KECERDASAN BUATAN HYBRID UNTUK PREDIKSI CURAH HUJAN

PROSIDING 2013© Arsitektur

Elektro

Geologi

Mesin

HASIL PENELITIAN FAKULTAS TEKNIK Perkapalan Sipil

KECERDASAN BUATAN HYBRID UNTUK PREDIKSI CURAH HUJAN Andani Achmad, Indrabayu & Fikha C. L Jurusan Teknik Elektro Fakultas Teknik Universitas Hasanuddin Jl. Perintis Kemerdekaan Km.10 Tamalanrea – Makassar, 90245 Telp./Fax.: 081342117772 /(0411) 491085 e-mail: [email protected]; [email protected]

Abstrak Sumbangan Radar AWS dari LAPAN Indonesia telah membuka ruang penelitian yang cukup luas dalam meteorologi.Salah satunya dalam penelitian ini adalah pengembangan kecerdasan buatan hybrid yaitu Jaringan Saraf Tiruan (JST) dan Fuzzy Logic (FL). Pemanfaatan runtun data meteorologi lainnya seperti temperatur, kelembaban dan kecepatan angin dapat menjadi basis prediksi untuk curah hujan. Dalam penelitian ini ketiga parameter tersebut diprediksi secara harian dengan menggunakan JST dan selanjutnya hasilnya di fuzzyfikasi untuk menentukan curah hujan ke depan. Hasil Validasi sudah cukup baik yaitu root mean square error rata-rata yang cukup kecil (< 0.01) serta validasi curah hujan mencapai 81%. Kata Kunci: rele jaringan saraf tiruan, prediksi hujan, fuzzy, hybrid

Abstract LAPAN Indonesia has donated an advanced AWR Radar for UNHAS which become a doorway for a breakthrough in meteorological research. In this research a hybrid model of Artificial Intelligence which combine Neural Network and Fuzzy Logic is proposed to predict daily rainfall. Other data series from meteorological data such as temperature, humidity and wind speed are used as predictor components for daily rainfall. The three parameters are firstly predicted using neural network and then the results feed into the fuzzy logic. Average RMSE shows a promising result that is less than 0.01. The validation also gives a good result with 81% correct prediction. Keywords: neural network, precipitation forecasting, hybrid fuzzy

PENDAHULUAN Indonesia merupakan negara yang dilewati oleh garis katulistiwa serta dikelilingi oleh dua samudera dan dua benua. Posisi ini menjadikan Indonesia sebagai daerah pertemuan sirkulasi meridional (Utara-Selatan) dikenal sebagai Sirkulasi Hadley dan sirkulasi zonal (Timur-Barat) dikenal sebagai Sirkulasi Walker, dua sirkulasi yang sangat mempengaruhi keragaman iklim di Indonesia. Pergerakan matahari yang berpindah dari 23.5o Lintang Utara ke 23.5o Lintang Selatan sepanjang tahun mengakibatkan timbulnya aktivitas moonson yang juga ikut berperan dalam mempengaruhi keragaman iklim. Pengaruh lokal terhadap keragaman iklim juga tidak dapat diabaikan, karena Indonesia merupakan negara kepulauan dengan bentuk topografi sangat beragam menyebabkan sistem golakan lokal cukup dominan. Faktor lain yang diperkirakan ikut berpengaruh terhadap keragaman iklim di Indonesia ialah gangguan siklon tropis. Semua aktivitas dan sistem ini berlangsung secara bersamaan sepanjang tahun akan tetapi besar pengaruh dari masing-masing aktivitas atau sistem tersebut tidak sama dan dapat berubah dari tahun ke tahun (Boer, 2003). Fenomena El-Nino dan La-Nina merupakan salah satu akibat dari penyimpangan iklim. Fenomena ini akan menyebabkan penurunan dan peningkatan jumlah curah hujan untuk beberapa daerah di Indonesia. Menurut Boer (2003) sejak tahun 1844 Indonesia telah mengalami kejadian kekeringan atau jumlah curah hujan di bawah rata-rata normal tidak kurang dari 43 kali. Dari 43 kali kejadian tersebut hanya 6 kali kejadiannya tidak bersamaan dengan kejadian fenomena El-Nino, hal ini menunjukkan bahwa keragaman hujan di Indonesia sangat dipengaruhi oleh fenomena ini.

