PENGGUNAAN ELMAN RECURRENT NEURAL NETWORK DALAM PERAMALAN SUHU UDARA SEBAGAI FAKTOR YANG MEMPENGARUHI KEBAKARAN HUTAN
ANA MAULIDA
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011
ABSTRACT ANA MAULIDA. Utilization of Elman Recurrent Neural Network to Forecast Air Temperature as Forest Fire Factor. Supervised by HARI AGUNG ADRIANTO. Recent forest and land wildfires in Indonesia not only cause to the ecosystem lost but also economical lost as well as health and polution effect. On the other hand, fire weather is concerned to be an important aspects for fire occurrences. Fire weather directly affects fuel temperature, which accelerating its easiness to be burnt. Thus, it is important to clarify the effects of air temperature to forest fire incidence. A statistical analysis and forecasting for air temperature is used to predict the future air temperature condition. In this research we use Elman Recurrent Neural Network (ERNN) to predict the temperature for a few days ahead, then the result of this prediction will be compared by using ARIMA (Ramdani, 2011). In this research we use the air temperature data of 2001- 2004 which implemented using MATLAB. The best result in this research is one day ahead prediction with RMSE 0.51 and MAPE 1.55%. ERNN gave the better performance with MAPE (ERNN) 1.55% and MAPE (ARIMA) 3.11% (Ramdani, 2011). Key word: Elman Recurrent Neural Netwokr, Forecasting, Forest Fire, Temperature.
PENGGUNAAN ELMAN RECURRENT NEURAL NETWORK DALAM PERAMALAN SUHU UDARA SEBAGAI FAKTOR YANG MEMPENGARUHI KEBAKARAN HUTAN
ANA MAULIDA
Skripsi Sebagai salah satu syarat memperoleh gelar Sarjana Komputer Pada Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011
Penguji: 1. Aziz Kustiyo, S.Si, M.Kom 2. Annisa, S. Kom, M.Kom
Judul Nama NIM
: Penggunaan Elman Recurrent Neural Network dalam Peramalan Suhu Udara sebagai Faktor yang Mempengaruhi Kebakaran Hutan : Ana Maulida : G64070129
Menyetujui: Pembimbing
Hari Agung Adrianto, S.Kom, M.Si NIP. 19760917 200501 1 001
Mengatahui: Ketua Departemen Ilmu Komputer Institut Pertanian Bogor
Dr. Ir. Sri Nurdiati, M.Sc. NIP 19601126 198601 2 001
Tanggal Lulus:
RIWAYAT HIDUP Penulis dilahirkan di Meunasah Kepula, Aceh pada tanggal 24 September 1990, dari bapak Fadhli dan ibu Nuridah. Penulis adalah anak kedua dari empat bersaudara. Pada tahun 2004 Penulis studi di MA Jeumala Amal hingga tahun 2007. Pada tahun yang sama penulis berkesempatan untuk melanjutkan studi di Institut Pertanian Bogor (IPB) melalui jalur Beasiswa Utusan Daerah (BUD) yang diselenggarakan oleh Kementrian Agama (KEMENAG) melalui seleksi Program Beasiswa Santri Berprestasi (PBSB). Penulis memilih Program Studi Ilmu Komputer, Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam. Pada tahun 2010, penulis melaksanakan kegiatan praktik kerja lapangan di Badan Pengkajian dan Penerapan Teknologi (BPPT) selama dua bulan. Selama menuntut ilmu di IPB, penulis aktif dalam beberapa kegiatan kemahasiswaan, yaitu sebagai Anggota Bina Desa BEM KM IPB periode 2009/2010 dan anggota Himpunan Mahasiswa Ilmu Komputer (HIMALKOM) serta anggota CSS MoRA (Community of Santri Scholers of Ministry of Religion Affairs).
PRAKATA Puji syukur senantiasa Penulis panjatkan kehadirat Allah SWT yang telah melimpahkan rahmat dan karunia-Nya sehingga Penulis dapat menyelesaikan skripsi berjudul “Penggunaan Elman Recurrent Neural Network dalam Peramalan Suhu Udara sebagai Faktor yang Mempengaruhi Kebakaran Hutan” sebagai syarat untuk memperoleh gelar Sarjana Komputer pada Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Dalam menyelesaikan skripsi ini, banyak pihak yang selalu memberikan dukungan dan bantuannya kepada Penulis, oleh sebab itu Penulis ingin menyampaikan rasa terima kasih kepada: 1. Bapak dan Mama tercinta, atas semua do’a, kasih sayang, pengertian dan cinta yang tiada batas. Kakakku Lia Nanda Safitri, adik-adikku, Khairul Munzir dan Azkia Rahmah serta seluruh keluarga besar yang telah memberi perhatian penuh selama Penulis menjalani hidup di Bogor. 2. Kementrian Agama (KEMENAG) dan seluruh jajarannya yang telah memberikan beasiswa kepada Penulis selama studi di IPB. 3. Bapak Hari Agung Adrianto, S.Kom, M.Si, selaku dosen pembimbing yang selalu memberikan bimbingan dan saran selama penyelesaian skripsi. 4. Bapak Aziz Kustiyo, S.Si, M.Kom dan Ibu Annisa, S.Kom, M.Kom selaku dosen penguji atas kesediaannya menguji pada waktu sidang. 5. Muhamad Arif Fauzi atas semua diskusi, bahasan, pendapat, saran, kritik, semangat, kesabaran, kasih sayang, dan perhatian. Terima kasih untuk selalu disini, untuk selalu percaya dan untuk semuanya. 6. Arif, Fadli, Romi, Erna dan Hendra, rekan-rekan satu bimbingan Penulis. 7. Ade, Chandra, Mukhlis, Jilly atas semua saran dan masukan yang membantu Penulis untuk menyelesaikan penelitian ini. 8. Windy Widowati, Nur Nisa,Dimpi, Anti, dan teman-teman seperjuangan Ilmu Komputer angkatan 44 yang banyak membantu Penulis baik dalam masa penulisan tugas akhir dan masa perkuliahan empat tahun terakhir. 9. Departemen Ilmu Komputer, para staf, dan dosen yang telah banyak membantu Penulis pada masa perkuliahan dan penelitian. 10. Dan semua pihak yang telah membantu Penulis dalam menyelesaikan masa perkuliahan selama di Ilmu Komouter IPB. Semoga tulisan ini dapat bermanfaat dan dapat terus dikembangkan di masa mendatang.
