ANALISIS TINGGI CURAH HUJAN BERDASARKAN KONDISI KLIMATOLOGI DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN Yuzy Alfahnie1, Very Dermawan2, Lily Montarcih Limnatara2 Mahasiswa Program Sarjana Teknik Jurusan Pengairan Universitas Brawijaya 2 Dosen Jurusan Pengairan Fakultas Teknik Universitas Brawijaya 1
[email protected]
1
ABSTRAK Tinggi curah hujan yang jatuh di bumi tidak dapat di ketahui secara pasti besarnya. Prakiraan parameter klimatologi terutama hujan sudah menjadi kebutuhan. Curah hujan yang terjadi dapat diprediksi dengan menggunakan kecerdasan buatan. Metode problem solving yang digunakan dalam penelitian ini adalah jaringan syaraf tiruan (JST) dengan software NeuroSolutions 6 dan MATLAB 7.10.0 (R2010a). Kajian ini bertujuan untuk memprediksi curah hujan berdasarkan iklim yang terjadi dengan kedua software tersebut. Terdapat tiga data yang di running menggunakan software tersebut, yaitu data bulanan, harian dan jamjaman. Pembagian data dengan menggunakan software NeuroSolution 6 yaitu training, cross validation, testing dan production, sedang pembagian data dengan menggunakan MATLAB 7.10.0 (R2010a) yaitu input, sample , dan output. Berdasarkan hasil proses running pada data bulanan, harian dan jam-jaman menggunakan NeuroSolutions 6 dan MATLAB 7.10.0 (R2010a) menunjukkan nilai kesalahan relatif (KR) yang dihasilkan lebih kecil bila menggunakan MATLAB 7.10.0 (R2010a). Untuk data bulanan KR menggunakan NeuroSolution 6 sebesar 11,49 % , dengan MATLAB 7.10.0 (R2010a) sebesar 7,59 %. Data harian KR menggunakan NeuroSolution 6 sebesar 8,49 % , dengan MATLAB 7.10.0 (R2010a) sebesar 6,36 %. Data jam-jaman KR menggunakan NeuroSolution 6 sebesar 19,32 % , dengan MATLAB 7.10.0 (R2010a) sebesar 14,72 %. Kata kunci: Jaringan syaraf siruan, NeuroSolution 6, MATLAB 7.10.0 (R2010a), kesalahan relatif
ABSTRACT High of precipitation that falls on the earth can not be known certainly. Forecast parameters, especially rainfall has become very important. The rainfall can be predicted using the artificial neural network (ANN). Problem solving methods that used in this research is the artificial neural network (ANN) with software NeuroSolutions 6 and MATLAB 7.10.0 (R2010a). This study aims to predict rainfall depth based on climate data with both software. There are three data that are running using the software, monthly, daily and hourly. Sharing of data using software NeuroSolution 6 are training, cross validation, testing and production, while sharing data by using MATLAB 7.10.0 (R2010a) are input, sample, and output. Based on the results of running process on monthly data, daily and hourly using NeuroSolutions 6 and MATLAB 7.10.0 (R2010a) indicate that the value of the relative error (KR) is smaller if using MATLAB 7.10.0 (R2010a). For monthly data using NeuroSolution 6 to 11.49%, while MATLAB 7.10.0 (R2010a) 7.59%. Relative error daily data using NeuroSolution 6 to 8.49%, while MATLAB 7.10.0 (R2010a) 6.36%. Hourly data use NeuroSolution 6 error is 19.32%, while MATLAB 7.10.0 (R2010a) 14.72%. Keywords: Artificial neural network, NeuroSolution 6, 7.10.0 MATLAB (R2010a), relative error
