p Ae ISSN : 2721 Ae 7752 | e Ae ISSN : 2721 Ae 9704 Buletin GAW Bariri Buletin GAW Bariri (BGB) Volume 1 | Nomor 2 | Desember 2020 : 101 Ae 108 Prediksi Curah Hujan Harian di Stasiun Meteorologi Kemayoran Menggunakan Artificial Neural Network (ANN) Richard Mahendra Putra1*.
Nurhastuti Anjar Rani2 Sub Bidang Manajemen Observasi Meteorologi Permukaan.
Badan Meteorologi Klimatologi dan Geofisika (BMKG).
Kemayoran.
Jakarta Pusat, 10720 Sub Bidang Manajemen Operasi Meteorologi Maritim.
Badan Meteorologi Klimatologi dan Geofisika (BMKG).
Kemayoran.
Jakarta Pusat, 10720 Email: richardmahendrap@gmail.
Naskah Masuk: 12 November 2020 | Naskah Diterima: 28 November 2020 | Naskah Terbit: 01 Desember 2020 Abstrak.
Prakiraan cuaca sangat penting untuk mendukung segala kegiatan aktivitas Untuk menghasilkan prakiraan cuaca yang akurat dibutuhkan pengetahuan dan pengalaman dari prakirawan cuaca yang didukung dengan teknologi pemodelan cuaca.
Pada penelitian ini, dilakukan sebuah pemodelan curah hujan menggunakan artificial neural network (ANN) di Stasiun Meteorologi Kemayoran.
Pada proses pembuatan model ANN, dibutuhkan pelatihan data menggunakan kondisi cuaca di masa lalu.
Data yang digunakan untuk pelatihan dalam membuat model ANN adalah data cuaca harian periode Januari 2011 Desember 2019 yang selanjutnya diuji dengan menggunakan studi kasus selama periode Januari s.
Agustus 2020.
Variasi model dibuat berdasarkan jenis input dan jumlah hidden layer untuk mengetahui perbedaan penggunaan data prediktor yang digunakan.
Kemudian model ANN dibuat dengan menggunakan pendekatan 3 Ae lapisan yang terdiri dari lapisan input, lapisan tersembunyi, dan lapisan output.
Selanjutnya perbandingan model tersebut diuji menggunakan nilai koefisien korelasi (R) dan rata Ae rata kesalahan absolut (MAE) untuk mengetahui model yang terbaik.
Berdasarkan hasil penelitian, prediksi hujan menggunakan data parameter input kondisi cuaca harian berupa suhu udara, kelembaban udara, dan durasi penyinaran matahari memiliki nilai koefisien korelasi (R) sebesar 0.
4 Ae 0.
5 dan rata Ae rata kesalahan absolut (MAE) sebesar 9.
7 Ae 9.
8 mm.
Sedangkan jika model dibuat dengan parameter input hujan di hari Ae hari sebelumnya, nilai koefisien korelasi (R) hanya 0.
1 Ae 0.
dengan nilai rata Ae rata kesalahan absolut (MAE) sebesar 11.
3 Ae 12.
3 mm.
Kondisi tersebut menunjukkan bahwa prediktor yang lebih baik digunakan dalam memprediksi hujan harian berdasarkan artificial neural network adalah dengan menggunakan parameter input kondisi cuaca permukaan.
Kata Kunci: Model.
Hujan.
Jaringan Saraf Tiruan (JST) Abstract.
Forecasting the weather conditions is very important to support all community An accurate weather forecast requires knowledge and experience from weather forecasters and is supported by weather modelling technology.
In this study, a rainfall intensity modelling was carried out using an artificial neural network (ANN) at the Kemayoran Meteorological Station.
In the process of making ANN models, data training is required using past weather conditions.
The data used for training in making ANN models are daily weather data for January 2011 until December 2019, which was then tested using a case study from January until August 2020.
Model variations are made based on the type of input and the number of hidden layers to determine differences in the use of the predictor data.
The ANN model was then created using 3 layers consisting of input layer, hidden layer, and output layer.
Furthermore, the modelAos comparison is tested using the correlation coefficient (R) and mean absolute error (MAE) to determine the best model.
Based on the research results, rainfall prediction using input parameter data for daily weather conditions consist of temperature, humidity, and sunshine has a correlation coefficient (R) is 0.
