Article Sidebar
Download
Main Article Content
Abstract
Penggunaan teknologi di bidang Artificial Intellegence khususnya teknologi Jaringan Syaraf Tiruan (JST) dalam
pendugaan curah hujan dapat dilakukan dengan metoda pendekatan pembelajaran. Berdasarkan kemampuan
belajar yang dimilikinya, maka JST dapat dilatih untuk mempelajari dan menganalisa pola data masa lalu dan
berusaha mencari suatu formula atau fungsi yang akan menghubungkan pola data masa lalu dengan keluaran
yang diinginkan pada saat ini. Keakuratan hasil prediksi JST diukur berdasarkan koefisien determinasi (R2) dan
Root Mean Square Error (RMSE).
Penelitian ini menerapkan jaringan syaraf tiruan Recurrent Elman yang teroptimasi secara heuristik untuk
pendugaan curah hujan berdasarkan peubah El-Nino Southern Oscilation (ENSO) seperti Angin, , Southern
Oscillation Index (SOI), Sea Surface Temperatur (SST) dan Outgoing Long Wave Radiation (OLR) dengan studi
kasus daerah Bongan Bali.
Optimasi pembelajaran heuristik yang dilakukan pada dasarnya adalah pengembangan kinerja algoritma
pembelajaran gradient descent standard menjadi algoritma pelatihan yaitu : gradient descent adaptive learning
rate. Pola input data yang digunakan sangat berpengaruh terhadap kinerja JST Recurrent Elman dalam
melakukan proses pendugaan. Kelompok data pertama yaitu 75% data pelatihan & 25% data uji menghasilkan
R2 maksimum 69,2% untuk leap 0 sedangkan kelompok data kedua yaitu 50% data pelatihan & 50% data uji
menghasilkan R2 maksimum 53,6 % untuk leap 0. Hasil nilai R2 pada leap 0 lebih baik dibandingkan pada leap
l, leap 2 dan leap 3.
pendugaan curah hujan dapat dilakukan dengan metoda pendekatan pembelajaran. Berdasarkan kemampuan
belajar yang dimilikinya, maka JST dapat dilatih untuk mempelajari dan menganalisa pola data masa lalu dan
berusaha mencari suatu formula atau fungsi yang akan menghubungkan pola data masa lalu dengan keluaran
yang diinginkan pada saat ini. Keakuratan hasil prediksi JST diukur berdasarkan koefisien determinasi (R2) dan
Root Mean Square Error (RMSE).
Penelitian ini menerapkan jaringan syaraf tiruan Recurrent Elman yang teroptimasi secara heuristik untuk
pendugaan curah hujan berdasarkan peubah El-Nino Southern Oscilation (ENSO) seperti Angin, , Southern
Oscillation Index (SOI), Sea Surface Temperatur (SST) dan Outgoing Long Wave Radiation (OLR) dengan studi
kasus daerah Bongan Bali.
Optimasi pembelajaran heuristik yang dilakukan pada dasarnya adalah pengembangan kinerja algoritma
pembelajaran gradient descent standard menjadi algoritma pelatihan yaitu : gradient descent adaptive learning
rate. Pola input data yang digunakan sangat berpengaruh terhadap kinerja JST Recurrent Elman dalam
melakukan proses pendugaan. Kelompok data pertama yaitu 75% data pelatihan & 25% data uji menghasilkan
R2 maksimum 69,2% untuk leap 0 sedangkan kelompok data kedua yaitu 50% data pelatihan & 50% data uji
menghasilkan R2 maksimum 53,6 % untuk leap 0. Hasil nilai R2 pada leap 0 lebih baik dibandingkan pada leap
l, leap 2 dan leap 3.