A. PENDAHULUAN Unsur air di bumi terdiri dari unsur presipitasi, misalnya curah hujan, unsur cuaca, seperti temperatur, kelembaban, kecepatan dan arah angin, durasi penyinaran matahari, intensitas penyinaran matahari, unsur penguapan, unsur air permukaan, seperti tinggi muka air dan debit sungai, angkutan sedimen, nsur air bawah permukaan, misalnya infiltrasi dan perkolasi, unsur airtanah. Prakiraan parameter klimatologi terutama hujan sudah menjadi kebutuhan Nasional. Betapa tidak, bencana banjir akibat hujan yang turun dengan jumlah di atas normal atau bencana kekeringan akibat jumlah curah hujan yang berada di bawah normal, sering melanda wilayah Indonesia. Semua itu dapat diantisipasi dengan informasi yang akurat tentang berapa besar curah hujan yang akan turun di suatu tempat pada kurun waktu tertentu. Seiring dengan pesatnya kemajuan teknologi, pekerjaan manusia lebih dimudahkan dengan adanya komputer. Komputer diharapkan mampu mengerjakan pekerjaan yang seharusnya hanya dapat dikerjakan oleh manusia, atau biasa disebut kecerdasan buatan (Artificial Intelegency). Pembacaan pola curah hu-jan dapat dilakukan oleh model kecerda-san buatan dengan menggunakan data historis mengenai parameter klimatologi. Adapun metode problem solving yang digunakan dalam penelitian ini adalah jaringan syaraf tiruan (JST). Salah satu bidang dimana JST dapat diaplikasikan dengan baik adalah bidang peramalan (Setiawan, 2008). Dalam JST terdapat teknik peramalan yang sering digunakan yaitu NeuroSolutions 6 dan Matlab Backpropagation. Pada saat musim penghujan, curah hujan yang tercatat pada pengukuran terlihat cukup baik. Namun, karena perubahan yang terjadi pada bumi akibat pemanasan global (global warming) menyebabkan iklim serta cuaca cenderung berubah sehingga terjadinya penyimpangan yang tidak dapat dihindari.
Sehingga diharapkan jaringan saraf tiruan ini akan dapat menganalisa data curah hujan serta data klimatologi Kota Malang. B. METODE Pada studi ini diperlukan data-data yang mendukung guna memudahkan dalam menganalisis permasalahan yang terjadi, untuk itu perlu disajikan beberapa data sebagai berikut: 1. Peta lokasi studi 2. Data klimatologi (curah hujan, suhu, kelembaban udara, lama penyinaran, tekanan udara) Adapun langkah-langkah dalam penyelesaian studi ini adalah sebagai berikut: 1. Mengoreksi seluruh data klimatologi akibat kesalahan teknis terdapat data yang hilang. 2. Menguji seluruh data klimatologi dengan uji statistik 3. Memprediksi tinggi curah hujan bulanan, harian, jam-jaman berdasarkan kondisi klimatologi yang ada dengan menggunakan software NeuroSolutions 6.0. 4. Memprediksi tinggi curah hujan bulanan, harian, jam-jaman berdasarkan kondisi klimatologi yang ada dengan menggunakan software MATLAB 7.10.0 R2010a. 5. Membuat pemodelan dengan kedua software yang digunakan. 6. Membandingkan hasil dari kedua software dengan melihat persentase kesalahan relatif yang dihasilkan. 7. Selesai C. HASIL DAN PEMBAHASAN Uji Statistik Data iklim yang didapatkan dari stasiun hujan tidak dapat langsung digunakan dalam perhitungan karena perlu adanya pengujian terhadap data. Pengujian data bertujuan untuk menge-tahui kualitas data dan keandalan data yang akan dipergunakan dalam perhitungan.