Bogor, November 2011
Ana Maulida
vi
DAFTAR ISI Halaman DAFTAR GAMBAR .....................................................................................................................viii DAFTAR TABEL ..........................................................................................................................viii DAFTAR LAMPIRAN ..................................................................................................................viii PENDAHULUAN Latar Belakang .............................................................................................................................. 1 Tujuan ........................................................................................................................................... 1 Ruang Lingkup ............................................................................................................................. 1 TINJAUAN PUSTAKA Kebakaran Hutan .......................................................................................................................... 1 Suhu Udara ................................................................................................................................... 2 Artificial Neural Network (ANN) ................................................................................................. 2 Recurrent Neural Network (RNN) ................................................................................................ 2 Elman Recurrent Neural Network (ERNN) .................................................................................. 2 Fungsi Aktivasi ............................................................................................................................. 3 Ketepatan Pendugaan .................................................................................................................... 4 METODE PENELITIAN Kerangka Penelitian ...................................................................................................................... 4 Studi Literatur........................................................................................................................... 4 Pengambilan Data ..................................................................................................................... 4 Pemilihan Data ......................................................................................................................... 5 Proses pada ERNN ................................................................................................................... 5 Perbandingan Kinerja ERNN dengan ARIMA ......................................................................... 5 Analisis dan Evaluasi ............................................................................................................... 5 HASIL DAN PEMBAHASAN Pola Input Data ERNN ................................................................................................................. 5 Perbandingan Kinerja ERNN vs ARIMA ..................................................................................... 8 SIMPULAN DAN SARAN SIMPULAN .................................................................................................................................. 9 SARAN ......................................................................................................................................... 9 DAFTAR PUSTAKA ....................................................................................................................... 9 LAMPIRAN .................................................................................................................................... 11
vii
DAFTAR GAMBAR Halaman 1 Segitiga api ..................................................................................................................................... 2 2 Struktur konseptual dari jaringan Elman ........................................................................................ 3 3 Diagram alur pada proses ERNN ................................................................................................... 3 4 Grafik fungsi sigmoid biner (kiri) dan sigmoid bipolar (kanan) .................................................... 3 5 Grafik fungsi identitas (purelin) ..................................................................................................... 4 6 Diagram alur proses peramalan suhu udara dengan ERNN ........................................................... 4 7 Ilustrasi contoh pola input untuk target 1 hari ................................................................................ 5 8 Ilustrasi contoh pola input untuk target 2 hari ................................................................................ 5 9 Grafik nilai prediksi dan aktual kelompok percobaan 1 hari ke depan .......................................... 6 10 Grafik nilai prediksi dan aktual kelompok percobaan 2 hari ke depan ........................................ 6 11 Grafik nilai prediksi dan aktual kelompok percobaan 3 hari ke depan ........................................ 6 12 Grafik nilai prediksi dan aktual kelompok percobaan 4 hari ke depan ........................................ 7 13 Grafik nilai prediksi dan aktual kelompok percobaan 5 hari ke depan ........................................ 7 14 Grafik nilai prediksi dan aktual kelompok percobaan 6 hari ke depan ........................................ 7 15 Grafik nilai prediksi dan aktual kelompok percobaan 7 hari ke depan ........................................ 7 16 RMSE intuk semua kelompok percobaan .................................................................................... 8 17 MAPE intuk semua kelompok percobaan .................................................................................... 8 18 Hasil kinerja ERNN vs ARIMA ................................................................................................... 9
DAFTAR TABEL Halaman 1 Struktur ERNN yang digunakan..................................................................................................... 5 2 Hasil kinerja ERNN untuk semua kelompok percobaan ................................................................ 8 3 Hasil kinerja ERNN vs ARIMA ..................................................................................................... 8
DAFTAR LAMPIRAN Halaman 1 Langkah-langkah Elman Backpropagation (BP) ........................................................................ 12 2 Turunan fungsi aktivasi ............................................................................................................... 14 3 Hasil prediksi semua kelompok percobaan ................................................................................. 15
