Está en la página 1de 6

PREDIKSI CURAH HUJAN DI WILAYAH MAKASSAR MENGGUNAKAN

METODERADIAL BASIS FUNCTION NEURAL NETWORK

Sutan Faizal Lubis1, Ika Safitri Ismail2


Jurusan Elektro Fakultas Teknik Universitas Hasanuddin
Email : 1. uttankk@gmail.com
2. emailnya.izzy@yahoo.com

Abstrak
Dalam studi mengenai Jaringan Syaraf Tiruan (Neural Network), Radial Basis Function begitu
dihandalkan karena memiliki kemampuan kuat untuk memprediksi nilai nonlinier. Pada penelitian ini, Radial Basis
Function digunakan untuk memprediksi besarnya intensitas hujan berdasarkan data historis harian mengenai
temperatur dan kelembaban udara. Data curah hujan harian dari tahun 2004-2010, digunakan untuk mengevaluasi
performansi dari metode ini.RMSE( Root Mean Square Error) adalah nilai untuk mengetahui tingkat keakuratan
kinerja dari suatu sistem prediksi.
Hasil validasi curah hujan pada tahun 2009dengan metode Radial Basis Function Neural Network ,
memperoleh tingkat keakuratan data sebesar 81.37 % dengan RMSE rata-rata per tahun sebesar 0.20601,
dibandingkan dengan metode BPNN-Fuzzy Logic yang mencapai 80.27 % dengan RMSE rata-rata pertahun
sebesar 0.2444 . Kemudian pada Tahun 2010 dengan metode Radial Basis Function Neural Network,tingkat
keakuratan data mencapai 69.86% dengan RMSE rata-rata per tahun sebesar 0.2549 , dibandingkan dengan
metode BPNN-Fuzzy Logic yaitu sebesar 60.82% dengan RMSE rata-rata 0.284842.Semakin rendah nilai
RMSEnya,semakin tinggi tingkat keakuratan datanya. Setelah dibandingkan dengan hasil prediksi metode BPNN-
Fuzzy Logic disimpulkan bahwa validasi curah hujan dengan metode Radial Basis Function Neural Network lebih
baik dari metode Neural Network-Fuzzy Logic.