Kualitas dan keandalan data yang digunakan akan mempengaruhi kesesuaian hasil perhitungan dengan keadaan yang sesungguhnya (Soewarno, 1995: 7). Pengujian data yang dilakukan pada studi ini adalah: a. Uji Stasioner Data (Uji Kestabilan Nilai dan Rerata Varian) 1. Uji F 2. Uji T b. Uji Keacakan Data (Uji Ketidakadaan Trend) 1. Uji Korelasi Metode Spearman 2. Uji Mann-Whitney c. Uji Persistensi (Uji Ketidak Tergantungan) 1. Uji Korelasi Serial Metode Spearman Uji Stasioner (Uji F dan Uji T) Pengujian nilai varian suatu deret berkala dilakukan dengan menggunakan uji-F. Apabila uji kestabilan varian menunjukkan stasioner maka pengujian selanjutnya adalah pengujian kestabilan nilai rata-ratanya dengan menggunakan uji T. Tabel 1. Rekapitulasi Hasil Uji Stasioner Iklim Bulanan dengan Ftabel = 2,6 dan Ttabel = 1,714 pada Lokasi Stasiun Klimatologi Karangploso No
Unsur Klimatologi
Nilai F Hitung
Kesimpulan
Nilai T Hitung
Kesimpulan
1
Hujan
1,034
Diterima
-1,227
Diterima
2
Suhu
2,224
Diterima
1,106
Diterima
3
Kelembaban
1,594
Diterima
1,701
Diterima
4
Radiasi
1,018
Diterima
1,311
Diterima
5
Tekanan
0,359
Diterima
1,435
Diterima
Sumber: Hasil Perhitungan
Tabel 2. Rekapitulasi Hasil Uji Stasioner Iklim Harian dengan Ftabel = 4,28 dan Ttabel = 1,812 pada Lokasi Stasiun Klimatologi Karangploso No
Unsur Klimatologi
Nilai F Hitung
Kesimpulan
Nilai T Hitung
Kesimpulan
1
Hujan
4,188
Diterima
-1,227
Diterima
2
Suhu
2,969
Diterima
1,106
Diterima
3
Kelembaban
1,537
Diterima
1,701
Diterima
4
Radiasi
0,566
Diterima
1,311
Diterima
Sumber: Hasil Perhitungan
Uji Ketidakadaan Trend (Uji Korelasi Metode Spearman dan Uji MannWhitney) Data dari stasiun klimatologi Karangploso diuji keacakannya menggunakan Uji Korelasi Spearman. Uji ini bertujuan untuk mengetahui ada atau tidaknya trend dalam suatu deret berkala. Uji Mann-Whitney digunakan untuk menguji dua kelompok data yang tidak berpasangan berasal dari populasi yang sama atau tidak. Data masing-masing unsur iklim yang telah diurutkan diberikan peringkat mulai dari yang paling kecil sampai yang terbesar kemudian dibagi menjadi dua kelompok. Dua kelompok yaitu populasi A dan populasi B diuji apakah A mempunyai sebaran yang sama dengan B. Tabel 3. Rekapitulasi Hasil Iklim Bulanan Uji Spearman dengan α = 1,714 dan Uji Mann-Whitney dengan α = 1,645 No
Unsur Klimatologi
Nilai Spearman
Kesimpulan
Nilai Mann & Whitney
Kesimpulan
1
Hujan
-1,721
Diterima
-1,414
Diterima
2
Suhu
-1,585
Diterima
-0,925
Diterima
3
Kelembaban
-3,071
Diterima
-2,502
Diterima
4
Radiasi
-0,793
Diterima
-1,197
Diterima
5
Tekanan
-1,436
Diterima
-0,381
Diterima
Sumber: Hasil Perhitungan
Tabel 4. Rekapitulasi Hasil Iklim Harian Uji Spearman dengan α = 1,812 dan Uji Mann-Whitney dengan α = 1,645 No
Unsur Klimatologi
Nilai Spearman
Kesimpulan
Nilai Mann & Whitney
Kesimpulan
1
Hujan
0,111
Diterima
-0,320
Diterima
2
Suhu
0,424
Diterima
-0,801
Diterima
3
Kelembaban
-0,492
Diterima
-0,961
Diterima
4
Radiasi
-0,774
Diterima
-1,121
Diterima
Sumber: Hasil Perhitungan
Uji Persistensi (Uji Korelasi Serial Metode Spearman) Persistensi (Persistence) adalah ketidak tergantungan dari setiap nilai dalam deret berkala. Untuk melaksanakan pengujian persistensi harus dihitung besarnya koefisien korelasi serial. Salah satu metode untuk menentukan koefisien ko-
relasi serial adalah dengan Metode Spearman. Tabel 5. Rekapitulasi Hasil Iklim Bulanan Uji Spearman No
Unsur Klimatologi
Nilai T Tabel
Nilai T Hitung
Kesimpulan
1
Hujan
1,717
-1,927
Diterima
2
Suhu
1,717
0,339
Diterima
3
Kelembaban
1,717
0,848
Diterima
4
Radiasi
1,717
-0,235
Diterima
5
Tekanan
1,717
1,713
Diterima
Sumber: Hasil Perhitungan
Tabel 6. Rekapitulasi Hasil Iklim Harian Uji Spearman No
Unsur Klimatologi
Nilai T Tabel
Nilai T Hitung
Kesimpulan
1
Hujan
1,833
-1,670
Diterima
2
Suhu
1,833
0,137
Diterima
3
Kelembaban
1,833
-1,755
Diterima
4
Radiasi
1,833
-3,498
Diterima
Kemudian pilih NeuroSolution → Tag Data → Row(s) As Training. Begitu pula dengan ketiga proses lainnya. 6. Buat network baru dengan cara Create/Open Network → New Classification Networks. Setelah itu pilih Train Network → Train untuk proses pembentukan jarring-an syaraf tiruan 7. Save breadboard yang terbentuk sesuai yang diinginkan. Lalu akan keluar kotak dialog train yang berisikan pengaturan Number of Epochs, Isikann sesuai dengan yang kita inginkan (disini diguna-kan 1000 Epoch).
