fakultas ilmu dan teknologi kebumian - meteorologi · pdf filehujan (ch), rainhour /jumlah jam...

Fakultas Ilmu dan Teknologi Kebumian

Program Studi Meteorologi

© 2012 Program Studi Meteorologi Institut Teknologi Bandung

PENERBITAN ONLINE AWAL

Paper ini adalah PDF yang diserahkan oleh penulis kepada Program Studi Meteologi sebagai salah satu syarat kelulusan program sarjana. Karena paper ini langsung diunggah setelah diterima, paper ini belum melalui proses peninjauan, penyalinan penyuntingan, penyusunan, atau pengolahan oleh Tim Publikasi Program Studi Meteorologi. Paper versi pendahuluan ini dapat diunduh, didistribusikan, dan dikutip setelah mendapatkan izin dari Tim Publikasi Program Studi Meteorologi, tetapi mohon diperhatikan bahwa akan ada tampilan yang berbeda dan kemungkinan beberapa isi yang berbeda antara versi ini dan versi publikasi akhir.

1

PREDIKSI CURAH HUJAN DAN JUMLAH JAM HUJAN DENGAN

MENGGUNAKAN ADAPTIVE NEURAL FUZZY INFERENCE SYSTEM (ANFIS)

(Studi Kasus: PT. Adaro, Kalimantan Selatan)

Rico Ricardo Lumban Gaol, Atika Lubis, dan Edi Riawan

Program Studi Meteorologi

Fakultas Ilmu dan Teknologi Kebumian

Institut Teknologi Bandung

ABSTRAK

Prediksi dilakukan untuk parameter curah hujan dan jumlah jam hujan di wilayah Kalimantan

Selatan khususnya pada daerah pertambangan PT. Adaro Indonesia. Teknik prediksi dilakukan melalui

training, sehingga hasil prediksinya dapat beragam untuk setiap member function (fungsi keanggotaan)

prediksi. Atau dengan kata lain dapat memberikan nilai ketidakpastian hasil prediksi. Hasil prediksi curah

hujan tersebut menghasilkan RMSE (Root Mean Square Error). Model temporal hasil identifikasi Adaptive

Neural Fuzzy Inference System (ANFIS) dapat dipergunakan untuk memprediksi curah hujan (CH) dan

jumlah jam hujan (rainhour). Hasil verifikasi skenario 3 (tiga) prediksi pada tahun 2012, jumlah CH dan

rainhour didapatkan nilai korelasi masing-masing sebesar 95% dan 94%. Adapun skenario 3 yang dimaksud

adalah skenario dengan menggunakan 3 jenis inputan, yaitu CH(t-6); CH(t-12); CH(t-18). Diharapkan hasil

penelitian ini dapat menjadi pertimbangan dalam sistem prediksi kedepannya. Dan dapat disimpulkan pula

bahwa dengan metode ANFIS dapat digunakan sebagai motode prediksi CH dan rainhour yang cukup akurat

di daerah ini.

Kata kunci: ANFIS, Rainhour, Prediksi.

1. PENDAHULUAN

Di Indonesia kejadian anomali

cuaca dominan memengaruhi produktivitas

di berbagai bidang kerja terutama di

lapangan (outdoor). Adapun faktor cuaca

yang paling terasa perubahannya akibat

anomali cuaca adalah curah hujan. Dampak

anomali cuaca di lapangan diantaranya

adalah terjadinya gangguan secara langsung

terhadap lingkungan, seperti terjadinya

genangan dan kekeringan berkepanjangan.

Kalimantan Selatan merupakan

daerah bertipe hujan yang dipengaruhi oleh

monsoon. Namun, pernah beberapa kali

terjadi hujan di atas kebiasaan (ekstrim).

Oleh karena itu dibutuhkan prediksi

terkait kondisi curah hujan kedepannya.

Adapun prediksi curah hujan yang sering

dilakukan ialah untuk menghasilkan output

prediksi beberapa saat kedepan, baik sejam

kedepan, sehari kedepan, maupun sebulan

kedepan atau bahkan beberapa tahun

kedepannya. Namun semakin panjang

jangka waktu yang diprediksi maka

kesalahan (error) model juga semakin besar

(Warsito, 2008). Oleh karena itu diperlukan

metode yang dapat menghasilkan keluaran

terbaik agar dapat diaplikasikan langsung

dalam kehidupan sehari-hari.

Dalam tugas akhir ini akan

digunakan tools Adaptive Neural Fuzzy

Inference System (ANFIS) sebagai model

prediksi curah hujan (CH) dan jumlah jam

hujan (rainhour) bulanan. Sebab banyak dari

penelitian-penelitian sebelumnya telah

menggunakan model ini untuk memprediksi

curah hujan suatu daerah. Salah satunya

Suwarman pada tahun 2010.