Volume 7 : Desember 2013

Group Teknik Elektro TE2 - 1

ISBN : 978-979-127255-0-6

Kecerdasan Buatan Hybrid untuk… Arsitektur Elektro

Geologi

Mesin

Andani Achmad, Indrabayu & Fikha C. L Perkapalan Sipil

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, bahkan disertai kerugian materi dan jiwa. Semua itu dapat diantisipasi dengan informasi yang akurat tentang berapa besar curah hujan yang akan turun di suatu tempat pada kurun waktu tertentu. Pembacaan pola curah hujan dapat dilakukan oleh model kecerdasan buatan (Artificial Inteligence) dengan menggunakan data historis mengenai parameter klimatologi. Kota Makassar sampai saat ini menggunakan model HyBMG yang dimiliki oleh BMKG Indonesia. Sebelumnya telah diteliti pendekatan kuantitatif jaringan saraf tiruan (Indrabayu, dkk, 2012) serta pendekatan kualitatif dengan logika fuzzy (Indrabayu dkk, 2012).Dalam penelitian ingin diusulkan suatu model hybrid yaitu jaringan saraf tiruan dikombinasikan dengan logika fuzzy.

Konsep Hujan dan Prediksinya dengan JST RBF Kepulauan maritim Indonesia yang berada di wilayah tropis memiliki curah hujan tahunan yang tinggi, curah hujan semakin tinggi di daerah pegunungan. Curah hujan yang tinggi di wilayah tropis pada umumnya dihasilkan dari proses konveksi dan pembentukan awan hujan panas Pada dasarnya curah hujan dihasilkan dari gerakan massa udara lembab ke atas. Agar terjadi gerakan ke atas, atmosfer harus dalam kondisi tidak stabil. Kondisi tidak stabil terjadi jika udara yang naik lembab dan lapse rate udara lingkungannya berada antara lapse rate adiabatik kering dan lapse rate adiabatik jenuh. Jadi kestabilan udara ditentukan oleh kondisi kelembaban. Karena itu jumlah hujan tahunan, intensitas, durasi, frekuensi dan distribusinya terhadap ruang dan waktu sangat bervariasi. Karena proses konveksi, intensitas curah hujan di wilayah tropis pada umumnya tinggi. Sementara itu di Indonesia, persentase curah hujan yang diterima bervariasi antara 8 % sampai 37 % dengan rata-rata 22 %. Sebagai perbandingan nilai tertinggi di Bavaria, Jerman adalah 3.7 %. Di Bogor, lebih dari 80 % curah hujan yang diterima terjadi dengan curah paling sedikit 20 mm.

Partikel Hydrometeor Hydrometeor dengan diameter sekitar 0.5 mm turun ke bumi berupa partikel-partikel air. Disebut hujan jika partikel-partikel air tersebut jatuh sampai ke tanah. Jika tidak karena menguap sebelum sampai ke tanah, partikel-partikel itu disebut Vigra. Dalam definisi lain, hujan dapat didefinisikan sebagai uap yang mengkondensasi dan jatuh ke tanah dalam rangkaian proses hidrologi. Hujan adalah salah satu bentuk kelanjutan dari uap air yang berasal dari awan pada lapisan atmosfer. Bentuk lainnya adalah salju dan es. Proses jatuhnya uap air sebagai titik-titik hujan memerlukan titik kondensasi, amoniak, debu dan asam belerang. Titik-titik kondensasi ini sifatnya mengambil uap air dari udara. Satuan hujan internasional adalah millimeter atau inci. Untuk Indonesia, satuan curah hujan yang digunakan adalah millimeter (mm)/jam. Curah hujan adalah pendekatan untuk mengetahui ‘banyaknya’ hujan yang turun di permukaan bumi dalam satuan waktu. Curah hujan dihitung berdasarkan ketinggian air hujan yang terkumpul dalam tempat yang datar, tidak menguap, tidak teresap, dan tidak mengalir. Curah hujan 1 (satu) millimeter artinya dalam luasan satu meter persegi tertampung air setinggi satu milimeter atau tertampung sebanyak satu liter. Meskipun berada dekat pada garis khatulistiwa, Indonesia tidak memiliki curah hujan yang sama pada setiap wilayah. Berdasarkan data BMKG, distribusi rata-rata curah hujan bulanan terbagi ke dalam tiga pola hujan, yaitu: a. Pola Hujan Monsoon Wilayah di bawah pola hujan ini memiliki perbedaan yang jelas antara periode musim hujan dan periode musim kemarau dengan ciri memiliki satu puncak musim hujan. b. Pola Hujan Equatorial Ciri pola hujan ini adalah dua puncak musim hujan maksimum dan hampir sepanjang tahun masuk dalam kriteria musim hujan. Dua puncak hujan biasa terjadi pada bulan Maret atau Oktober.

