatu perangkat lunak yang bersifat “plug-in” dan dapat diaktifkan ketika penggunanya memerlukan kemampuan fungsionalitas tambahan (Prahasta). Extensions bekerja atau berperan sebagai perangkat lunak yang dapat dibuat sendiri, telah ada atau dimasukkan (di-instal) ke dalam perangkat lunak ArcView untuk memperluas kemampuan-kemampuan kerja dari ArcView itu sendiri. Contoh-contoh extensions ini seperti Spasial Analyst, Edit Tools v3.1, Geoprocessing, JPGE (JFIF) Image Support, Legend Tool, Projection Utility Wizard, Register and

Transform Tool dan XTools Extensions (

2010a).

Sistem Informasi Geografis (GIS) merupakan suatu bidang kajian ilmu yang relatif baru yang dapat digunakan oleh berbagai bidang disiplin ilmu sehingga berkembang


dengan sangat cepat. Secara umum, satu fungsi dari GIS yang sangat penting adalah kemampuan untuk menganalisis data, terutama data spasial yang kemudian menyajikannya dalam bentuk suatu informasi spasial berikut data atributnya (Imantho. 2004). Berbagai macam fungsi analisis dapat dilakukan dengan menggunakan software ArcView GIS 3.3, termasuk diantaranya spasial analisis, 3D analisis, network analisis dan sebagainya. Dalam studi kajian ini proses dan modeling dilakukan dengan pendekatan rasterisasi (grid) dalam pemodelan spasial analisis. Spasial analisis mempunyai fungsi untuk menghitung suatu kerapatan dengan membuat grid bersifat kontinyu dimana setiap selnya mengandung informasi jumlah per satuan luas. Komponen utama dalam analisis spasial adalah theme grid dimana layer geografis yang ditampilkan kenampakan objek dalam bentuk segi empat (sel) pada view. Setiap sel (piksel) menyimpan nilai numerik yang mengekspresikan informasi geografis yang diwakili. Theme grid yang menyimpan nilai integer tersebut dapat dihubungkan dengan tabel. Sel yang mempunyai nilai sama akan memiliki nilai atribut yang sama. Untuk membuat theme grid kontinyu dari data titik shapefile terdapat fasilitas interpolasi grid. Proses interpolasi adalah mengisi kekosongan data dengan menggunakan metoda tertentu dari satu kumpulan data untuk menghasilkan sebaran yang kontinyu. Sebuah interpolasi data hujan di masing-masing stasiun digunakan untuk memperoleh grid kontinyu data curah hujan yang selanjutnya dapat dibuat peta isohyet, dan sebagainya (Nuarsa, 2005).


Sistem Informasi Geografi (SIG) atau Geographic Information System (GIS) adalah suatu sistem informasi yang dirancang untuk bekerja dengan data yang bereferensi spasial atau berkoordinat geografi atau dengan kata lain suatu SIG adalah suatu sistem basis data dengan kemampuan khusus untuk menangani data yang bereferensi keruangan (spasial) bersamaan dengan seperangkat operasi kerja (Barus dan Wiradisastra, 2000). Disamping itu, SIG juga dapat menggabungkan data, mengatur data dan melakukan analisis data yang akhirnya akan menghasilkan keluaran yang dapat dijadikan acuan dalam pengambilan keputusan pada masalah yang berhubungan dengan geografi (AsSyakur , 2008). Data-data yang diolah dalam SIG pada dasarnya terdiri dari data spasial dan data atribut dalam bentuk digital, dengan demikian analisis yang dapat digunakan adalah analisis spasial dan analisis atribut. Data spasial merupakan data yang berkaitan dengan lokasi keruangan yang umumnya berbentuk peta. Sedangkan data atribut merupakan data tabel yang berfungsi menjelaskan keberadaan berbagai objek sebagai data spasial. Bentuk produk suatu SIG dapat bervariasi baik dalam hal kualitas, keakuratan dan kemudahan pemakainya. Hasil ini dapat dibuat dalam bentuk peta-peta, tabel angkaangka: teks di atas kertas atau media lain (hard copy), atau dalam cetak lunak (seperti

file elektronik) (Barus dan Wiradisastra, 2000).


2.6.

Validasi Prakiraan Validasi dapat diterapkan pada berbagai model prakiraan karena pada

dasarnya data yang dipakai dalam proses validasi adalah sama, yaitu observasi (data real) dan hasil prakiraan. Validasi dapat dilakukan melalui cara sebagai berikut : Korelasi dinyatakan dengan suatu koefisien (dinotasikan dengan

r ) yang

menunjukkan hubungan (linear) relatif antara dua variabel. Dalam validasi hasil prakiraan, dua variabel yang dimaksud adalah observasi atau data real (dinotasikan dengan Y ) dan hasil prediksi (dinotasikan dengan Yˆ ). Koefisien korelasi dihitung dengan menggunakan persamaan : n

rYYˆ =

∑ (Y − Y )(Yˆ − Yˆ ) i =1

n

i

i

n

∑ (Y − Y ) ∑ (Yˆ − Yˆ ) i =1

2

i

i =1

..........

...............(2.15)

2

i

dengan

rYYˆ = koefisien korelasi antara observasi (data real) dengan hasil prakiraan Yi

= observasi (data real) pada periode ke– i dengan i = 1, 2, L, n

Y Yˆi

= nilai rata–rata observasi (data real) = hasil prakiraan pada pada periode ke– i dengan i = 1, 2, L, n

Yˆ n

= nilai rata–rata hasil prakiraan = panjang periode


Nilai korelasi berkisar antara -1 sampai dengan +1. Secara umum interpretasi nilai korelasi dijelaskan sebagai berikut : − 1__________ − 0.5 __________ 0 __________ + 0.5 __________ + 1 144 42444 3 142 4 43 4 142 4 43 4 144 42444 3 korelasi negatif kuat

korelasi negatif lemah korelasi positif lemah

korelasi positif kuat

Untuk validasi hasil prakiraan dengan menggunakan koefisien korelasi, semakin kuat korelasi maka semakin bagus hasil validasi (semakin tinggi tingkat akurasi prakiraan).(Sutamto dan Alifi Maria Ulfah, 2007).

2.7.

Normalisasi Data Fungsi yang digunakan adalah fungsi hyperbolic tangent. Keduanya memiliki range

antara -1 sampai 1. Untuk fungsi hyperbolic tangent, dirumuskan sebagai :

y = f ( x) =

e x − e−x e x + e−x

(2.16)

sehingga data harus di normalisasi pada rentangan [-1 1]. Poses normalisasi data ditentukan dengan persamaan:

y=2

( Xn − X min) −1 ( X max − X min)

(2.17)

Dimana y merupakan data hasil normalisasi, Xn merupaka data asli, Xmax dan Xmin merupakan data terbesar dan terkecil dari X (Suyanto., 2008).


BAB II TINJAUAN PUSTAKA. diameter 0.5 mm atau lebih. Jika jatuhnya sampai ketanah maka disebut hujan, akan

Recommend Documents