3 Ae 0.
5 and a mean absolute error Prediksi Curah Hujan Harian a.
AA.
Richard M P & Nurhastuti A R Hal | 101 Prediksi Curah Hujan Harian a.
AA.
Richard M P & Nurhastuti A R (MAE) is 9.
7 Ae 9.
8 mm.
Meanwhile, if the model is made with the rainfall input parameter in the previous days, the correlation coefficient (R) is only 0.
1 Ae 0.
3 with the mean absolute error (MAE) is 11.
3 Ae 12.
3 mm.
This condition indicates that a better predictor to predict daily rainfall using an artificial neural network is to use the input parameter of surface weather Keywords: Modeling.
Rainfall.
Artificial Neural Network (ANN) Pendahuluan Informasi Informasi cuaca merupakan kebutuhan pokok dalam mendukung berbagai sektor kehidupan.
Pada sektor transportasi penerbangan, kondisi cuaca memiliki peran yang signifikan dalam keselamatan pesawat, baik saat di darat ataupun di udara .
Pada penelitian Ae penelitian sebelumnya, informasi cuaca juga diperlukan untuk menentukan bagaimana pola tanam dari sebuah daerah agar hasil panen dapat mencapai maksimal .
Selain itu, kondisi cuaca ekstrem juga berpengaruh pada kondisi kelistrikan hingga pemadaman listrik .
Salah satu parameter cuaca yang berpengaruh signifikan adalah curah hujan.
Berdasarkan penelitian sebelumnya, kejadian hujan dapat diprediksi dengan baik menggunakan beberapa pendekatan, seperti menggunakan downscalling model WRF (Weather Research and Forecastin.
Model cuaca dari Bureu of Meteorologi Australia .
, dan menggunakan sistem kecerdasan buatan seperti Artificial Neural Network .
Ae.
Artificial Neural Network (ANN) merupakan salah satu metode yang didesain untuk menirukan cara kerja otak manusia dalam menyelesaikan masalah melalui pembobotan pada data input yang diberikan.
Berdasarkan penelitian yang dilakukan oleh Yusran .
, model ANN dapat digunakan untuk memprediksi kondisi di masa depan dengan menggunakan pola data pada periode masa lalu.
Di bidang meteorologi, pemanfaatan model ANN sudah dilakukan dalam hal prakiraan cuaca jangka pendek .
, prediksi kondisi PM10 di Kemayoran .
, deteksi debu vulkanik .
, dan identifikasi kondisi atmosfer global terhadap kondisi cuaca di Indonesia .
Salah satu faktor yang mempengaruhi performa model yang dibuat adalah arsitektur jaringan dari model ANN.
Arsitektur jaringan pada model ANN terdiri atas beberapa lapisan yaitu lapisan masukan .
nput laye.
yang merupakan lapisan terdiri dari beberapa neuron yang menerima sinyal dari luar kemudian meneruskan ke neuron lain di lapisan selanjutnya yaitu lapisan tersembunyi.
Lapisan tersembunyi .
idden laya.
merupakan lapisan tiruan dari sel Ae sel saraf konektor seperti pada jaringan saraf biologis.
Lapisan tersembunyi berpengaruh dalam meningkatkan kemampuan jaringan untuk memecahkan masalah.
Lapisan terakhir adalah lapisan keluaran .
utput laye.
yang berfungsi menyalurkan sinyal Ae sinyal keluaran hasil dari model ANN.
Ilustrasi arsitektur jaringan dari model ANN dapat dilihat pada Gambar 1.
Penelitian ini difokuskan pada pemanfaatan model ANN untuk melakukan prediksi curah hujan harian di Stasiun Meteorologi Kemayoran.
Berdasarkan penelitian sebelumnya tentang tema yang sama, curah hujan dapat diprediksi menggunakan model ANN dengan parameter input data curah hujan pada hari Ae hari sebelumnya .
, dan menggunakan parameter cuaca lain .
Namun kedua penelitian tersebut tidak menggunakan studi kasus yang sama.
Dalam penelitian ini, model ANN dibuat melalui 2 pendekatan parameter input, yaitu data hujan di hari sebelumnya dan data cuaca permukaan.
Hal tersebut bertujuan untuk mengetahui performa dari model ANN terhadap prediksi curah hujan harian di Kemayoran.