2. DATA DAN METODE

Dalam penelitian ini hanya

menggunakan 1 (satu) jenis data, yaitu data

observasi lapangan dari salah satu kontraktor

PT. Adaro Indonesia, Kontraktor PAMA,

yaitu data AWS (Automatic Weather

Station) dan rain gauge (penakar hujan).

Adapun variabelnya ialah Rainfall/curah

hujan (CH), Rainhour/jumlah jam hujan.

Data ini berupa harian dan diubah menjadi

data bulanan yang digunakan sebagai input

model.

2

Gambar 1. Diagram Alir

Diagram alir di atas merupakan

proses kerja penelitian ini secara umum.

Tahap awal sebelum melakukan prediksi,

penelitian memulai dengan mengaji

karateristik cuaca di daerah kajian.

Dalam penelitian ini, data yang ada

akan digunakan sebagai inputan data

training dan checking. Adapun prosesnya

akan dilakukan dengan beberapa skenario

dari beberapa susunan dan panjang data

yang berbeda.

2.1 Karateristik Cuaca Daerah Kajian

dengan Bantuan Wavelet

Analisis wavelet merupakan

metode yang umum digunakan pada

berbagai bidang disiplin ilmu, salah satunya

meteorologi. Dalam meteorologi analisis

wavelet dapat digunakan untuk mengetahui

siklus curah hujan pada suatu kawasan serta

menganalisis faktor-faktor yang

mempengaruhi curah hujan tersebut.

Dengan menggunakan analisis

wavelet pada curah hujan bulanan (time

series) disuatu daerah dapat diketahui:

· Periode curah hujan daerah tersebut

apakah setahun, setengah tahun

atau memiliki periode lainnya serta

kapan terjadinya.

· Faktor yang mempengaruhi curah

hujan daerah tersebut. Misalnya,

periode curah hujan daerah tersebut

ialah setengah tahun, maka dapat

disimpulkan bahwa daerah tersebut

dipengaruhi monsoon.

· Beberapa periode yang dominan

dan tidak dominan.

· Menentukan pola curah hujan

daerah tersebut apakah termasuk

daerah: lokal, ekuatorial atau

monsun.

Untuk melihat komposit bulanan

tersebut digunakan data harian lapangan dari

tahun 2002 – 2012 (Juli). Data harian

dijadikan ke bulanan dan dianalisa dengan

menggunakan bantuan Morlet Wavelet.

Langkah pengerjaan ANFIS

Langkah pengerjaan dengan ANFIS

secara umum dapat diilustrasikan seperti

skema di bawah ini:

Gambar 2. Alur ANFIS

2.2 Verifikasi Hasil Prediksi Curah

Hujan dengan Korelasi dan RMSE

Validasi dapat diterapkan pada

berbagai model prakiraan karena pada

dasarnya data yang dipakai dalam proses

validasi adalah sama, yaitu observasi (data

real) dan hasil prakiraan. Adapun yang

dipakai dalam penelitian ini ialah validasi

dengan korelasi dan RMSE.

Korelasi dinyatakan dengan suatu

koefisien (dinotasikan dengan r) yang

menunjukkan hubungan (linear) relatif

antara dua variabel. Dalam validasi hasil

prakiraan, dua variabel yang dimaksud

adalah observasi atau data real (dinotasikan

dengan Y ) dan hasil prediksi (dinotasikan

dengan Ŷ).

3

Koefisien korelasi dihitung dengan

menggunakan persamaan :

dengan

rYŶ: koefisien korelasi antara observasi

(data real) dengan hasil prakiraan

Yi: observasi (data real) pada periode ke–

dengan i=1,2,…,n Ӯ: nilai rata–rata observasi (data real)

Ŷi: hasil prakiraan pada pada periode ke– i

dengan i=1,2,…,n Ŷ: nilai rata–rata hasil prakiraan

N: panjang periode

3. HASIL DAN PEMBAHASAN

Dari pengolahan data yang telah

dijelaskan sebelumnya, didapatkan hasil

yang cukup representatif untuk prediksi CH

dan rainhour di wilayah Kalimantan Selatan

khususnya Kabupaten Tabalong daerah

Tutupan pertambangan PT. Adaro

Indonesia.

3.1 Karateristik Curah Hujan Wilayah

South Tutupan

Penerapan metode prediksi CH

yang didasarkan pada model statistik,

termasuk wavelet, memerlukan pemahaman

karakteristik hujan di wilayah yang akan

diprediksi. Hal ini penting mengingat model

yang dihasilkan sangat bergantung pada data

yang digunakan untuk membentuk

persamaannya. Dalam penelitian ini,

karakteristik hujan di wilayah South Tutupan

pola komposit bulanan curah hujan dapat

dilihat dari hasil plot wavelet berikut:

Gambar 3. Wavelet

Data time series curah hujan

Tutupan 2002-2012. Menunjukkan adanya

puncak hujan yang terjadi dua kali setahun.