Kata Kunci: Neural Network; prediksi hujan, Radial Basis Function

I. PENDAHULUAN pembacaan pola curah hujan, menggunakan


Backpropagation Neural Network-Fuzzy Logic [2], hasil
Prakiraan parameter klimatologi terutama hujan peramalan dipandang masih memiliki tingkat kesalahan
sudah menjadi kebutuhan Nasional. Betapa tidak, yang cukup tinggi, oleh sebab itu penulis melakukan
bencana banjir akibat hujan yang turun dengan jumlah di penelitian ini dengan menggunakan metode Radial Basis
atas normal atau bencana kekeringan akibat jumlah Function Neural Network dengan harapan dapat
curah hujan yang berada di bawah normal, sering memberikan hasil peramalan curah hujan yang lebih
melanda wilayah Indonesia, bahkan disertai kerugian baik.
materi dan jiwa. Semua itu dapat diantisipasi dengan Kecerdasan buatan (Artificial Inteligence)
informasi yang akurat tentang berapa besar curah hujan adalah kecerdasan yang diciptakan dan dimasukkan ke
yang akan turun di suatu tempat pada kurun waktu dalam suatu mesin (komputer) agar dapat melakukan
tertentu. pekerjaan seperti yang dapat dilakukan manusia bahkan
Hujan adalah salah satu bentuk kelanjutan dari lebih baik dari manusia. Jaringan saraf tiruan (Neural
uap air yang berasal dari awan pada lapisan Network) merupakan satu cabang dari kecerdasan
atmosfer.Bentuk lainnya adalah salju dan es.Curah hujan buatan yang dirancang dengan menirukan cara kerja
adalah pendekatan untuk mengetahui „banyaknya‟ hujan otak yang mampu memprediksi dan menganalisa suatu
yang turun di permukaan bumi dalam satuan masalah dengan proses belajar . Penelitian ini
waktu.Curah hujan dihitung berdasarkan ketinggian air mengembangkan jaringan saraf tiruan dengan metode
hujan yang terkumpul dalam tempat yang datar, tidak Radial Basis Function dalam memprediksi curah hujan
menguap, tidak teresap, dan tidak mengalir. Curah hujan yang terjadi di wilayah Makassar.
1 (satu) millimeter artinya dalam luasan satu meter
persegi tertampung air setinggi satu milimeter atau II. PEMBAHASAN
tertampung sebanyak satu liter.
Pembacaan pola curah hujan dapat dilakukan 2.1 Jaringan Saraf Tiruan (Neural Network)
oleh model kecerdasan buatan (Artificial Inteligence) Jaringan Syaraf Tiruan dibuat pertama kali
dengan menggunakan data historis mengenai parameter pada tahun 1943 oleh neurophysiologist Waren Mc
klimatologi,Penelitian yang pernah dilakukan untuk Culloch dan logician Walter Pits, namun teknologi
yang tersedia pada saat itu belum memungkinkan aj : Nilai aktivasi dari unit j
mereka berbuat lebih jauh. Jaringan Syaraf Tiruan wj,i : Bobot dari unit j ke unit i
adalah paradigma pemrosesan suatu informasi yang ini : Penjumlahan bobot dan masukan ke
terinspirasi oleh sistem sel syaraf biologi, sama seperti unit i
otak yang memproses suatu informasi. Elemen g : Fungsi aktivasi
mendasar dari paradigma tersebut adalah struktur yang ai : Nilai aktivasi dari unit
baru dari sistem pemrosesan informasi.
Jika suatu jaringan ingin digunakan untuk
berbagai keperluan maka harus memiliki input (akan
membawa nilai dari suatu variabel dari luar) dan output
(dari prediksi atau signal kontrol). Input dan output
sesuai dengan sensor dan syaraf motorik seperti sinyal
datang dari mata kemudian diteruskan ke tangan, Dalam
hal ini terdapat sel syaraf atau neuron pada lapisan
tersembunyi berperan pada jaringan ini. Input, lapisan
tersembunyi dan output sel syaraf diperlukan untuk
saling terhubung satu sama lain.

2.3 Metode Pelatihan Jaringan Syaraf Tiruan

2.3.1 Metode Pelatihan Terbimbing


Gambar 1. Susunan syaraf manusia dan Metoda pelatihan terbimbing adalah metoda
Satu Neuron Tiruan pelatihan yang memasukkan target keluaran dalam data
untuk proses pelatihannya, contohnya Single
2.2 Metode Dasar Jaringan Syaraf Tiruan Perseptron,Multi Perseptron,dan Back Propagation
Mengadopsi esensi dasar dari sistem syaraf (BP).
biologi, syaraf tiruan digambarkan sebagai berikut: 2.3.2 Metode Pelatihan Tak Terbimbing/Mandiri
Menerima input atau masukan (baik dari data yang Metoda pelatihan tak terbimbing adalah pelatihan tanpa
dimasukkan atau dari output sel syaraf pada jaringan memerlukan target pada keluarannya Contohnya
syaraf. Setiap input datang melalui suatu koneksi atau jaringan kompetitif.
hubungan yang mempunyai sebuah bobot (weight). 2.3.3 Metode Pelatihan Hibrida
Setiap sel syaraf mempunyai sebuah nilai ambang. Semakin tinggi tingkat ketidaklinieran suatu
Jumlah bobot dari input dan dikurangi dengan nilai sistem, sering kali sulit di selesaikan dengan kedua
ambang kemudian akan mendapatkan suatu aktivasi dari metoda yang telah diuraikan sebelumnya yaitu metoda
sel syaraf (post synaptic potential, PSP, dari sel syaraf). pelatihan terbimbing dan tak terbimbing. Contohnya
Sinyal aktivasi kemudian menjadi fungsi aktivasi / Radial Basis Function Network ( RBFN).
fungsi transfer untuk menghasilkan output dari sel
syaraf. 2.4 Radial Basis Function Neural Network
Jika tahapan fungsi aktivasi digunakan (output Pada prinsipnya RBF adalah emulasi sifat
sel syaraf = 0 jika input < 0 dan 1 jika input >= 0) maka jaringan biologi yang umumnya sel/neuron yang
tindakan sel syaraf sama dengan sel syaraf biologi yang paling aktif adalah sel/neuron yang paling sensitif
dijelaskan diatas (pengurangan nilai ambang dari jumlah menerima rangsangan sinyal masukan.Sehingga
bobot dan membandingkan dengan 0 adalah sama
dengan membandingkan jumlah bobot dengan nilai
orientasi sensitivitas respon tersebut hanya
ambang). Biasanya tahapan fungsi jarang digunakan terhadap beberapa daerah (local response) dalam
dalan Jaringan Syaraf Tiruan. wilayah masukan.JST dengan lapisan tersembunyi
tunggal, pada dasarnya lapisan tersebut berisi
neuron-neuron (unit-unit) yang sensitif atau aktif
secara lokal.Sedangkan keluarannya terdiri dari
unit-unit linier.

