Iklim merupakan sintesis kejadian
cuaca selama kurun waktu yang panjang, yang secara statistik cukup dapat
dipakai untuk menunjukkan nilai statistik yang berbeda dengan keadaan pada
setiap saatnya (World Climate Conference, 1979). Iklim merupakan kebiasaan alam
yang digerakkan oleh gabungan beberapa unsur yaitu radiasi matahari,
temperatur, kelembaban, curah hujan, suhu udara, tekanan udara dan angin. Sebagai
contoh adalah hujan. Hujan merupakan salah satu unsur
cuaca yang penting dalam kehidupan. Walaupun demikian, curah hujan yang terlalu
rendah atau terlalu tinggi dapat menyebabkan bencana. Untuk itulah dilakukan
peramalan untuk mengetahui jumlah curah hujan di waktu mendatang, sehingga
dapat dilakukan perencanaan dan antisipasi.
Sistem peramalan curah hujan
merupakan sistem dinamis yang memiliki pola data dengan formula yang selalu
berubah-ubah atau dengan kata lain sistem yang memiliki tingkat kesulitan yang
tinggi untuk dibuat formulasi modelnya pada waktu tertentu. Data curah hujan
adalah data runtun waktu yang berbentuk musiman, yakni cenderung mengulangi
pola tingkah gerak dalam periode musiman, adanya korelasi beruntun yang kuat
pada jarak semusim yaitu waktu yang berkaitan dengan banyak observasi per
periode musim.
Berbagai
model telah di bangun untuk memprediksi curah hujan dengan menggunakan
stokastik diantaranya model multivariate (ARIMA, winter-additive,
fungsi transfer ), fourier regression, fractal analysis, trend surface
analysis, neural network, transformasi wavelet, MARS, ItsMARS,
dan analisis regresi. Dari semua model yang ada, model yang digunakan dalam
penelitian ini adalah Atrificial Neural Network (Jaringan Syaraf Tiruan)
karena memiliki kemampuan dalam berbagai hal diantaranya kemampuan untuk
melakukan suatu kegiatan yang didasarkan atas data yang diberikan pada saat
pembelajaran atau dari pengalaman sebelumnya. Model ini memiliki kerusakan
jaringan yang sangat kecil dan dengan kemampuan belajar yang dimilikinya
tersebut pengguna tidak perlu merumuskan kaidah dan fungsinya. Jaringan Syaraf
Tiruan akan belajar mencari sendiri kaidah atau fungsi tersebut. Dengan
demikian Jaringan Syaraf Tiruan mampu
digunakan untuk menyelesaikan masalah yang rumit dan atau masalah yang terdapat
kaidah atau fungsi yang tidak diketahui. Jaringan Syaraf Tiruan yang digunakan
adalah Jaringan Syaraf Tiruan Propagasi Balik (Backpropagation).
Backpropagation
merupakan
model jaringan syaraf tiruan dengan layar jamak. Seperti halnya model jaringan
syaraf tiruan lainnya, backpropagation melatih jaringan untuk
mendapatkan keseimbangan antara kemampuan jaringan untuk mengenali pola yang
digunakan selama pelatihan serta kemampuan jaringan untuk memberikan respon
yang benar terhadap pola masukan yang serupa (tapi tidak sama) dengan pola yang
dipakai selama pelatihan. Jaringan Syaraf tiruan ini memiliki kemampuan utuk belajar
(bersifat adaptif) dan kebal terhadap adanya kesalahan (Fault Tolerance)
sehingga dapat mewujudkan sistem yang tahan akan kerusakan (robust) dan
konsisten bekerja dengan baik.
Daftar Pustaka :
- Yenusi, KA 2012, ‘ ESTIMASI PARAMETER IKLIM KOTA MANOKWARI MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION’, Masters thesis, diakses pada 01 Juli 2014, <http://eprints.unipa.ac.id/582/>.
- Buono,Agus., Lubis, LS 2012, ‘Pemodelan Jaringan Syaraf Tiruan Untuk Memprediksi Awal Musim Hujan Berdasarkan Suhu Permukaan Laut’, vol. 1, no. 2, pp. 52-61, diakses pada 01 Juli 2014,<http://journal.ipb.ac.id/index.php>.
- Prita, M., 2011, ‘Prediksi Cuaca Menggunakan Logika Fuzzy untuk Kelayakan Pelayaran di Pelabuhan Tanjung Perak Surabaya’.
- Muqtashidah, Ida. 2009. Jaringan Syaraf Tiruan Backpropagation dan Analisis Runtun Waktu sebagai Metode Forecast Pada Penghitungan Laju Inflasi. Gelar Sarjana Sains Program Studi Matematika Universitas Negeri Semarang.
- Saputra, Budi 2010 ‘Teknik Peramalan Curah Hujan Menggunakan Jaringan Syaraf Tiruan Backpropagation’, Skripsi, Universitas Negeri Papua Manokwari
Free Template Blogger collection template Hot Deals BERITA_wongANteng SEO theproperty-developer
0 komentar:
Posting Komentar