ISBN : 978-979-127255-0-6




Elektro

Geologi

Mesin


c. Pola Hujan Lokal Pola hujan lokal memiliki distribusi hujan bulanan berkebalikan dengan pola monsun. Pola lokal dicirikan oleh bentuk pola hujan unimodial (satu puncak hujan), tetapi bentuknya berlawanan dengan tipe hujan monsoon. Pada kondisi normal, daerah yang bertipe hujan monsoon akan mendapatkan jumlah curah hujan yang berlebih pada saat Monsoon Barat (DJF) disbanding saat Monsoon Timur (JJA). Pengaruh Monsoon di daerah yang memiliki pola curah Hujan Equatorial kurang tegas akibat pengaruh insolasi pada saat terjadi ekinoks. Demikian pula pada daerah yang memiliki pola curah hujan lokal yang lebih dipengaruhi oleh efek Orografi. Pola umum curah hujan di Indonesia antara lain dipengaruhi oleh letak geografis. Secara rinci pola umum hujan di Indonesia dapat diuraikan sebagai berikut: 1. Pantai sebelah barat setiap pulau memperoleh jumlah hujan selalu lebih banyak daripada pantai sebelah timur. 2. Curah hujan di Indonesia bagian barat lebih besar daripada Indonesia bagian timur. Sebagai contoh, deretan pulau-pulau Jawa, Bali, NTB, dan NTT yang dihubungkan oleh selat-selat sempit, jumlah curah hujan yang terbanyak adalah Jawa Barat. 3. Curah hujan juga bertambah sesuai dengan ketinggian tempat. Curah hujan terbanyak umumnya berada pada ketinggian antara 600 – 900 m di atas permukaan laut. 4. Di daerah pedalaman, di semua pulau musim hujan jatuh pada musim pancaroba. Demikian juga halnya di daerah-daerah rawa yang besar. 5. Saat mulai turunnya hujan bergeser dari barat ke timur seperti: a) Pantai barat Pulau Sumatera sampai ke Bengkulu mendapat hujan terbanyak pada Bulan November b) Lampung-Bangka yang letaknya ke timur mendapat hujan terbanyak pada bulan Desember. c) Jawa bagian utara, Bali, NTB, dan NTT pada bulan Januari – Februari. 6. Di Sulawesi Selatan bagian timur, Sulawesi Tenggara, Maluku Tengah, musim hujannya berbeda, yaitu bulan Mei-Juni. Pada saat itu, daerah lain sedang mengalami musim kering. Batas daerah hujan Indonesia barat dan timur terletak pada kira-kira 120º Bujur Timur.

Model Dasar Jaringan Syaraf Tiruan Mengadopsi esensi dasar dari sistem syaraf biologi, syaraf tiruan digambarkan sebagai berikut: Menerima input atau masukan (baik dari data yang dimasukkan atau dari output sel syaraf pada jaringan syaraf. Setiap input datang melalui suatu koneksi atau hubungan yang mempunyai sebuah bobot (weight). Setiap sel syaraf mempunyai sebuah nilai ambang. Jumlah bobot dari input dan dikurangi dengan nilai ambang kemudian akan mendapatkan suatu aktivasi dari sel syaraf (post synaptic potential, PSP, dari sel syaraf). Sinyal aktivasi kemudian menjadi fungsi aktivasi / fungsi transfer untuk menghasilkan output dari sel syaraf. Jika tahapan fungsi aktivasi digunakan (output sel syaraf = 0 jika input < 0 dan 1 jika input >= 0) maka tindakan sel syaraf sama dengan sel syaraf biologi yang dijelaskan di atas (pengurangan nilai ambang dari jumlah bobot dan membandingkan dengan 0 adalah sama dengan membandingkan jumlah bobot dengan nilai ambang). Biasanya tahapan fungsi jarang digunakan dalam Jaringan Syaraf Tiruan. Fungsi aktivasi dapat dilihat pada Gambar 1.