Gambar 2. Fungsi Aktifasi


Pada metode Radial Basis FunctionNeural
Network ini digunakan untuk memprediksi cuaca jangka
pendek (harian) dengan lima variabel yang telah diukur
dan direkam oleh Badan Meteorologi Klimatologi dan
Geofisika (BMKG) Bandara Hasanuddin-
Makassar.Yang terdiri dari curah hujan, kecepatan
angin,kelembaban, tekanan, dan temperatur dari tahun
2004 hingga 2010. Data yang deperoleh akan dibagi
menjadi 3 yaitu data input, data target dan aktual.Data
input terdiri dari variabel yang mempengaruhi curah
hujan. Data target yaitu data curah hujan yang menjadi
data target pelatihan. Data aktual yaitu data curah hujan
dari BMKG yang akan dibandingkan dengan hasil
prediksi RBFNN. Pada metode ini akan menghasilkan
Gambar 2.Topologi Radial Basis prediksi curah hujan dalam bentuk nilai kuantitatif yang
Function menggunakan aplikasi Matlab R2008 dengan fungsi
Hal yang khusus pada RBFN ialah berikut ini. NEWRB.
a. Pemrosesan sinyal dari input layer ke hidden layer, Mulai
sifatnya nonlinier, sedangkan dari hidden layer ke
ouput layer sifatnya linear.
b. Pada hidden layer digunakan sebuah fungsi aktivasi Penentuan parameter input
yang berbasis radial, misalnya fungsi Gaussian.
c. Pada output unit, sinyal dijumlahkan seperti biasa
d. Sifat jaringannya ialah feed-forward. Normalisasi

Fungsi Gaussian bisa dituliskan sebagai Pelatihan Radial Basis Function Neural
berikut, Network
Menentukan nilai spread dan neuron

(2.1) Hasil Pelatihan

di mana σ Nilai spread ;


Denormalisasi

(2.2)
Output Data Curah Hujan

Nilai spread menentukan bagaimana data


tersebar. Jika nilai spread makin besar sensitivitas antar Validasi Data Aktual Curah Hujan
data semakin berkurang. Jika digambarkan, grafiknya
sebagai berikut :
RMSE TIDAK
Terkecil

YA

Selesai

Gambar 4. Flowchart Perancangan RBFNN

Sebelum melakukan pelatihan data akan di


Gambar 3, Hubungan Spread dengan Grafiknya normalisasi. Normalisasi ini bertujuan untuk
mendapatkan data dengan ukuran yang lebih kecil
Pada rumus, juga disebutkan tentang adanya dengan rentang dari 0 sampai 1 yang mewakili data yang
center atau pusat. Pusat yang dimaksud disini ialah asli tanpa kehilangan karakteristik sendirinya
pusat cluster dari data. Jumlah center menentukan
jumlah hidden unit yang dipakai. 𝑋−𝑚𝑖𝑛
𝑁𝑜𝑟𝑚𝑎𝑙𝑖𝑠𝑎𝑠𝑖 = (2.3)
𝑚𝑎𝑥 −𝑚𝑖𝑛