Kontur berwarna hitam yang

melingkupi background warna merah

menunjukan tingkat kepercayaan 95 %

dengan menggunakan global wavelet

sebagai background spektrumnya.

Sedangkan daerah yang di bawah parabola

disebut cone of influence atau COI. COI

merupakan daerah pada spektrum wavelet

dimana bagian tepinya sangat penting dan

didefinisikan sebagai e-folding time untuk

melakukan autokorelasi dari wavelet power

pada tiap skala.

Dari hasil wavelet yang telah

dihasilkan juga akan dijadikan sebagai

hipotesa untuk menjalankan beberapa

skenario. Skenario yang akan dibuat ialah

dengan melihat periode hujan yang

mempengaruhi curah hujan wilayah kajian.

3.2 Analisis Hasil Prediksi CH dan

Rainhour

Prediksi CH dilakukan di wilayah

South Tutupan dengan metode ANFIS sama

halnya juga dilakukan untuk prediksi

rainhour. Sebelum digunakan untuk

memprediksi, ANFIS melakukan training

secara temporal. Pada periode training,

variable epoch bisa digunakan sebagai

indikator kesalahan (error).

Berikut akan dibahas hasil prediksi

masing-masing percobaan sebagaimana

yang dijelaskan dalam metodologi.

Gambar 4. Skenario 1 : CH(t-1) CH (t-2) CH(t-3)

Dari hasil training, antara output

ANFIS dan data observasi (target),

menunjukkan hubungan pola yang sama.

Hal itu bisa dilihat juga dari grafik regresi di

bawah ini. Dari hasil grafik di bawah ini

menunjukkan 84.9% hasil testing artinya

cukup bisa tergambarkan oleh model.

4

Gambar 5. R-Test Skenario 1

Selain itu juga bisa dilihat

perbandingan hasil RMSE yang dihasilkan

ketika training dan testing. Hasil training

sudah menunjukkan hasil RMSE yang kecil,

begitu juga dengan hasil testing.

Gambar 6. RMSE Skenario 1

Oleh karena itu, pada skenario 1

ANFIS sudah bisa dikatakan cukup bisa

menggambarkan kondisi nyata dari wilayah

kajian.

Selanjutnya jika melihat skenario 2

berikut, antara pola training ouput ANFIS

dan observasi memang terlihat kesamaan.

Namun, jika dilihat pada grafik dataset pada

data ke 90-110, sangat terlihat bahwa

ANFIS dengan skenario ini tidak cukup bisa

menggambarkan kondisi lapangan yang

sesungguhnya.

Gambar 7. Skenario 2 : CH(t-3) CH(t-6) CH(t-9)

Selain itu juga bisa bandingkan

dengan hasil koefisien regresi yang

dihasilkan. Pada skenario 2 ini hanya

menghasilkan 66.7% dan itu jauh dari

skenario 1.


Jika kita melihat hasil grafik

perbandingan antara RMSE training dan

testing juga terlihat perbandingan yang

begitu jauh. Pada skenario 1 RMSE testing

hanya sekitar 40mm/bulan, sementara

skenario 2 sudah mencapai 50mm/bulan.

Gambar 9. RMSE Skenario 2

Berikut skenario 3 dari percobaan.

Antara plot hasil output ANFIS dan

observasi tidak terlihat perbedaan yang

signifikan. Hal ini hampir sama dengan

skenario pertama yang sebelumnya telah

dijelaskan. Secara keseluruhan pola yang

dibentuk ouput ANFIS dan data observasi

yang dimiliki sudah dapat diikuti oleh

ANFIS itu sendiri.


Hal itu juga didukung dari korelasi

yang dihasilkan testing di bawah ini, yaitu

81.4%.


5

Gambar 12. Kurva RMSE - Skenario 3

Selanjutnya setelah melakukan

beberapa skenario untuk memprediksi curah

hujan, kali ini dilakukan beberapa skenario

untuk memprediksi jam hujannya. Adapun

langkah yang pertama dilakukan ialah

mencari dan mengetahui terlebih dahulu, hal

apa sajakah yang paling mempengaruhi jam

hujan wilayah kajian.

Kali ini peneliti mencoba melihat

apakah ada hubbungan antara curah hujan

wilayah dan jam hujan wilayah.

Gambar 13. Hubungan CH dan JH

Jika dilihat dari hasil plot, kedua

variable ini memiliki kedekatan yang cukup

baik. Hal itu juga bisa kita lihat dari

koefisien regresi 71%, artinya persebaran

antara curah hujan dan jam hujan memiliki

kemiripan yang begitu dekat atau hubungan

yang begitu dekat.