Gambar 1. Blok Diagram Sistem (Sumber: Kusumadewi, 2004)



ISBN : 978-979-127255-0-6


Geologi

Mesin


Keterangan: aj wj,i ini g ai

: Nilai aktivasi dari unit j : Bobot dari unit j ke unit i : Penjumlahan bobot dan masukan ke unit i : Fungsi aktivasi : Nilai aktivasi dari unit i

Persiapan Data Penelitian ini dilakukan dengan beberapa tahapan, yang pertama dilakukan adalah pengambilan data cuaca yang terdiri dari enam variabel. Variabel cuaca ini diukur dan direkam oleh BMKG Bandara Hasanuddin-Makassar. Tidak semua variabel memiliki korelasi yang baik terhadap proses terjadinya hujan, maka dilakukan pemilihan dan pemilahan data dimana data yang memiliki korelasi baik akan dijadikan sebagai input. Untuk prediksi variabel input digunakan neural network. Data yang telah dipilih dikelompokkan menggunakan metode fuzzy cluster means agar di dapatkan parameter premis awal pada sistem fuzzy logic. Kemudian dilakukan perancangan sistem fuzzy logic menggunakan software Matlab 7.6. Data hasil sistem fuzzy logic divalidasi dengan data aktual dari BMKG. Setelah hasil validasi memenuhi kriteria maka langkah selanjutnya adalah validasi cuaca tahun 2010 dan prediksi cuaca tahun 2011 berbasis neural network-fuzzy logic . Langkah selanjutnya dilakukan analisis mengenai kinerja dan ketepatan prediksi sistem, selanjutya dibuat laporan hasil penelitian ini. Data yang digunakan dalam penelitian ini adalah data meteorologi dan klimatologi dari tahun 2004 hingga 2010. Data 2004 hingga 2008 digunakan sebagai data input untuk pelatihan neural network sedangkan data 2005 hingga 2009 digunakan sebagai data input untuk pengujian neural network. Data 2004 hingga 2008 digunakan sebagai data masukan pada fuzzy clustering untuk setiap variabel temperatur, kelembaban, dan kecepatan angin. Data 2009 dipilih dan digunakan sebagai data validasi untuk sistem fuzzy logic untuk melihat keakuratan logika yang telah dibuat pada kondisi terkini. Tidak semua data yang ditemukan tersebut akan digunakan. Hanya variabel yang secara signifikan mempengaruhi kondisi keesokan hari yang akan digunakan. Variabel yang digunakan sebagai masukan adalah: 1. Temperatur 2. Kelembaban 3. Kecepatan angin

Alur Sistem Validasi sistem fuzzy logic dilakukan dengan cara mencocokkan hasil keluaran dengan data aktual rata-rata per hari. Apabila hasil keluaran sistem sesuai dengan variabel linguistik data aktual, maka pada hari tersebut bernilai tepat. Begitu pula sebaliknya, apabila hasil keluaran sistem tidak sama dengan variabel linguistik data aktual maka pada hari tersebut bernilai tidak tepat (error). Sistem yang telah diuji validitasnya akan digunakan untuk memprediksi curah hujan tahun 2010 dan 2011. Neural network dengan Matlab 7.6 digunakan untuk memprediksi variabel input yaitu temperatur, kelembaban, dan kecepatan angin yang selanjutnya akan di input ke dalam perancangan fuzzy logic. Metode neural network yang digunakan dalam penelitian ini adalah backpropagation. Pelatihan pada metode backpropagation bertujuan agar jaringan bisa mengenali input yang di berikan sesuai target yang diinginkan. Proses pelatihan ini dilakukan berulang kali hingga mendapatkan error terkecil atau hingga batas iterasi yang di tentukan. Hasil yang didapatkan dari proses pelatihan akan digunakan untuk proses pengujian. Pengujian jaringan bertujuan untuk melihat apakah persentase kesalahan jaringan dalam memprediksi variabel input sudah kecil, baik itu data latih maupun data uji.