Sumber: Hasil Perhitungan
Analisis dengan NeuroSoltions 6.0 (NS 6) NeuroSolutions adalah lingkungan simulasi jaringan syaraf utama. Perangkat lunak ini digunakan untuk merancang, melatih dan menyebarkan jaringan saraf model untuk melakukan berbagai tugas seperti data mining, klasifikasi, aproksimasi fungsi, regresi multivarian dan prediksi waktu (Halimi, 2005). Tahap pengerjaan menggunakan NeuroSolutions 6.0: 1. Combine MS. Excel dengan software NeuroSolutions 6.0, akan muncul menu Add Ins pada MS. Excel 2. Blog kolom dari data suhu, kelembaban udara, lama penyinaran dan tekanan, lalu klik dan pilih NeuroSolution → Tag Data → Column(s) As Input. 3. Blog kolom data curah hujan, lalu klik dan pilih NeuroSolution → Tag Data → Column(s) As Desired. 4. Blog kolom tahun dan bulan, lalu klik dan pilih NeuroSolution → Tag Data → Column(s) As Symbol. 5. Blog baris sebanyak yang diinginkan untuk dijadikan data Training, Cross Validation, Testing, dan Production.
Gambar 1. Grafik Hubungan MSE dan Epoch (Bulanan)
Gambar 2. Grafik Hubungan MSE dan Epoch (Harian)
Gambar 3. Grafik Hubungan MSE dan Epoch (Jam-jaman)
Gambar 4. Jaringan Single Layer NS 6 Gambar 4 merupakan jaringan single layer perceptron yang dilakukan oleh software NeuroSolutions 6. Pada jaringan ini tidak terdapat lapisan tersembunyi, jaringan ini hanya melakukan pembelajaran dengan satu lapisan saja. Analisis dengan MATLAB 7.10.0 R2010a Matlab merupakan tool yang banyak diaplikasikan untuk menyelesaikan permasalahan sistem persamaan linear, proglin dengan simpleks, hingga peramalan runtun waktu (time series), dll (Siang, 2005:112). Berbeda dengan software NeuroSolutions 6, MATLAB tidak under MS.Excel, namun compatible dengan MS Excel. Tahap pengerjaan menggunakan software MATLAB 7.10.0 (R2010a):
1. Buka lembar kerja data pada MS. Excel, buka software MATLAB. 2. Pilih New Variable pada MATLAB 7.10.0 R2010a. Buat menjadi 3 variabel, yaitu Input, Sampel dan Target. Pada variabel input masukkan data klimatologi suhu, kelembaban udara, lama penyinaran dan tekanan. Pada variabel sampel masukkan data klimatologi suhu, kelembaban udara, lama penyinaran dan tekanan, namun pada variabel sampel hanya dimasukkan beberapa data. Pada variabel Target masukan data curah hujan. 3. Pilih menu Start → Toolboxes → More → Neural Network → Neural Network Tool (nntool), atau menggunakan perintah Command, dengan cara menulis ‘nntool’ pada command window. 4. Akan muncul pada kotak dialog Network/Data Manager. Pilih Import lalu akan keluar kotak dialog Import to Network/Data Manager. Pilih variabel lalu disesuaikan dengan destinasi nya, ke-mudian ok. 5. Buat New Network dan isi setiap data seperti dibawah ini: Network Type : Feed-forward backprop Input data : Input Target data : Target Training function : TRAINGDX Adaption learning function : LEARNGD Performance function : MSE Number of layers :4 Properties for : Layer 2 Transfer function : TANSIG 6. Buka Network yang baru dibuat, terdapat beberapa variabel terikat yang perlu diisi dan disesuaikan.