Selain itu, penelitian ini juga melakukan pengujian desain arsitektur dari model ANN yang digunakan.
Letak Geografis Stasiun Meteorologi Kemayoran merupakan salah satu Unit Pelaksana Teknis (UPT) dari Badan Meteorologi Klimatologi dan Geofisika (BMKG) yang terletak pada koordinat 6.
16o LS dan 106.
Buletin GAW Bariri (BGB) Vol.
1 No.
2 Tahun 2020 : 101 Ae 108 Hal | 102 Buletin GAW Bariri Prediksi Curah Hujan Harian a.
AA.
Richard M P & Nurhastuti A R BT.
Stasiun ini melakukan pengamatan cuaca dan iklim dengan jam operasional 24 jam setiap harinya.
Wilayah Kemayoran termasuk dalam tipe hujan Monsunal dengan intensitas hujan maksimum terjadi pada bulan Desember Ae Januari Ae Februari (DJF), dan hujan minimum terjadi pada bulan Juni Ae Juli Ae Agustus (JJA).
Pada tahun 2019, intensitas hujan yang terjadi berkisar antara 0 Ae 382.
2 mm / bulan.
Metode Penelitian Pada proses pembuatan model ANN, parameter input dilakukan pelatihan pola terhadap data target yang diberikan Model ini dapat melakukan pengenalan kegiatan berbasis data sehingga data sebelumnya yang diberikan akan digunakan untuk membuat keputusan terhadap data yang baru.
Dalam proses pembuatan model, sistem dibentuk dengan beberapa asumsi, diantaranya .
Pemrosesan informasi terjadi pada elemen sederhana .
Sinyal dikirimkan di antara sel saraf / neuron melalui suatu sambungan penghubung.
Setiap sambungan penghubung memiliki bobot yang bersesuaian.
Bobot ini akan digunakan untuk mengalikan sinyal yang dikirim.
Setiap sel saraf akan menerapkan fungsi aktivasi terhadap sinyal hasil penjumlahan yang masuk untuk menentukan sinyal keluaran.
Gambar 1.
Ilustrasi Jaringan Model .
Pada penelitian ini, data yang digunakan adalah data kondisi cuaca permukaan berupa intensitas hujan harian, suhu udara, kelembaban udara, dan durasi penyinaran matahari di Stasiun Meteorologi Kemayoran periode Januari 2011 s.
Agustus 2020 yang diperoleh dari website Tahap awal sebelum proses pelatihan untuk membuat model ANN adalah melakukan pengecekan terhadap kelengkapan data yang digunakan sebagai parameter input maupun parameter output.
Dataset yang disiapkan adalah data suhu udara, kelembaban udara, durasi penyinaran matahari, dan intensitas curah hujan periode Januari 2011 s.
d Agustus 2020.
Apabila pada dataset terdapat salah satu parameter tersebut kosong, maka data pada hari tersebut akan dihilangkan dan tidak digunakan pada proses pelatihan model.
Pada proses pembuatan model ANN, dilakukan proses pelatihan data menggunakan data cuaca periode Januari 2011 s.
Desember 2019.
Variasi model yang dibuat dibagi menjadi dua model, yaitu model yang hanya menggunakan parameter input intensitas hujan di 5 hari sebelumnya seperti penelitian yang dilakukan oleh Khalili .
, dan model yang menggunakan parameter input cuaca lain seperti suhu udara, kelembaban, dan durasi penyinaran matahari berdasarkan penelitian sebelumnya .
Selanjutnya pembuatan arsitektur model ANN dibuat dengan menggunakan 1 lapisan tersembunyi yang memiliki neuron 2, 3, dan 7 seperti pada penelitian sebelumnya .
Total model yang digunakan dalam penelitian ini ada 6 variasi, yaitu 3 variasi dengan menggunakan parameter input hujan, dan 3 Buletin GAW Bariri (BGB) Vol.
1 No.
2 Tahun 2020 : 101 Ae 108 Hal | 103 Buletin GAW Bariri Prediksi Curah Hujan Harian a.
AA.
Richard M P & Nurhastuti A R variasi dengan menggunakan parameter cuaca dengan masing Ae masing variasi dibedakan berdasarkan jumlah neuron yang digunakan (Tabel .