ISBN : 978-979-127255-0-6




Elektro

Geologi

Mesin


Gambar 2. Alur Penelitian Langkah – langkah dalam proses pelatihan neural network adalah sebagai berikut: 1. Me-load data hujan dari tahun 2004-2009, dimana data training px (data input) merupakan data tahun 20042008 dan data tx (data target) merupakan data tahun 2009. 2. Melakukan proses normalisasi data untuk mendapatkan interval data [0 1] 3. Membuat inisialisasi jaringan yang akan dilatih untuk prediksi data yang akan datang. 4. Proses pelatihan jaringan dengan fungsi train. Proses pelatihan ini dilakukan agar sistem neural network mempelajari pola data dari tahun 2004-2008 hingga mendapatkan performansi dan persentasi pencapaian target tahun 2009 yang terbaik. 5. Menghitung keluaran jaringan tahun 2009 dari hasil pelatihan data tahun 2004-2008. Setelah melakukan proses pelatihan, proses pengujian akan dilakukan untuk mendapatkan prediksi variabel input untuk 2010 dan 2011. Langkah-langkah dalam proses pengujian neural network adalah sebagai berikut: 1. Me-load data hujan dari tahun 2005-2009, dimana jumlah tahun data latih sama dengan jumlah tahun data uji. 2. Me-load net hasil pelatihan neural network sebelumnya. Melakukan proses normalisasi data untuk mendapatkan interval data [0 1] 3. Menghitung keluaran jaringan hasil prediksi tahun 2010 untuk pengujian.

HASIL PENELITIAN Sebelum menentukan input yang dipakai untuk memprediksi curah hujan pada sistem neural network-fuzzy logic dilakukan perhitungan korelasi variabel-variabel input terhadap curah hujan untuk mengetahui seberapa besar pengaruh variabel-variabel tersebut terhadap terjadinya hujan. Dari data BMKG didapatkan korelasi temperatur terhadap curah hujan sebesar 0.324, korelasi kelembaban terhadap curah hujan sebesar 0.348, dan korelasi kecepatan angin terhadap curah hujan 0.173. Ketiga variabel input ini dipilih karena memiliki korelasi yang lebih besar dibandingkan dengan variabel yang lain.



ISBN : 978-979-127255-0-6


Geologi

Mesin


29 28.5 28 27.5 27

tx

26.5

xtt

26 25.5 25 24.5 1

3

5

7

9 11 13 15 17 19 21 23 25 27 29 31

Gambar 3. Grafik Perbandingan Pelatihan Temperatur Prediksi dan Observasi

Masing-masing pola dari variabel input yang diprediksi oleh neural network memiliki persentase yang berbedabeda disebabkan pola data yang dipelajari oleh jaringan selama proses pelatihan. Setelah mendapatkan pola yang terbaik dari proses pelatihan dan pengujian 2010 maka hasil prediksi tersebut akan digunakan sebagai input pada sistem fuzzy logic. Tabel 1. RMSE (Root Mean Square Error) dan Persentase Kebenaran Variabel Input Neural Network Tahun 2010 VARIABEL ANGIN TEMPERATUR KELEMBABAN

VARIABEL ANGIN TEMPERATUR KELEMBABAN

VARIABEL ANGIN TEMPERATUR KELEMBABAN

JANUARI % RMSE 67.74% 0.0181 67.74% 0.026 67.74% 0.0096

TAHUN 2010 FEBRUARI MARET % RMSE % RMSE 71.43% 0.0047 77.42% 0.0026 60.71% 0.0109 77.42% 0.0157 67.86% 0.0027 61.29% 0.0144

