Pemodelan Jaringan Syaraf Tiruan untuk Memprediksi Awal Musim Hujan Berdasarkan Suhu Permukaan Laut
Abstract: Anjatan, Indramayu
adalah salah satu daerah pertanian di Indonesia. Keberhasilan atau kegagalan
panen setiap tahun tergantung pada ketersediaan air di wilayah tersebut. Oleh
karena itu, diperlukan suatu metode yang akurat untuk memprediksi awal musim
hujan. Metode yang digunakan untuk prediksi dalam penelitian ini adalah
jaringan saraf tiruan (JST) back-propagation. Hasil akurasi prediksi JST diukur
dengan R2 dan RMSE. Penelitian ini menggunakan suhu permukaan laut (SST)
ECHAM4p5_CA yang merupakan salah satu model suhu permukaan laut di bulan Juni,
Juli, dan Agustus. Domain SST dipilih berdasarkan korelasi 5% dan 10% untuk
masing-masing bulan Juni, Juli, dan Agustus. Penelitian ini menggunakan
arsitektur JST dengan dua parameter: hidden neuron (HN) dan learning rate (LR).
Jumlah hidden neuron yang digunakan dalam penelitian ini adalah 5, 10, 20, dan
40, dan tingkat pembelajaran adalah 0.3, 0.1, dan 0.01. Prediksi hasil terbaik
untuk korelasi 5% menggunakan JST adalah untuk bulan Juni dengan R2 adalah 51%
dan RMSE 3.03 pada HN 10 dan LR 0.01, Juli dengan R2 adalah 48% dan RMSE 3.39
pada HN 20 dan LR 0.1, dan Agustus dengan R2 adalah 75% dan RMSE 2.51 di HN 40
dan LR 0.01. Prediksi hasil terbaik untuk korelasi 10% menggunakan JST adalah
untuk bulan Juni dengan R2 adalah 44% dan RMSE 3.32 di HN 5 dan LR 0.3, Juli
dengan R2 adalah 42% dan RMSE 3.42 di HN 10 dan LR 0.1, dan Agustus dengan R2
adalah 71% dan RMSE 3.37 di HN 20 dan LR 0.01. Kesimpulan dari penelitian ini
adalah hidden neuron dan learning rate dengan nilai yang berbeda mempengaruhi
R2 dan RMSE.
Penulis: Laila Sari Lubis,
Agus Buono
Kode Jurnal: jptinformatikadd120050