viii
PENDAHULUAN Latar Belakang Hutan memiliki peran penting dalam mempertahankan lingkungan hidup manusia. Hutan juga merupakan sumber daya alam yang memberikan manfaat besar bagi kesejahteraan manusia. Menurut (Rahmawati 2004) hutan memiliki beberapa manfaat di antaranya adalah sebagai produksi, hidrologi, ilmu pengetahuan alam, wisata dan budaya. Melihat pentingnya manfaat dan peranan hutan tersebut maka diperlukan usaha perlindungan agar hutan tetap terjaga kelestariannya. Namun dalam mengelola hutan, pihak pengelola tidak akan lepas dari masalah gangguan keamanan pada hutan. Pada hutan tanaman industri, selain gangguan hama penyakit dan pencurian, kebakaran hutan merupakan masalah terbesar bagi pengelola hutan. Kebakaran hutan yang sering terjadi sebagian besar tidak hanya merusak lingkungan alam dan keseimbangan ekologi, tetapi juga mengancam keamanan nyawa dan harta manusia. Kebakaran hutan di Indonesia memiliki perhatian yang cukup besar, baik nasional maupun internasional karena Indonesia merupakan pusat biodiversity (keanekaragaman makhluk hidup). Untuk mengontrol kebakaran hutan kita perlu memahami perilaku kebakaran tersebut. Salah satu caranya dengan menemukan pola tak terduga yang tersembunyi dalam suatu database kebakaran hutan. Salah satu hal yang dapat dilakukan adalah melakukan peramalan kebakaran hutan untuk mengontrol kebakaran hutan. Terdapat beberapa variabel yang sering digunakan dalam pencegahan kebakaran hutan, di antaranya adalah curah hujan, suhu udara, kelembaban udara, intensitas cahaya matahari, dan kecepatan angin (cuaca kebakaran). Variabel tersebut diperoleh dari stasiun klimatologi hasil observasi lapangan yang diambil secara berurutan berdasarkan interval harian. Menurut Young dan Giesse dalam (Thoha 2010), suhu merupakan faktor cuaca penting yang dapat menyebabkan terjadinya kebakaran hutan dan suhu udara juga secara konstan merupakan faktor yang berpengaruh pada suhu bahan bakar dan kemudahan bahan bakar untuk terbakar. Oleh karena itu pemahaman terhadap pola
suhu udara akan membantu memprediksi kebakaran hutan. Salah satu metode analisis statistik yang telah dilakukan adalah peramalan suhu udara menggunakan pemodelan ARIMA (Ramdani 2011). Pada peramalan time series selain menggunakan pemodelan ARIMA, menurut (Subanar dan Sulandari) Elman Recurrent Neural Network (ERNN) adalah salah satu model Neural Network (NN) yang optimal untuk prediksi time series. Dengan demikian dalam penelitian ini akan menggunakan ERNN untuk memprediksi suhu udara di masa mendatang. Hasil prediksi suhu udara tersebut diharapkan dapat digunakan sebagai salah satu parameter dalam prediksi kejadian kebakaran hutan. Tujuan Tujuan yang hendak dicapai dari penelitian ini adalah: 1. Memprediksi suhu udara menggunakan ERNN. 2. Menentukan berapa hari ke depan yang baik sebagai prediksi menggunakan ERNN. 3. Membandingkan hasil prediksi time series menggunakan ERNN dengan hasil prediksi menggunakan metode ARIMA (Ramdani 2011). Ruang Lingkup Penelitian dibuat dengan batasan sebagai berikut: 1. Implementasi dalam mengolah data time series menggunakan MATLAB. 2. Menggunakan data suhu udara tahun 2000-2004. 3. Peramalan data time series dengan menggunakan ERNN, yaitu dengan hanya menggunakan satu variabel (suhu udara). Penelitian ini merupakan penelitian pendahuluan untuk menentukan pola yang tepat untuk peramalan suhu udara. Karenanya penelitian ini belum mencakup hubungan antara suhu udara dengan prediksi kebakaran hutan.
TINJAUAN PUSTAKA Kebakaran Hutan Kebakaran merupakan suatu proses reaksi yang menyebar secara bebas dari perpaduan antara unsur oksigen, bahan bakar
1
hutan dan panas, ditandai dengan adanya cahaya, panas dan asap. Proses ini menyebar dengan bebas dan mengonsumsi bahan bakar alam yang terdapat di hutan seperti serasah, rumput, humus, rantingranting, kayu mati, tiang, gulma, semak, dedaunan dan pepohonan segar lainnya (Brown dan Davis 1973). Proses kebakaran hutan merupakan kebalikan dari proses fotosintesis (Brown dan Davis 1973) : Proses fotosintesis, CO2+H2O+energi matahari
C6H12O6+O2
Proses pembakaran, C6H12O6+O2+sumber panas +energi panas
CO2+H2O
Proses kebakaran hanya dapat terjadi apabila terdapat tiga unsur yang saling mendukung, yakni bahan bakar, oksigen dan sumber panas yang disebut dengan segitiga api (Clar dan Chatten 1945). Ilustrasi ketiga unsur tersebut dapat dilihat pada Gambar 1. Bahan Bakar
API Oksigen
Panas
Gambar 1 Segitiga api (Clar dan Chatten 1945) Suhu Udara Suhu rata-rata harian di daerah tropika termasuk Indonesia relatif konstan sepanjang tahun (Handoko 1993), sedangkan suhu udara akan berfluktuatif dengan nyata setiap periode 24 jam. Fluktuatif ini berkaitan erat dengan proses pertukaran energi yang berlangsung di atmosfer. Menurut Young dan Giesse dalam (Thoha 2010), suhu udara merupakan faktor cuaca penting yang dapat menyebabkan terjadinya kebakaran hutan dan suhu udara juga secara konstan merupakan faktor yang berpengaruh pada suhu bahan bakar dan kemudahan bahan bakar untuk terbakar.
cuaca. Dalam satu tahun kalender terbagi ke dalam 36 dasarian (BMG 2008 dalam Yunus 2009). Artificial Neural Network (ANN) Artificial neural network atau biasa disebut neural network adalah sistem pemrosesan informasi yang memunyai karakteristik mirip dengan jaringan saraf biologi. Neural network telah dikembangkan sebagai generalisasi model matematik dari neuron biologis manusia, yang berbasis pada asumsi sebagai berikut (Siang 2005): 1. Pemrosesan informasi terjadi pada banyak elemen sederhana yang disebut neuron. 2. Sinyal diberikan antara neuron melalui penghubung-penghubung. 3. Penghubung antar neuron memiliki bobot yang akan memperkuat atau memperlemah sinyal. 4. Setiap neuron menerapkan fungsi aktivasi terhadap jumlah sinyal masukan terbobot untuk menentukan sinyal keluarannya. Neural network dikarakteristikkan dengan (Siang 2005): 1. Pola hubungan antar neuron (arsitektur). 2. Metode untuk menentukan bobot untuk penghubung (pembelajaran atau algoritme). 3. Fungsi aktivasi. Beberapa arsitektur jaringan yang sering dipakai dalam jaringan saraf tiruan antara lain (Siang 2005): 1. Jaringan lapisan tunggal (single layer network) 2. Jaringan lapisan jamak (multilayer network) 3. Jaringan Recurrent Recurrent Neural Network (RNN) Recurrent Neural Network mempunyai struktur dan algoritme pelatihan yang lebih kompleks dibandingkan Feedforward Neural Network (Xiaolin Hu dan Balasubramaniam 2008). Pada RNN, output dari network digunakan kembali sebagai input dengan mengirimkan kembali sebagai input network.