APRIL % RMSE 53.33% 0.0149 76.67% 0.0138 63.33% 0.0089

RMSE 0.0067 0.0045 0.0054

TAHUN 2010 JUNI JULI % RMSE % RMSE 76.67% 0.0181 70.97% 0.0046 70% 0.0198 73.33% 0.0033 70.00% 0.0056 51.61% 0.008

AGUSTUS % RMSE 80.65% 0.0082 80.65% 7.65E-04 61.29% 0.0056

SEPTEMBER % RMSE 73.33% 0.0099 73.33% 0.0101 73.33% 0.002

TAHUN 2010 OKTOBER NOVEMBER % RMSE % RMSE 61.29% 0.0134 73.33% 0.0101 80.65% 0.0016 66.67% 0.0044 61.30% 0.005 70.00% 0.0052

DESEMBER % RMSE 64.52% 0.0131 57.14% 0.0285 51.61% 0.0078

MEI % 74.19% 77.42% 70.97%

Keterangan: % = Persentase kebenaran RMSE = Root Mean Square Error Dari tabel 1 didapatkan RMSE (RootMean Square Errror) rata-rata hasil prediksi variabel input temperatur, kelembaban, dan kecepatan angin masing-masing 1.16x10-2, 0.0067, dan 0.104. Variabel input temperatur, kelembaban, dan kecepatan angin tahun 2010 yang telah di prediksi dengan metode neural network masing-masing berjumlah 365 data, akan dijadikan variabel input pada sistem fuzzy logic untuk menguji berapa persen keakuratan sistem neural network-fuzzy dalam memprediksi curah hujan ke depannya dengan cara membandingkan hasil prediksi dengan data aktual BMKG tahun 2010.

ISBN : 978-979-127255-0-6




Elektro

Geologi


Mesin

Tabel 2 menunjukkan perbandingan ketepatan prediksi sistem neural network – fuzzy logic tahun 2010 dengan jumlah hari benar sebanyak 220 hari dan tingkat keakuratan mencapai 61.64%. Tabel 2. Validasi Hasil Prediksi Hujan Sistem Neural network- Fuzzy logic dengan Keadaan Sebenarnya Tahun 2010 Fuzzy logic – Neural network 1 Aktual 2 Prediksi Jumlah benar (hari) Jumlah salah (hari) Keakuratan (%)

No.

Cerah 222 273

Hujan Ringan 81 76

Sedang 48 15 225 hari 140 hari 61.64%

Lebat 13 1

Sangat Lebat 1 -

Keakuratan (%) =225/360 hari x 100% = 61.64%

SIMPULAN Dari penelitian yang telah dilakukan dalam prediksi hujan di wilayah Makassar dengan menggunakan metode neural network-fuzzy logic ini, maka dapat disimpulkan bahwa: 1. RMSE (Root Mean Square Errror) rata-rata hasil prediksi variabel input temperatur, kelembaban, dan kecepatan angin masing-masing 1.16x10-2, 0.0067, dan 0.104. 2. Validasi curah hujan tahun 2010 dengan metode fuzzy logic mencapai 81.64%. 3. Validasi curah hujan 2010 dengan metode neural network-fuzzy logic mencapai 67.67%. Ketidaktepatan prediksi hujan tahun 2010 disebabkan cuaca ekstrim yaitu tingginya intensitas hujan pada musim kemarau.

DAFTAR PUSTAKA Fei, Fu. Zhang Jian. Zhou Bao Qi.,2010 “Forecasting of Precipitation by RBF Neural Network and Particle Swarm Optimization”. ICCET, IEEE conference. Indrabayu, Nadjamuddin Harun, M. Saleh Pallu, and Andani Achmad, Prediksi Curah Hujan Dengan Logika Samar, Jurnal PROSIDING FakultasTeknik UNHAS, 2012. Indrabayu, Nadjamuddin Harun, M. Saleh Pallu, and Andani Achmad,Prediksi Curah Hujan Dengan Jaringan Saraf tiruan, Jurnal PROSIDING FakultasTeknik UNHAS, 2012. Kusumadewi, Sri.2004,Membangun Jaringan Syaraf Tiruan Menggunakan Matlab & Excel Link. Graha Ilmu. Siang, jj, 2005, Jaringan syaraf tiruan dan pemrogramannya menggunakan matlab. Yogyakarta: andi yogyakarta.



ISBN : 978-979-127255-0-6


ISBN : 978-979-127255-0-6

Geologi

Mesin




KECERDASAN BUATAN HYBRID UNTUK PREDIKSI CURAH HUJAN

Recommend Documents