Hasil Bulanan
Hasil Harian
(a)
(b)
(c)
(a)
(b)
(c)
Hasil Jam-jaman
(a)
(b)
(c) Gambar 6. (a) Hubungan performa validasi terbaik dengan epoch (b) Training State (c) Regresi Hasil Running
Gambar 7. Jaringan Multi Layer MATLAB 7.10.0 R2010a Gambar 7 merupakan jaringan Multi layer Backpropagation yang dilakukan oleh software MATLAB 7.10.0 R2010a. Pada jaringan ini terdapat lapisan tersembunyi (Hidden Layer), jaringan ini melakukan pembelajaran lebih baik dengan menerapkan propagasi maju dan mundur melalui beberapa lapisan tersembunyi. PEMBAHASAN Gambar 1, 2, da 3 merupakan hasil dari software NeuroSolutions. Grafik ini menunjukkan hubungann antara MSE dan epoch. Dimana, semakin banyak iterasi (epoch) yang dilakukan maka MSE akan semakin konstan. Gambar 6 (a) menunjukkan grafik pelatihan bulanan, harian, jam-jaman yang menjelaskan bagaimana nilai gradien momentum dan grafik pengecekan validasi pada proses pelatihan JST. Gradien merupakan nilai kemiringan antar iterasi. Nilai gradien bulanan yang dihasilkan adalah sebesar 0,75 x 10-2, nilai gradient harian yang dihasilkan sebesar 0,2 x 10, dan untuk jam-jaman sebesar 0,9 x 10 pada epoch terakhir yaitu epoch ke 1000. Hal ini menunjukkan bahwa pemodelan telah mendekati konstan dan cocok dengan apa yang dipelajari di iterasi sebelumnya. Gambar 6 (b) menunjukkan bahwa performa pelatihan pada pemodelan bulanan, harian, jam-jaman sudah bagus, karena nilai MSE-nya mendekati target
10-1. Grafik performance menunjukkan hasil performa train, validation, dan test. Hasil train dan test cukup baik karena MSE yang dihasilkan antara 101 dan 10-1. Nilai validation, performa untuk model bulanan mengalami fase terbaik pada epoch ke 496 yaitu MSE nya hanya 0,24 x 10-1. Nilai validation, performa untuk model harian mengalami fase terbaik pada epoch ke 985 yaitu MSE nya hanya 0,27 x 10-1. Nilai validation, performa untuk model jam-jaman mengalami fase terbaik pada epoch ke 790 yaitu MSE nya hanya 0,32 x 10-1. Gambar 6 (c) menunjukkan grafik hubungan antara hasil output pada tahap pelatihan dengan target yang ditentukan. Hasil regresi proses pelatihan pada data bulanan adalah sebesar 0,68702, sedang pada harian adalah sebesar 0,68448 dan pada jam-jaman adalah sebesar 0,50711. Nilai MSE yang didapat, jaringan tersebut tetap dikatakan berhasil karena nilai MSE nya tergolong cukup kecil. D. KESIMPULAN Dari hasil-hasil analisa tersebut, dapat disimpulkan beberapa hal sebagai berikut: 1. Pemodelan tinggi curah hujan bulanan pada tahun 1987-2011 berdasarkan data klimatologi bulanan di stasiun klimatologi Karangploso dengan menggunakan dua model software yaitu: a. Kesalahan relatif (KR) dengan model software NeuroSolution 6.0 sebesar 11,49 % b. Kesalahan relatif (KR) dengan model software MATLAB 7.10.0 R2010a sebesar 7,59 % Sehingga dapat dibuat persamaan dari pemodelan bulanan yang telah dilakukan yaitu: n
𝑌𝑘 = 𝑊𝑘0 +
4
B1𝑗 + j=1
X1 Z𝑗 1 + X2 Z𝑗 2 + X3 Z𝑗 3 + X4 Z𝑗 4 i=1
4
𝑊𝑘1 + B2𝑗 +
X1 Z𝑗 1 + X2 Z𝑗 2 + X3 Z𝑗 3 + X4 Z𝑗 4 𝑊𝑘2 i=2
2.