Dasarian Dasarian adalah satuan waktu meteorologi, yang lamanya adalah sepuluh hari. Satuan dasarian biasa dipakai dalam analisis cuaca dan dalam metode perkiraan
Elman Recurrent Neural Network (ERNN) Elman recurrent neural network adalah jaringan yang kuat untuk mengekstraksi fitur informatif yang berkaitan dengan sistem
2
dinamis pada lapisan tersembunyi (Elman 1990). Perbedaan utama yang terdapat pada struktur ini adalah masukan jaringan tidak hanya nilai masukan dari luar jaringan tetapi ditambah dengan nilai keluaran dari neuron tersembunyi dari propagasi sebelumnya seperti pada Gambar 2. Himpunan neuron yang menerima umpan balik nilai ini disebut juga lapisan status atau layer konteks.
Gambar 2 Struktur konseptual dari jaringan Elman Jaringan Elman terdiri atas N lapisan tersembunyi. Lapisan pertama memiliki bobot-bobot yang diperoleh dari lapisan input. Seperti halnya jaringan saraf yang lain, setiap lapisan akan menerima bobot dari lapisan sebelumnya. Semua lapisan kecuali lapisan terakhir memiliki satu bobot recurrent, semua lapisan memiliki bias (Kusumadewi 2004). Pada tiap langkahnya, masukan disebarkan dengan cara standar feedforward lalu dilakukan pembelajaran menggunakan algoritme Elman backpropagation (Gruning 2007), seperti yang terlihat pada Gambar 3. Dasar dari cara ini adalah menggunakan nilai keluaran dari hidden layer, yhidden (t1) sebagai masukan tambahan. Galat dalam hidden layer hanya digunakan untuk memodifikasi bobot untuk masukan tambahan ini. Adapun algoritma pelatihan ERNN dapat dilihat pada Lampiran 1.
Gambar 3 Diagram alur pada proses ERNN Fungsi Aktivasi Beberapa fungsi aktivasi yang sering dipakai adalah: a. Fungsi Sigmoid Dalam backpropagation, fungsi aktivasi yang dipakai harus memenuhi beberapa syarat yaitu: kontinu, terdiferensial dengan mudah dan merupakan fungsi yang tidak turun (Siang 2005). fungsi yang memenuhi ketiga syarat tersebut adalah fungsi sigmoid. Terdapat dua buah fungsi sigmoid yaitu sigmoid biner (logsig) dan sigmoid bipolar (tansig), namun yang digunakan dalam penelitian ini adalah fungsi sigmoid biner (logsig). Grafik fungsinya tampak pada Gambar 4.
Gambar 4 Grafik fungsi sigmoid biner (kiri) dan sigmoid bipolar (kanan)
3
Sigmoid biner memiliki nilai interval (0,1) dan memiliki bentuk fungsi:
METODE PENELITIAN Kerangka Penelitian
Turunan fungsi dapat dilihat pada Lampiran 2. Sedangkan pada sigmoid bipolar yang bentuk fungsinya mirip dengan fungsi sigmoid biner, tapi dengan interval (-1,1) dengan turunan fungsi dapat dilihat pada Lampiran 2.
b. Fungsi identitas Fungsi identitas dipakai apabila kita menginginkan keluaran jaringan berupa sembarang bilangan real (bukan hanya pada interval [0,1] atau [-1,1]). grafik fungsi identitas tampak pada Gambar 5.
Penelitian ini dikembangkan dengan metode yang terdiri atas beberapa tahap yaitu seperti yang terdapat pada Gambar 6. Mulai
Studi Literatur
Pengambilan Data
Pemilihan Data
Pengolahan Data Menggunakan ERNN
ARIMA (Ramdani 2011)
Perbandingan ERNN vs ARIMA Analisis dan Evaluasi
Gambar 5 Grafik fungsi identitas (purelin) Ketepatan Pendugaan Ketepatan atau keakuratan suatu model regresi dapat dilihat dari Root Mean Square Error (RMSE) dan Mean Absolute Percentage Error (MAPE). Dengan persamaan menurut (Douglas et. al 2008) sebagai berikut:
Dokumentasi dan Pelaporan
Selesai
Gambar 6 Diagram alur proses peramalan suhu udara dengan ERNN Studi Literatur
Semakin kecil nilai MAPE menunjukkan bahwa data hasil prediksi mendekati nilai aktual, sedangkan RMSE menunjukkan seberapa besar simpangan nilai dugaan terhadap nilai aktualnya. Kecocokan model dikatakan semakin baik jika RMSE mendekati 0.