Untuk variasi hujan, data parameter input yang digunakan sebanyak 5 input, yaitu hujan pada h Ae 5, h Ae 4, h Ae 3, h Ae 2, dan h Ae 1.
Sedangkan untuk parameter cuaca permukaan, data input yang digunakan sebanyak 3 input, yaitu suhu udara, kelembaban udara dan penyinaran matahari.
Tabel 1.
Variasi Model Artificial Neural Network (ANN) Model
Keterangan ANN521
Parameter input hujan 5 hari sebelumnya dengan 2 neuron pada hidden layer
ANN531
Parameter input hujan 5 hari sebelumnya dengan 3 neuron pada hidden layer
ANN571
Parameter input hujan 5 hari sebelumnya dengan 7 neuron pada hidden layer
ANN321
ANN331
ANN371
Parameter input cuaca permukaan(T,RH,.
dengan 2 neuron pada hidden Parameter input cuaca permukaan(T,RH,.
dengan 3 neuron pada hidden Parameter input cuaca permukaan(T,RH,.
dengan 7 neuron pada hidden Setelah dilakukan proses pelatihan menggunakan data pengamatan cuaca periode Januari 2011 s.
Desember 2019, seluruh output model ANN berupa intensitas hujan harian diuji dengan data pengamatan intensitas hujan cuaca di Stasiun Meteorologi Kemayoran periode Januari 2020 s.
Agustus 2020.
Pengujian dilakukan dengan mencari nilai koefisien korelasi dari seluruh output model terhadap data hujan observasi di Stasiun Meteorologi Kemayoran.
Semakin tinggi nilai korelasi, maka menunjukkan performa model yang semakin baik.
Tabel 2, merupakan pembagian kategori koefisien korelasi .
Tabel 2 Kategori koefisien Korelasi Interval Korelasi Tingkat Hubungan 00 Ae 0.
Sangat Lemah 20 Ae 0.
Lemah 40 Ae 0.
Sedang 60 Ae 0.
Kuat 80 Ae 1.
Sangat Kuat Nilai korelasi dari output model dengan data observasi dapat dihitung dengan persamaan berikut .
ycI= i i Ocycu ycn=1.
cIycCycn OeycIycC ).
cIycAycn OeycIycA ) ycu i 2 i 2 ocycu ycn=1.
cIycCycn OeycIycC ) ocycn=1.
cIycAycn OeycIycA ) Keterangan :
= Koefisien orelasi = Intensitas hujan model ycIycA = Rata Ae rata Intensitas hujan model = Intensitas hujan observasi i ycIycC = Rata Ae rata intensitas hujan observasi = Banyaknya data Buletin GAW Bariri (BGB) Vol.
1 No.
2 Tahun 2020 : 101 Ae 108 Hal | 104 Buletin GAW Bariri Prediksi Curah Hujan Harian a.
AA.
Richard M P & Nurhastuti A R Selain itu, uji tingkat kesalahan model dilakukan dengan menghitung nilai Mean Absolute Error (MAE) dari seluruh model.
Semakin besar nilai MAE, maka tingkat kesalahan dari output tersebut semakin besar sehingga menunjukkan bahwa model kurang optimal dalam membuat prakiraan hujan Secara matematis, nilai dari MAE dapat dihitung sebagai berikut .
ycAyaya = Ocycu ycn=.
ycIycAycn OeycIycCycn | ycu Keterangan :
MAE = Mean absolute error = Intensitas hujan model = Intensitas hujan observasi = Banyaknya data Hasil dan Pembahasan Gambar 2 menunjukkan pola perbandingan output model ANN dengan data Observasi Hujan Stasiun Meteorologi Kemayoran.
Pada model ini, data parameter input yang digunakan adalah curah hujan di beberapa hari sebelumnya.
Berdasarkan hasil tersebut, terlihat bahwa secara keseluruhan, pola kejadian dapat dideteksi dengan menggunakan model ini.
Namun terdapat sebuah kesalahan yang cukup signifikan pada output model tersebut.
Pada keseluruhan variasi model, yaitu ANN521.
ANN531, dan ANN571 menunjukkan bahwa kejadian hujan lebat dihasilkan di hari setelahnya, bukan saat peristiwa hujan lebat terjadi.