Pemodelan tinggi curah hujan harian pada tahun 2008-2013 berdasarkan data klimatologi bulanan di stasiun
klimatologi Karangploso dengan menggunakan dua model software yaitu: a. Kesalahan relatif (KR) dengan model software NeuroSolution 6.0 sebesar 8,49 % b. Kesalahan relatif (KR) dengan model software MATLAB 7.10.0 R2010a sebesar 6,36 % Sehingga dapat dibuat persamaan dari pemodelan harian yang telah dilakukan yaitu: n
3
𝑌𝑘 = 𝑊𝑘0 +
B1𝑗 +
X1 Z𝑗1 + X2 Z𝑗 2 + X3 Z𝑗 3
j=1
i=1 3
𝑊𝑘1 + B2𝑗 +
X1 Z𝑗 1 + X2 Z𝑗 2 + X3 Z𝑗 3 𝑊𝑘2 i=2
3.
Membandingkan pemodelan tinggi curah hujan bulanan dan harian pada stasiun klimatologi Karangploso, yang dihasilkan yaitu bahwa dengan menggunakan model MATLAB 7.10.0 R2010a perlakuan yang sama lebih baik. Terbukti dari hasil pemodelan tinggi curah hujan jam-jaman Laboratorium Hidrologi Uni-versitas Brawijaya, nilai kesalahan relatif pemodelan tinggi curah hujan jamjaman: a. Kesalahan relatif (KR) dengan model software NeuroSolution 6 sebesar 19,32 % b. Kesalahan relatif (KR) dengan model software MATLAB 7.10.0 R2010a sebesar 14,72 % Sehingga dapat dibuat persamaan dari pemodelan jam-jaman yang telah dilakukan yaitu: n
𝑌𝑘 = 𝑊𝑘0 +
4
B1𝑗 + j=1
X1 Z𝑗 1 + X2 Z𝑗 2 + X3 Z𝑗 3 + X4 Z𝑗 4 i=1
4
𝑊𝑘1 + B2𝑗 +
X1 Z𝑗 1 + X2 Z𝑗 2 + X3 Z𝑗 3 + X4 Z𝑗 4 𝑊𝑘2 i=2
E. SARAN Berdasarkan analisa perhitungan pada model software Neurosolution 6.0 dan MATLAB 7.10.0 (R2010a) di Stasiun Klimatologi Karngploso dan Laboratorium Hidrologi Universitas Brawijaya pada kajian ini, maka disarankan beberapa hal sebagai berikut:
1.
2.
Bagi instansi untuk dapat digunakan sebagai alternatif baru meramalkan atau memprediksi tinggi curah hujan dengan menggunakan Neurosolutuon 6.0 dan MATLAB 7.10.0 (R2010a) untuk mendapatkan model ramalan terbaik yang lebih akurat serta dapat menghemat waktu dan biaya dibandingkan dengan perhitungan konvensional. Bagi pembaca dan peneliti sebagai tambahan referensi terkait dengan metode jaringan syaraf tiruan program Neurosolution 6 dan MATLAB 7.10.0 R2010a dapat digunakan untuk menghitung besarnya tinggi curah hujan.
DAFTAR PUSTAKA Kuncoro, A. H. & Dalimi, R. 2005. Aplikasi Jaringan Syaraf Tiruan Untuk Peramalan Beban Tenaga Listrik Jangka Panjang Pada Sistem Kelistrikan Di Indonesia. Jurnal Teknologi. XIX (3):211217. Setiawan, Wahyudi. 2008. Prediksi Harga Saham Menggunakan Jaringan Syaraf Tiruan Multilayer Feedforward Network dengan Alogaritma Backpropagation: 08-020. Bali: Konferensi Nasional Sistem dan Informatika. Siang, J. J. 2005. Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab. Yogyakarta: ANDI. Soewarno, 1995. Hidrologi Aplikasi Metode untuk Analisa Data. Bandung: Nova.