dengan : = nilai aktual pada waktu ke-t = nilai dugaan pada waktu ke-t n = jumlah data yang diprediksi
Studi literatur dilakukan dengan mempelajari buku-buku baik yang tercetak maupun digital, juga sumber-sumber dari internet yang berkaitan dengan peramalan suhu udara dalam prediksi kebakaran hutan. Mempelajari hasil dari penelitian dari (Ramdani 2011) “Penggunaan Model ARIMA dalam Peramalan Suhu Udara untuk Prediksi Kebakaran Hutan di Sekitar Palangkaraya”. Pengambilan Data Data yang digunakan dalam penelitian ini adalah data klimatologi tahun 2000 sampai 2004 yang diambil oleh Badan Meteorologi dan Geofisika Wilayah III di Stasiun Meteorologi Tjilik Riwut Jl. A
4
Donis Samad Palangka Raya, 27 meter di atas permukaan laut. Variabel-variabel data yang diambil antara lain suhu, curah hujan, kelembaban, tekanan udara, dan angin yang diambil secara berurutan berdasarkan interval hari. Namun dalam penelitian ini hanya menggunakan data suhu saja. Pemilihan Data Data terdiri atas 1765 record yang terbagi menjadi dua bagian. Pertama, data yang digunakan untuk proses pembelajaran (training) dari tanggal 1 Januari 2000 sampai 30 September 2004. Kedua, data yang digunakan untuk pengujian (testing) yaitu data suhu udara dari tanggal 1 Oktober sampai 31 Oktober 2004. Proses pada ERNN
arsitektur ERNN yang sudah terboboti tersebut untuk mendapatkan nilai dugaannya. Parameter yang digunakan pada saat proses penentuan arsitektur ERNN adalah hidden node 5 dengan laju pembelajaran atau learning rate 0.3, 0.1 dan 0.01 untuk mengetahui kinerja jaringan secara umum dengan toleransi galat yang digunakan adalah 0,001. Fungsi aktivasi yang digunakan adalah sigmoid biner (logsig) pada lapisan tersembunyi dan fungsi identitas (purelin) pada lapisan output. Struktur ERNN yang digunakan dalam penelitian ini seperti pada Tabel 1. Tabel 1 Struktur ERNN yang digunakan Karakteristik
Spesifikasi
Arsitektur
1 hidden layer
Hidden Node
5
Data input terdiri atas 7 kelompok percobaan yaitu untuk prediksi 1 hingga 7 hari ke depan. Untuk prediksi 1 hari ke depan menggunakan data masukan 10 hari sebelum target (warna hijau) dan target (warna merah) seperti yang terlihat pada Gambar 7, untuk prediksi 2 hari ke depan menggunakan data masukan 10 hari sebelum target (warna hijau) dengan lag 1 hari sebelum target (warna merah) seperti yang terlihat pada Gambar 8, begitu juga untuk prediksi 3, 4, 5, 6, dan 7 hari ke depan.
Perbandingan Kinerja ERNN vs ARIMA
Gambar 7 Ilustrasi contoh pola input untuk prediksi 1 hari
Setelah proses pada ERNN selesai sehingga didapatkan hasil prediksinya, selanjutnya akan dibandingkan tingkat keakuratan hasil kinerja ERNN dengan hasil kinerja ARIMA (Ramdani, 2011) menggunakan perbandingan MAPE. Semakin kecil MAPE yang di dapat berarti nilai hasil prediksi semakin mendekati nilai aktualnya dan kinerjanya semakin bagus.
Fungsi aktivasi hidden layer Fungsi aktivasi output layer
logsig purelin
Toleransi galat
0.001
Maksimum epoch
500
Learning rate
0.3, 0.1 dan 0.01
Analisis dan Evaluasi
Gambar 8 Ilustrasi contoh pola input untuk prediksi 2 hari
Setelah proses ERNN dilakukan dan dibandingkan hasil kinerjanya dengan ARIMA, selanjutnya adalah menganalisis dan mengevaluasi kinerja ERNN berdasarkan parameter dan data yang digunakan.
HASIL DAN PEMBAHASAN Satu kelompok data dibagi menjadi data training dan data testing. Data training di latih terlebih dahulu untuk mendapatkan arsitektur ERNN yang terboboti dan mensimulasikan data testing dengan
Pola Input Data ERNN Keakuratan pendugaan dalam ERNN sangat dipengaruhi oleh pola input data dan
5
Pada kelompok percobaan pertama, data suhu udara untuk prediksi 1 hari ke depan. Data dibagi menjadi dua bagian, training dan testing menggunakan data masukan 10 tanpa ada lag dengan target. Grafik pada Gambar 9 merupakan grafik pendugaan terbaik yang didapatkan pada kelompok percobaan ini dengan stuktur ERNN terdiri atas jumlah hidden node sebanyak 5 dan learning rate sebesar 0,3. MAPE yang di hasilkan adalah 1,55% dengan RMSE sebesar 0,51. Terlihat garis prediksi menempel garis aktual. Namun ada beberapa juga yang nilai prediksinya tidak sama dengan nilai aktual sehingga menghasilkan sisaan yang disebut error.
32 30 Temperatur (c)
parameter yang digunakan. Pada metode penelitian telah dijelaskan, data diolah ke dalam beberapa kelompok percobaan dan selanjutnya akan dibahas dan diperlihatkan grafik untuk masing-masing percobaan dengan proses kinerja terbaiknya.
28 26 24 Akt pre
22 20 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 Tanggal
Gambar 10 Grafik nilai prediksi dan aktual kelompok percobaan 2 hari ke depan Pada kelompok percobaan ketiga, data suhu udara untuk prediksi 3 hari ke depan. Data dibagi menjadi dua bagian, training dan testing menggunakan data masukan 10 dengan lag 2 hari antara data masukan dan target. Grafik pada Gambar 11 merupakan grafik pendugaan terbaik yang didapatkan pada kelompok percobaan ini. MAPE yang dihasilkan adalah 2,12% dengan RMSE sebesar 0,73.
30
30
28
Temperatur (c)
Temperatur (c)
32 32
28 26 24
Akt pre
22
26 Akt
24
pre 22 20 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31
20 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31
Tanggal
Tanggal
Gambar 9 Grafik hasil prediksi dan aktual kelompok percobaan 1 hari ke depan Pada kelompok percobaan kedua, data suhu udara untuk prediksi 2 hari ke depan. Data dibagi menjadi dua bagian, training dan testing menggunakan data masukan 10 dengan lag 1 hari antara data masukan dan target. Grafik pada Gambar 10 merupakan grafik pendugaan terbaik yang didapatkan pada kelompok percobaan ini dengan stuktur ERNN terdiri atas jumlah hidden node sebanyak 5 dan learning rate sebesar 0,3. MAPE yang dihasilkan adalah 1,78% dengan RMSE sebesar 0,60. Apabila dibandingkan dengan percobaan pertama terlihat terdapat peningkatan MAPE sebesar 0,23 % dan peningkatan RMSE sebesar 0,1. Hal ini menunjukkan bahwa untuk prediksi 1 hari kedepan lebih baik dibandingkan prediksi 2 hari ke depan.