Hal tersebut menunjukkan bahwa hasil output model yang diprediksi menggunakan parameter input hujan di hari sebelumnya sangat bergantung pada kondisi hujan di hari terakhir sebelum model melakukan prediksi.
Apabila kondisi hujan di hari terakhir menunjukkan intensitas tinggi, maka prediksi hujan di hari setelahnya juga akan meningkat cukup signifikan.
Hal tersebut menyebabkan model ini mengalami pergeseran kejadian curah hujan tinggi ke hari setelah kejadian hujan lebat yang sebenarnya.
Kondisi tersebut terjadi di seluruh variasi model, baik ketika menggunakan 2 neuron, 3 neuron, ataupun 7 neuron pada lapisan tersembunyi.
Namun untuk kejadian hujan saat memiliki intensitas yang rendah, model ANN ini dapat menunjukkan hasil yang mendekati data observasinya.
Gambar 2.
Hasil Perbandingan Model ANN dengan data Observasi Stasiun Meteorologi Kemayoran menggunakan parameter input hujan di 5 hari sebelumnya Buletin GAW Bariri (BGB) Vol.
1 No.
2 Tahun 2020 : 101 Ae 108 Hal | 105 Buletin GAW Bariri Prediksi Curah Hujan Harian a.
AA.
Richard M P & Nurhastuti A R Gambar 3 menunjukkan perbandingan intensitas hujan harian yang dihasilkan dari model ANN dengan parameter input cuaca permukaan seperti suhu udara, kelembaban, dan durasi penyinaran matahari.
Berdasarkan gambar tersebut, hasil output model ANN321.
ANN331, dan ANN371 menunjukkan nilai yang underestimate dibandingkan dengan intensitas hujan observasi di Stasiun Meteorologi Kemayoran.
Namun saat diperhatikan lebih detail pada saat kejadian hujan, kondisi pola dari intensitas hujan di setiap waktu memiliki pola yang serupa.
Hal tersebut berbeda dengan hasil output model dengan parameter hujan saja yaitu hasil prediksi intensitas mengalami perbedaan waktu kejadian hujan yaitu 1 hari setelah kejadian hujan lebat.
Pada model ini menunjukkan pola yang lebih mendekati intensitas hujan dari data observasi.
Kondisi tersebut terlihat ketika kejadian hujan meningkat, maka hasil output model juga memiliki peningkatan dari intensitas hujan.
Hal tersebut juga terjadi ketika hujan mengalami penurunan intensitas curah hujan.
Gambar 3.
Hasil Perbandingan Model ANN dengan data Observasi Stasiun Meteorologi Kemayoran menggunakan parameter input kondisi cuaca permukaan Uji performa model ANN dilakukan dengan membandingkan nilai intensitas hujan hasil output model dengan intensitas hujan observasi Stasiun Meteorologi Kemayoran.
Berdasarkan hasil perbandingan tersebut, nilai korelasi dari keseluruhan model berkisar antara 0.
1 Ae 0.
Hal tersebut menunjukkan bahwa tingkat korelasi antara model ANN dan observasi masuk pada katagori sangat lemah s.
Tabel 3.
Performa Model Artificial Neural Network
Input Mode
MAE
KORELASI
RR Historis ANN521
ANN531
ANN571
Cuaca
Permukaan ANN321
ANN331
ANN371
Tabel 3 menunjukkan hasil performa output intensitas hujan dari model ANN yang dibandingkan dengan data hujan observasi di Stasiun Meteorologi Kemayoran.
Berdasarkan hasil tersebut, nilai MAE dari output model yang menggunakan parameter input intensitas hujan di hari sebelumnya, yaitu Buletin GAW Bariri (BGB) Vol.
1 No.
2 Tahun 2020 : 101 Ae 108 Hal | 106 Buletin GAW Bariri Prediksi Curah Hujan Harian a.
AA.
Richard M P & Nurhastuti A R model ANN521.
ANN531 dan ANN571 yang memiliki nilai MAE antara 11.
3 Ae 12.
3 mm.
Sedangkan nilai MAE dari output model dengan parameter input kondisi cuaca permukaan seperti ANN321.
ANN331, dan ANN371 memiliki nilai MAE sebesar 9.
7 mm dan 9.
8 mm.
Selanjutnya, nilai korelasi output model ANN521.