Gambar 14. Scatter CH dan JH

Oleh sebab itu, untuk memprediksi

jam hujan wilayah kajian saya mendapatkan

hipotesa pendukung bahwa untuk

memprediksi jam hujan itu sama halnya

seperti memprediksi curah hujan wilayah

setempat.


Jika melihat skenario pertama pada

plot training yang dihasilkan ANFIS cukup

bisa menggambarkan data observasi. Hal itu

bisa terlihat jelas pada plot grafik keduanya

yang sudah memiliki kesamaan pola.

Selain itu jika dilihat dari plot

regresi testing skenario 1 ini juga sudah

lumayan bagus, yaitu 84.5%.

Gambar 16. R Testing - Skenario 1

Jika melihat plot kurva RMSE baik

training maupun testing juga sudah

menunjukkan hasil yang cukup memuaskan.

Jika dilihat dan dibandingkan dengan jam

hujan mean data observasi, maka RMSE

testingnya hanya dibawah 20%.


Kemudian jika dilihat dari hasil

skenario 2 berikut, hasilnya tidak sebaik dan

tidak semulus skenario 1. Juga bisa dilihat

dari hasil testingnyanya yang hanya 66.8%

hal itu jauh jika diandingkan dengan

skenario 1.

6



Selain itu jika dilihat dari hasil

RMSE yang dihasilkan skenario kedua ini.

Menunjukkan perbedaan yang cukup jauh

dari skenario 1, artinya skenario 1 masih

lebih baik dari skenario 2 ini.


Terakhir skenario 3 yaitu skenario

dengan inputan CH(t-6) CH(t-12) CH(t-18)

menunjukkan bahwa plot antara training

ANFIS dan observasi sudah cukup bisa

mengikuti pola observasinya.


Untuk koeisien regresi testing yang

dihasilkan sudah cukup memuaskan, sekitar

83%, artinya testing anfis dan observasi

cukup tergambarkan dari segi polanya.


Adapun nilai RMSE testing yang

dihasilkan yaitu sekitar 8 jam/bulan. Jika

dibandingkan dengan mean jam hujan

perbulannya, artinya error yang

dihasilkannya tidak sampai mencapai 20%.

Dan itu merupakan hasil output model

ANFIS yang dihasilkan sudah cukup bagus.


Berikut hasil verifikasi untuk

melihat skenario terbaik yang akan dipakai

untuk memprediksi kedepannya, baik

skenario Curah Hujan yang akan digunakan

maupun skenario Jam Hujannya.

Table 1. Verifikasi CH

7

Table 2. Verifikasi JH

Karena saat memerediksi nantinya

hanya dipakai 1 skenario, maka pada tahap

ini akan dipilih skenario terbaik dari kedua

skenario tersebut, dan itu dilihat dari RMSE

terkecilnya, meskipun ada kemungkinan

korelasinya tidak sebaik skenario lainnya.

Oleh karena itu, dari uji hasil

prediksi 2012 ini terlihat bahwa baik pada

prediksi CH dan jumlah jam hujan skenario

3 merupakan skenario terbaik.

4. KESIMPULAN DAN SARAN

4.1 Kesimpulan

Dari ketiga skenario yang telah

dilakukan dapat disimpulkan bahwa

skenario 3 (tiga) merupakan skenario terbaik

untuk prediksi curah hujan dengan korelasi

95% dan RMSE 29.5 mm/bulan. Sementara

untuk prediksi jumlah jam hujan memiliki

korelasi 94% dan RMSE sebesar 9.1

jam/bulan. Adapun skenario 3 (tiga) tersebut

ialah skenario yang menggunakan inputan

CH(t-6) CH(t-12) CH(t-18).

4.2 Saran

Saran yang dapat diberikan

berdasarkan pembahasan yang telah

dilakukan adalah sebagai berikut.

1. Sebaiknya dalam meramalkan

menggunakan ANFIS digunakan

data simulasi yang lebih panjang.

2. Sebaiknya matriks inputan

memasukkan variabel lain sebagai

prediktor.

Referensi

Suwarman, R., & Permadhi, Y. F. (2010).

Aplikasi Metode ANFIS Untuk

Prediksi Curah Hujan di Pulau

Jawa Bagian Barat.

Warsito, B., Rusgiyono, A., dan Amirillah,

M.A., 2008, “Pemodelan General Regression Neural Network pada

Data Pencemaran Udara di Kota

Semarang”, Jurnal PRESIPITASI Volume 4 No 1 Edisi Maret,

UNDIP.

fakultas ilmu dan teknologi kebumian - meteorologi · pdf filehujan (ch), rainhour /jumlah jam...

Documents