Gambar 11 Grafik nilai prediksi dan aktual kelompok percobaan 3 hari ke depan Arsitektur ERNN yang didapat pada Gambar 11 terdiri atas jumlah hidden node sebanyak 5 dan learning rate sebesar 0,3. Pada kelompok percobaan keempat, data suhu udara untuk prediksi 4 hari ke depan. Data dibagi menjadi dua bagian, training dan testing menggunakan data masukan 10 dengan lag 3 hari antara data masukan dan target. Grafik pada Gambar 12 merupakan grafik pendugaan terbaik yang di dapatkan pada kelompok percobaan ini. MAPE yang di hasilkan adalah 2,33% dengan RMSE sebesar 0,78. Arsitektur ERNN yang di dapat pada Gambar 12 terdiri atas jumlah hidden node sebanyak 5 dan learning rate sebesar 0,3.
6
32
32 30
28 26 24
Akt
22
pre
Temperatur (c)
Temperatur (c)
30
20
28 26 24
Akt
22
pre
20
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31
Tanggal
Tanggal
Gambar 14 Grafik nilai prediksi dan aktual kelompok percobaan 6 hari ke depan
Pada kelompok percobaan kelima, data suhu udara untuk prediksi 5 hari ke depan. Data dibagi menjadi dua bagian, training dan testing menggunakan data masukan 10 dengan lag 4 hari antara data masukan dan target. Grafik pada Gambar 13 merupakan grafik pendugaan terbaik yang didapatkan pada kelompok percobaan ini. MAPE yang dihasilkan adalah 2,39% dengan RMSE sebesar 0,80.
Pada kelompok percobaan ketujuh, data suhu udara untuk prediksi 7 hari ke depan. Data dibagi menjadi dua bagian, training dan testing menggunakan data masukan 10 dengan lag 6 hari antara data masukan dan target. Grafik pada Gambar 15 merupakan grafik pendugaan terbaik yang didapatkan pada kelompok percobaan ini. MAPE yang dihasilkan adalah 2,5% dengan RMSE sebesar 0,83.
32
32
30
30
28 26 24
Akt pre
22
Temperatur (c)
Temperatur (c)
Gambar 12 Grafik nilai prediksi dan aktual kelompok percobaan 4 hari ke depan
28 26 24 Akt
22
pre
20 1
3
5
7
9 11 13 15 17 19 21 23 25 27 29 31 Tanggal
20 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 Tanggal
Gambar 13 Grafik nilai prediksi dan aktual kelompok percobaan 5 hari ke depan
Gambar 15 Grafik nilai prediksi dan aktual kelompok percobaan 7 hari ke depan
Arsitektur ERNN yang didapat pada Gambar 13 terdiri atas jumlah hidden node sebanyak 5 dan learning rate sebesar 0,3.
Apabila dibandingkan dengan percobaan sebelumnya (percobaan 6) terlihat terdapat penurunan MAPE sebesar 0,09 % dan penurunan RMSE sebesar 0,04. Arsitektur ERNN yang didapat pada Gambar 15 terdiri atas jumlah hidden node sebanyak 5 dan learning rate sebesar 0,3.
Pada kelompok percobaan keenam, data suhu udara untuk prediksi 6 hari ke depan. Data dibagi menjadi dua bagian, training dan testing menggunakan data masukan 10 dengan lag 5 hari antara data masukan dan target. Grafik pada Gambar 14 merupakan grafik pendugaan terbaik yang didapatkan pada kelompok percobaan ini. MAPE yang dihasilkan adalah 2,59% dengan RMSE sebesar 0,87. Arsitektur ERNN yang di dapat pada Gambar 14 terdiri atas jumlah hidden node sebanyak 5 dan learning rate sebesar 0,3.
Dari kelompok percobaan 1 sampai 7 hasil kinerja ERNN semakin menurun, dimana RMSE dan MAPE semakin meningkat seperti terlihat pada Tabel 2. Semua kelompok percobaan (1 sampai 7) mamberikan hasil pendugaan terbaik pada saat percobaan menggunakan learning rate 0,3 dan hidden node 5. Hal ini dapat disimpulkan bahwa untuk prediksi data time series suhu udara menggunakan ERNN, laju pembelajaran (learning rate) 0,3 lebih baik daripada 0,1 dan 0,01. Namun demikian, untuk kasus lain belum tentu learning rate 0,3 memberikan hasil yang lebih baik.