ANN531, dan ANN571 memiliki tingkat korelasi yang sangat lemah hingga lemah, yaitu 0.
1 Ae 0.
Hal tersebut disebabkan oleh kejadian peningkatan kejadian hujan yang signifikan terjadi di hari setelah kejadian hujan lebat.
Berdasarkan hasil tersebut, model dengan jumlah neuron sebanyak 7 pada lapisan tersembunyi memiliki performa yang paling baik dibandingkan arsitektur model lainnya saat menggunakan parameter input intensitas hujan di beberapa hari sebelumnya.
Untuk tingkat korelasi yang terjadi pada model dengan parameter input cuaca permukaan, nilai korelasi yang dihasilkan pada keseluruhan model adalah 0.
4 Ae 0.
Hal tersebut menunjukkan bahwa tingkat korelasinya termasuk pada katagori sedang.
Pada model tersebut, tingkat korelasi paling tinggi dihasilkan oleh model yang dibuat dengan arsitektur 3 neuron pada lapisan tersembunyi.
Selain dari tingkat korelasi yang paling tinggi, arsitektur dengan 3 neuron pada lapisan tersembunyi juga memiliki nilai kesalahan yang paling rendah yaitu 9.
7 mm.
Hal tersebut menunjukkan bahwa pada studi kasus ini, model terbaik yang dihasilkan pada proses pengujian data dengan data intensitas hujan periode Januari 2020 s.
Agustus 2020 adalah model ANN331 yang memiliki 3 neuron di lapisan Kesimpulan Berdasarkan hasil output model yang dilakukan menggunakan data pelatihan periode Januari 2011 s.
Desember 2019 yang diuji dengan data periode Januari s.
Agustus 2020 menunjukkan hasil yang Model dengan parameter input intensitas hujan pada beberapa hari sebelumnya memiliki hasil yang kurang sesuai untuk prediksi hujan.
Kejadian hujan yang seharusnya terjadi pada satu hari tertentu justru ditunjukkan pada hari setelahnya.
Sedangkan untuk model dengan parameter input cuaca harian dapat menangkap pola Ae pola peningkatan intensitas hujan dan pola penurunan intensitas hujan di waktu yang sama.
Model terbaik yang diperoleh berdasarkan studi kasus penelitian ini adalah model ANN331, yaitu model ANN yang menggunakan parameter data input berupa cuaca permukaan dan arsitektur model menggunakan 3 neuron di lapisan tersembunyi.
Tingkat kesalahan yang dihasilkan model tersebut adalah 9.
7 mm dengan nilai korelasi 0.
Kondisi tersebut menunjukkan bahwa model ANN yang dibuat untuk memprediksi curah hujan harian di Kemayoran menggunakan data input cuaca permukaan seperti suhu udara, kelembaban udara dan penyinaran matahari memiliki hasil yang lebih baik dibandingkan model yang hanya dengan menggunakan data input curah hujan di hari sebelumnya.
Saran Pada penelitian ini, penulis hanya menggunakan model dengan memanfaatkan data cuaca permukaan Saran yang bisa diberikan penulis untuk penelitian serupa di waktu mendatang adalah data input yang digunakan dalam model bisa ditambahkan dengan data observasi udara atas seperti Radiosonde.
Hal tersebut dimungkinkan akan meningkatkan performa dari model ini, mengingat bahwa dengan mengunakan data observasi udara atas, kita dapat mengetahui bagaimana kondisi atmosfer secara vertikal dan sifat dari atmosfer saat itu apakah stabil atau labil.
Ucapan Terima Kasih Penulis mengucapkan terima kasih yang sebesar Ae besarnya kepada seluruh pihak yang membantu dalam proses penelitian ini.
Pihak yang bersedia menyediakan data cuaca permukaan yang dapat dimanfaatkan dalam penelitian ini, pihak yang memberikan pengetahuan tentang metode yang Buletin GAW Bariri (BGB) Vol.
1 No.
2 Tahun 2020 : 101 Ae 108 Hal | 107 Buletin GAW Bariri Prediksi Curah Hujan Harian a.
AA.
Richard M P & Nurhastuti A R
digunakan, dan pihak yang memberikan pelatihan teknis membuat script pemodelan artificial neural
Daftar Pustaka