2.5 RBFNN Untuk Prediksi Curah Hujan


X = data
Min = data minimum Tabel 1.Memperlihatkan hasil prediksi
Max = data makimum mengunakan RBFNN dan BPNN-Fuzzy Logic dengan
Sedangkan denormalisasi adalah data real januari 2009. Data diolah dalam software
mengembalikan ukuran data yang telah di normalisasi
matlab 2008a yang ditampilkan dalam grafik sebagai
sebelumnya untuk mendapatkan data yang asli.
Denormalisasi dilakukan pada hasil keluaran dari berikut:
pelatihan berupa prediksi curah hujan. Adapun rumus
dari denormalisasi yaitu sebagai berikut :

𝐷𝑒𝑛𝑜𝑟𝑚𝑎𝑙𝑖𝑠𝑎𝑠𝑖 = 𝑌 𝑚𝑎𝑥 − min + min (2.4)

Y = hasil keluaran dari pelatihan


Min = data minimum
Max = data maximum
Tabel.1Hasil perbandingan prediksi RBFNN dan
BPNN-Fuzzy logic dengan data real januari 2009

Data real Hasil prediksi curah


Hasil prediksi curah hujan
curah hujan Januari 2009
Januari 2009 dengan
hujan April dengan Radial Basis
BPNN- Fuzzy Logic
2009 Function Neural
(mm/hr)
(mm/hr) Network (mm/hr) Gambar 5. Grafik perbandingan RBFNN,BP-fuzzy logic
67 55 5
dan data aktual Januari 2009
29 27 23
27 19 2
2 6 13
Untuk melihat tingkat keakuratan dari kinerja
9 9 5
sistem prediksi pentingnya mengetahui RMSE (Root
7 6 2
Mean Square Error). Makin kecil nilai RMSE suatu
2 2 17
11 43 10
sistem maka semakin baik tingkat akurasi prediksinya.
74 15 30
58 22 17
(2.5)
59 32 10
22 32 24
45 21 41
45 48 11 N : Jumlah data masukan
42 33 28 P : Nilai aktual curah hujan
31 42 28 a : Nilai hasil prediksi curah hujan
54 17 16 Pmax : Nilai maksimal data aktual curah hujan
46 26 11 Pmin : Nilai minimum data aktual curah hujan
21 22 8
21 23 8
7 6 2
0 21 3
1 7 2
4 18 5
1 13 4
2 8 11
5 12 3
27 48 10
2 1 15
89 62 17
74 20 31
Tabel.2 Perbandingan RMSE RBFNN dan BPNN-Fuzzy
Logic tahun 2009 dan 2010 DAFTAR PUSTAKA