7
Pada kelompok percobaan 7 terjadi sedikit penurunan RMSE dan MAPE seperti yang terlihat pada Gambar 16 dan Gambar 17. Untuk hasil keseluruhan kelompok percobaan dapat dilihat pada Lampiran 3. Tabel 2 Hasil kinerja ERNN untuk semua kelompok percobaan
lebih bagus yaitu memiliki MAPE 1,55 %. Maka dapat disimpulkan bahwa kinerja ERNN (1,55%) lebih bagus dibandingkan dengan kinerja ARIMA (3,11%) seperti yang terlihat pada Tabel 3 dan Gambar 18. Tabel 3 Hasil kinerja ERNN vs ARIMA Tanggal
Aktual
ERNN
ARIMA
Kel_percobaan
RMSE
MAPE
1
26,3
26,68
26,75
1
0,5059
1,55%
2
27,4
26,89
26,76
27,3
27,05
26,76
2
0,6033
1,78%
3
3
0,7301
2,12%
4
26,5
27,09
26,75
4
0,7787
2,33%
5
27,1
27,01
26,75
5
0,8047
2,39%
6
27,0
26,67
26,76
6
0,8692
2,59%
7
26,3
26,79
26,77
7
0,8312
2,50%
8
27,0
27,12
26,78
9
28,1
27,28
26,77
10
28,0
27,50
26,77
11
27,9
27,47
26,77
12
27,6
26,82
26,77
1.50%
13
27,4
26,73
26,77
1.00%
14
27,3
27,13
26,77
15
27,1
27,59
26,78
16
26,8
27,84
26,78
17
27,3
28,06
26,77
18
28,3
28,18
26,77
19
27,4
27,83
26,77
20
28,2
27,89
26,78
21
26,8
26,83
26,78
22
28,7
27,68
26,78
23
27,8
27,40
26,78
24
27,9
28,26
26,78
25
27,8
27,79
26,78
26
28,2
28,03
26,78
Gambar 17 RMSE untuk semua kelompok percobaan
27
28,2
28,02
26,78
28
27,7
28,27
26,78
Perbandingan Kinerja ERNN vs ARIMA Penelitian menggunakan model ARIMA untuk prediksi suhu udara telah dilakukan oleh (Ramdani 2011) yang menyimpulkan bahwa model AR(5) merupakan model yang baik digunakan untuk peramalan suhu udara perhari (1 hari ke depan) karena memiliki nilai MAPE 3,11%. Penelitian ini menggunakan ERNN untuk prediksi 1 hari ke depan menggunakan parameter hidden node 5 dan LR 0,3 memberikan hasil yang
29
29,0
28,45
26,78
30
28,3
28,21
26,78
31
27,8
28,37
26,78
3.00% 2.33% 2.39%
MAPE
2.50% 2.00%
2.59% 2.50%
2.12% 1.78% 1.55%
0.50% 1
2
3
4
5
6
7
Kelompok Percobaan
Gambar 16 MAPE untuk semua kelompok percobaan 1
0.8692
0.9 0.7301
RMSE
0.8
0.8312
0.6033
0.7 0.6
0.7787 0.8047
0.5059
0.5 0.4 0.3 1
2
3
4
5
6
7
Kelompok Percobaan
8
3. Penelitian lanjutan disarankan untuk pembagian data training dan data testing berdasarkan musim atau iklim.
30.0
Temperatur (c)
29.0 28.0
DAFTAR PUSTAKA
27.0 26.0 Aktual ERNN ARIMA
25.0 24.0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 Tanggal
Gambar 18 Perbandingan hasil kinerja ERNN vs ARIMA
SIMPULAN DAN SARAN SIMPULAN Dari hasil analisis data yang telah dilakukan dapat diambil kesimpulan: 1. Elman recurrent neural network mampu meramalkan suhu udara, namun dengan data yang cukup. Karena apabila data pelatihan tidak cukup, ERNN tidak dapat mempelajari hubungan antara variabel input-output dengan baik. 2. ERNN bagus untuk memprediksi 1 hari ke depan menggunakan parameter hidden node 5 dan LR 0,3 dengan RMSE 0,51 dan MAPE 1,55%. 3. Tingkat keakuratan ERNN (1,55%) dalam memprediksi suhu udara lebih bagus dibandingkan dengan model ARIMA (3,11%) (Ramdani 2011) untuk data time series suhu udara. SARAN Penelitian ini adalah penelitian pendahuluan mengenai penggunaan ERNN untuk prediksi suhu udara. Untuk itu diperlukan penelitian lanjutan sebagai berikut: 1. Penelitian lanjutan validasi model dengan data kejadian kebakaran hutan untuk memperlihatkan hubungan antara suhu udara dengan prediksi kebakaran hutan. 2. Penelitian lanjutan penerapan ERNN untuk faktor-faktor cuaca lain yang mempengaruhi kebakaran hutan, yaitu kelembaban udara, curah hujan, arah angin, intensitas cahaya matahari dan lain-lain.
Brown AA, Davis P. 1973. Forest Fire Control and Use. Mc Graw-Hill Books Company: 658. Clar CD, Chatten LR. 1954. Principles of Forest Fire Management Departemen of Natural Resources Division of Forestry. California: 200. Douglas CM, Cheryl LJ, Murat K. 2008. Introduction to time series analysis and forcasting. John Wiley & Sons. Elman JL. 1990 Finding Structure in Time. Cognitive Science 14: 179-211. Gruning A. 2007. Elman Backpropagation as Reinforcement for Simple Recurrent Network. Neural Computation. Handoko. 1993. Klimatologi Dasar: Landasan Pemahaman Fisika Atmosfet dan Unsur-Unsur Iklim. Bogor: Pustaka Jaya. Kusumadewi S. 2004. Membangun Jaringan Saraf Tiruan (Menggunakan MATLAB & Excel Link). Yogyakarta: Graha Ilmu. Rahmawati. 2004. Hutan: Fungsi dan Perannya Bagi Masyarakat. Fakultas Pertanian Universitas Sumatera Utara. Ramdani AL. 2011. Penggunaan Model ARIMA dalam Peramalan Suhu Udara untuk Prediksi Kebakaran Hutan di Sekitar Palangkaraya [skripsi]. Bogor: Departemen Ilmu Komputer FMIPA, IPB. Siang JJ. 2005. Jaringan Saraf Tiruan & Pemogramannya Menggunakan MATLAB. Yogyakarta: ANDI. Subanar, Sulandari W. Neural Network Model ARIMA untuk Prediksi Data Finansial. Fakultas MIPA Universitas Gajah Mada. Thoha AS. 2010. Cuaca Kebakaran Hutan Kaitannya dengan Upaya Pencegahan Kebakaran Hutan di Indonesia [skripsi]. Fakultas Pertanian Universitas Sumatera Utara.
9
Xiaolin H, Balasubramaniam. 2008. Recurrent Neural Networks. University Library Rijeka, 978-953-7019-08-04.
Yunus SS. 2009. Simulasi Pediksi Probabilitas Awal Musim Hujan dan Panjang Musim Hujan di Ambon. BMKG, Jakarta.nnnnnnnnnnnnnnnnnnn
10
LAMPIRAN
11
Lampiran 1 Langkah-langkah Elman Backpropagation (BP) Algoritma pelatihan Elman Backpropagation terdiri dari dua tahap, yaitu feed forward dan backpropagation. Secara umum langkah dalam pelatihan Elman BP sama dengan BP biasa hanya saja dalam elman backpropagation menggunakan nilai keluaran dari hidden layer, yhidden (t-1) sebagai masukan tambahan yang disebut dengan context layer. Galat dalam hidden layer hanya digunakan untuk memodifikasi bobot untuk masukan tambahan ini. Algoritma pembelajaran ini juga juga disebut sebagai algoritma pembelajaran Back Propagation Trough Time (BPTT). Feed Forward 1. Memberi nilai awal secara random bagi seluruh weight antara input-hidden layer dan hidden layer-output. 2. Tiap unit input menerima sinyal input dan sinyal tersebut dikirimkan pada seluruh unit hidden layer. 3. Tiap unit hidden layer ditambah dengan input yang dikali dengan bobot dan dikombinasikan dengan yang dikali dengan bobot dijumlah dengan bias .
Fungsi pengaktif neuron yang digunakan digunakan sigmoid polar
4.
Tiap unit output ditambah dengan nilai keluaran hidden layer yang dikali bobot dan dijumlah dengan bias bagian hidden layer . Untuk mendapatkan keluaran, maka dihitung dalam fungsi pengaktif menjadi .
Elman BackPropagation 5.
Tiap unit output menerima pola target sesuai dengan pola masukan saat pelatihan dan dihitung nilai error-nya dan diperbaiki nilai bobot-nya. Perhitungan Error dalam turunan Fungsi Pengaktif
Menghitung perbaikan bobot
Menghitung parbaikan kolerasi
12
Dan menggunakan nilai 6.
pada semua unit lapisan sebelunya.
Tiap bobot yang menghubungkan unit output dengan unit hidden layer dikali dijumlahkan sebagai masukan unit berikutnya.
dan
Selanjutnya dikalikan dengan turunan dari fungsi aktivasi untuk menghitung galat.
Kemudian menghitung perbaikan bobot
Menghitung parbaikan kolerasi
7.
Tiap unit output diperbaiki bobot dan biasnya.
Tiap unit hidden layer diperbaiki bobot dan biasnya.
8.
Tiap output dibandingkan dengan target ( ) Keseluruhan
9.
Uji kondisi pemberhentian (akhir iterasi)
yang diinginkan, untuk memperoleh error
Ket : : input dari i = 1, . . . , n : pola keluaran target dari pelatihan : hasil copy dari hidden layer waktu ke t-1 : bobot dari input layer ke hidden layer :bobot dari layer konteks ke hidden layer :bobot dari hidden layer ke output layer : konstanta laju pembelajaran (learning rate) : Total galat : bias
13
Lampiran 2 Turunan fungsi aktivasi Fungsi Aktivasi Sigmoid Biner
Fungsi Aktivasi Sigmoid bipolar
14
Lampiran 3 Hasil prediksi semua kelompok percobaan Tanggal
Aktual
1
Prediksi 1
2
3
4
5
6
7
26,3
26,68
27,17
27,01
27,01
26,91
26,87
27,50
2
27,4
26,89
27,32
27,28
27,17
27,05
27,04
27,08
3
27,3
27,05
26,49
26,87
26,86
27,04
26,96
26,48
4
26,5
27,09
27,17
26,79
27,02
27,03
26,84
27,35
5
27,1
27,01
27,44
27,06
27,28
27,04
26,88
27,05
6
27
26,67
27,01
27,10
27,06
27,13
26,91
26,31
7
26,3
26,79
26,91
26,99
27,05
27,03
27,02
26,77
8
27
27,12
26,89
26,87
27,10
26,92
26,90
26,97
9
28,1
27,28
27,35
27,01
27,26
27,04
26,85
27,45
10
28
27,50
27,37
27,04
27,16
27,09
27,00
26,87
11
27,9
27,47
26,99
26,89
26,69
27,03
26,96
26,59
12
27,6
26,82
27,42
27,14
27,04
27,02
26,89
27,42
13
27,4
26,73
27,32
27,45
27,55
27,07
26,93
26,96
14
27,3
27,13
26,79
27,34
27,27
27,01
26,95
26,51
15
27,1
27,59
27,28
27,29
27,25
26,85
26,94
27,40
16
26,8
27,84
27,72
27,38
27,27
27,00
26,97
27,60
17
27,3
28,06
27,47
27,23
26,82
27,17
27,01
27,00
18
28,3
28,18
27,50
26,99
26,76
27,21
27,00
26,99
19
27,4
27,83
27,81
26,90
27,15
27,23
26,94
26,82
20
28,2
27,89
27,65
26,98
27,20
27,23
26,92
26,68
21
26,8
26,83
27,60
27,17
27,19
27,11
26,99
26,84
22
28,7
27,68
27,36
27,30
27,50
26,99
27,05
27,22
23
27,8
27,40
27,25
27,23
27,22
26,95
27,04
27,62
24
27,9
28,26
27,73
27,26
27,38
26,86
26,98
28,14
25
27,8
27,79
27,72
27,46
26,97
27,10
27,05
28,11
26
28,2
28,03
27,67
27,40
27,06
27,02
27,01
27,21
27
28,2
28,02
27,54
27,34
27,15
27,25
27,03
27,64
28
27,7
28,27
27,85
27,23
27,25
27,02
26,95
26,79
29
29
28,45
27,89
27,39
27,29
27,21
26,96
27,70
30
28,3
28,21
28,20
27,49
27,22
27,09
27,11
26,89
31
27,8
28,37
27,61
27,33
27,13
27,13
27,07
27,42
15