RMSE Tahun 2009 RMSE Tahun 2010


1. BMKG. “Instrumentasi Dan Rekayasa
BPNN- BPNN- Meteorologi”. 12 November
BULAN RBFNN FUZZY RBFNN FUZZY 2010http://www.bmkg.go.id/bmkg_pusat/Sarana_T
eknis/Instrumentasi/Default.bmkg
Januari 0.2422 0.3127 0.25 0.2821
2. Entin. Buku Kecerdasan Buatan “Bab 8. Jaringan
Februari 0.2436 0.2583 0.2493 0.3059 Syaraf Tiruan”. 2010http://lecturer.eepis-
Maret 0.2554 0.2304 0.2586 0.3295 its.edu/~entin/Kecerdasan%20Buatan/Buku/Bab%
208%20Jaringan%20Syaraf%20Tiruan.pdf
April 0.2149 0.2439 0.2979 0.3214
3. Erwin, Muhammad. “Pengenalan Huruf
Mei 0.2281 0.2444 0.2411 0.3237 Menggunakan Model Jaringan Syaraf Tiruan
Juni 0.1599 0.1997 0.2496 0.2829 Radial Basis Function dengan Randomize
Cluster Decision”. 2005
Juli 0.2521 0.5202 0.2087 0.2068
4. Febriyati dan Fikha Christine “Prediksi Curah
Agustus 0 0 0.3762 0.3418 Hujan Tahun 2011 di Wilayah Makassar
September 0.2387 0.1905 0.1882 0.224 Menggunakan Metode Neural Network Fuzzy
Logic”. Jurusan Teknik Elektro Unhas, Tugas
Oktober 0.184 0.2548 0.2704 0.3122
Akhir. 2011
November 0.1858 0.1798 0.2283 0.281 5. Fei, Fu. Zhang Jian. Zhou Bao Qi. “Forecasting of
Desember 0.2675 0.2992 0.2411 0.2669 Precipitation by RBF Neural Network and
Particle Swarm Optimization”. 2010
6. Juaeni, Ina. “Analisis Variabilitas Curah Hujan
Dari Tabel 2 diatas, dapat dilihat perbandingan RMSE Wilayah Indonesia Berdasarkan Pengamatan
antara RBFNN dengan BPNN-Fuzzy Logic dimana nilai Tahun 1975-2004”. LAPAN.2006
RMSE RBFNN lebih baik dibandingkan dengan 7. Kusumadewi, Sri. “Membangun Jaringan Syaraf
BPNN-Fuzzy Logic di beberapa bulan , baik 2009 Tiruan Menggunakan Matlab & Excel Link”.
maupun 2010.Karena nilai RMSE RBFNN rata-rata Graha Ilmu.2004
lebih kecil dari pada BPNN-Fuzzy.BPNN-fuzzy hanya 8. Modul 9 (Sistem Cerdas) “Jaringan Syaraf
lebih baik beberapa bulan ini di karenakan pada metode Tiruan”http://pksm.mercubuana.ac.id/new/elearni
ini selain metode Neural Network untuk memprediksi ng/files_modul/14059-9-549723854436.pdf
curah hujan digunakan pula metode Fuzzy Logic yang 9. Pranoto,Yoga.“Kelembaban Udara”.
berguan untuk pengelompokan data. http://www.scribd.com/doc/53133227/kelembaban-
udara1-1
10. Putra Pamungkas. “Pola Umum Curah Hujan
di Indonesia”. 3 Desember 2006
III. KESIMPULAN
http://klastik.wordpress.com/2006/12/03/pola-
umum-curah-hujan-di-Indonesia
1. Hasil keakuratan prediksi curah hujan pada tahun
11. Siang, JJ. “Jaringan Syaraf Tiruan Dan
2009 mencapai 81.37 % dengan RMSE rata-rata per
Pemrogramannya Menggunakan Matlab”.
tahun sebesar 0.20601.
Yogyakarta: Andi Yogyakarta. 2005
2. Hasil keakuratan prediksi curah hujan pada tahun
2010 mencapai 69,86 % dengan RMSE rata-rata per
tahun sebesar 0.2549.
3. Hasil keakuratan sistem lebih rendah di tahun 2010
disebabkan karena adanya fenomena La Nina yang
telah mempengaruhi kondisi cuaca di atmosfer
Indonesia.
4. Ditinjau dari akurasi dan kecepatan pemrosesan,
Radial Basis Function lebih unggul jika
dibandingkan dengan Backpropagation Neural
Network-Fuzzy Logic.
RIWAYAT PENULIS

Sutan Faizal Lubis, lahir di


Sungguminasa, 13 Juni
1989.Anak pertama dari tiga
bersaudara. Putra dari pasangan
Pardomuan Lubis dan Hj.
Harfinah, melalui pendidikan di
TK Bhayangkara dan
melanjutkan pendidikannya di
SDN 1 Sungguminasa pada
tahun 1995, pendidikan lanjutan
di SMPN 6 Makassar pada tahun 2001, dan melanjutkan
pendidikan di SMAN 2 Makassar tahun 2004.
Kemudian pada tahun 2007-sekarang menjalankan studi
S1 di jurusan Elektro Fakultas Teknik Universitas
Hasanuddin Makassar, subjurusan Teknik
Telekomunikasi dan Informasi

Ika Safitri Ismail, lahir di


Ujung Pandang, 12 Mei 1988,
Provinsi Sulawesi Selatan,
Indonesia.Anak pertama dari
3 bersaudara.Puteri pasangan
Ismail Syam, SH.dan Hamlia
Hamzah.Memulai Pendidikan
di SD Negeri Mangkura II
Makassar pada tahun 1994,
pendidikan lanjutan di SLTP
Negeri 6 Makassar pada tahun 2000, dan SMK
Telkom Sandhy Putra II Makassar pada tahun
2003. Kemudian pada tahun 2007-sekarang
menjalankan studi S1 di Jurusan Elektro Fakultas
Teknik Universitas Hasanuddin Makassar,
subjurusan Teknik Telekomunikasi dan Informasi.