Estimasi Curah Hujan Bulanan Menggunakan Metode Recurrent

Neural Network (RNN) Berdasarkan Data Stasiun Klimatologi

Kabupaten Malang

(Studi Kasus: Kabupaten Malang)

Tugas Akhir

Diajukan Untuk Memenuhi

Persyaratan Guna Meraih Gelar Sarjana Strata 1

Teknik Informatika Universitas Muhammadiyah Malang

Oleh :

WINDARI INDAH SAPUTRI

201310370311047

DATA SCIENCE

PROGRAM STUDI INFORMATIKA

FAKULTAS TEKNIK

UNIVERSITAS MUHAMMADIYAH MALANG

2020

iv

ABSTRAK

Curah hujan merupakan suatu iklim yang sangat berpengauruh dalam

mencirikan kondisi iklim di indonesia, karena curah hujan di indonesia memiliki

keragaman dan fluktuasi yang tinggi. Kondisi cuaca sangat berpengaruh terhadap

kehidupan sehari-hari misalnya seperti, pertanian, transportasi, industri. Dalam

bidang pertanian, faktor cuaca dijadikan sebagai acuan dan pertimbangan dalam

menentukan kecocokan jenis tanaman yang akan dibudidayakan. Hal ini diperlukan

dukungan teknologi untuk mengetahui seberapa intensitas curah hujan pasa setiap

bulanya, karea hujan sangat berpengaruh terhadap kehidupan sehar-hari. Dengan

demikian, penulis akan membuat penelitian mengenai estimasi curah hujan

bulanan, yang bermanfaat bagi masyarakat khususnya untuk melakukan aktivitas

dalam pertanian dan lain-lain. Algoritma yang digunakan dalam penelitian ini

adalah Recurrent Neural Network (RNN). RNN termasuk dalam bidang Deep

Learning (DL), yang termasuk dalam sub bidang dari Machine Learning (ML),

yang mana menerapkan konsep dasar algoritma ANN dengan lapisan yang lebih

banyak. Dalam penelitian ini, penulis menggunakan beberapa uji keakuratan yaitu

MSE, MAE, dan RMSE. Dari hasil pengujian didapatkan bahwa estimasi curah

hujan pada bulan januari s/d oktober 2019 dengan jumlah data 329 sebagi data uji

menghasilkan MSE sebesar 129,49, RMSE sebesar 11,37 dan MAE sebesar 5,55.

Kata Kunci: Prediksi, Curah Hujan, Recurrent Neural Network, Machine Learning,

Deep Learning.

v

ABSTRACT

Rainfall is a climate that is very influential in characterizing the

climatic conditions in Indonesia, because rainfall in Indonesia has a high diversity

and fluctuation. Weather conditions are very influential on daily life such as

agriculture, transportation, industry. In agriculture, the weather factor is used as

a reference and consideration in determining the suitability of plant species to be

cultivated. This requires technology support to find out the intensity of rainfall

every month, because rain is very influential on daily life. Thus, the authors will

make research on the estimation of monthly rainfall, which is beneficial to the

community, especially for carrying out activities in agriculture and others. The

algorithm used in this study is Recurrent Neural Network (RNN). RNN is included

in the field of Deep Learning (DL), which is included in a sub-field of Machine

Learning (ML), which applies the basic concept of the ANN algorithm with more

layers. In this study, the authors used several accuracy tests, namely MSE, MAE,

and RMSE. From the test results it was found that the estimated rainfall in January

to October 2019 with a total of 329 data as test data resulted in an MSE of 129,49,

an RMSE of 11.37 and an MAE of 5,55.

Keyword: Prediction, Rainfall, Recurrent Neural Network, Machine Learning,

Deep Learning.

vi

KATA PENGANTAR

Alhamdulillahi rabbil 'alamin, dengan memanjatkan puji dan syukur

kehadirat Allah SWT yang telah melimpahkan rahmat dan hidayah-Nya. tak lupa

shalawat serta salam kepada junjungan Nabi Besar Muhammad SAW, sehingga

skripsi berjudul “Estimasi Curah Hujan Bulanan Menggunakan Metode Recurrent

Neural Network (RNN) Berdasarkan Data Stasiun Klimatologi Kabupaten Malang”

dapat terselesaikan.

Tugas akhir ini ditulis dalam rangka memenuhi syarat untuk memperoleh

gelar sarjana komputer bagi mahasiswa program S1 pada studi Teknik Informatika

Universitas Muhammadiyah Malang. Penulis menyadari bahwa tugas akhir ini

masih banyak terdapat kekurangan, oleh sebab itu penulis mengharapkan kritik dan

saran yang bersifat membangun dari semua pihak demi kesempurnaan tugas akhir

ini.

Penyelesaian skripsi ini tidak lepas dari dukungan dan bantuan berbagai

pihak, baik secara langsung maupun tidak langsung. Oleh karena itu, pada

kesempatan ini penulis dengan segala kerendahan hati mengucapkan terima kasih

dan penghargaan yang sebesar-besarnya kepada:

1. Allah SWT yang selalu memberikan kemudahan dan kesabaran dalam

mengerjakan tugas akhir ini.

2. Orang Tua saya, Bapak Sukatno dan Ibu Suyati, serta Adik tercinta saya

Muhammad Fakhri Akhsan, serta keluarga besar saya. Terima kasih atas

segala dukungan, motivasi, dan nasehat yang terus menerus tiada henti.

3. Dosen pembimbing saya, Bapak Yufis Azhar, S.Kom., M.Kom., dan Ibu

Vinna Vinna Rahmayanti S N, S.Si., M.Si yang sudah bersedia dan

meluangkan waktunya untuk membimbing dan memberi masukan terkait

tugas akhir ini.

4. Terimakasih untuk bapak Fauzi Dwi Setiawan Sumadi, ST,M.Kom,

CompSc dan ibu Nur Hayatin, S.ST, M.Kom

5. Terimakasih juga untuk ibu Gita Indah Marthasari., S.T., M.Kom, sekaligus

ketua prodi jurusan Teknik Informatika dan bapak ibu Dosen Pengajar yang

telah memberikan ilmunya selama saya kuliah, berserta Staff TU Jurusan

vii

Teknik Informatika khususnya untuk pak irul dan pak agus sudah mau

membantu saya dalam melakukan penyelesaian skripsi saya khususnya

dalam persyaratan dan administrasi.

6. Terimakasih Dwi Prasetiyo S.Pt, yang selalu memberi motivasi untuk terus

semangat belajar, menggapai cita-cita, dan terimaksih juga sudah

menemaniku dan memberiku kasih kasih sayang hingga saat ini.

7. Terimakasih untuk keluarga besar Resimen Mahasiswa (MENWA) Macan

Kumbang 812 UMM, khususnya untuk angkatan 67 terimakasih selama ini

telah memberikan warna yang indah dan pelajaran bahwa semua keindahan

dan kenyamanan butuh yang namanya perjuangan (SALAM KOMANDO).

8. Terimakasih untuk Kos Al-faza khususnya untuk Ibuk Kos dan Bapak Kos

saya, mbak-mbakku yang sekarang sudah sukses, mbak eliska,mbak dita,

mbak anin, mbak sari,mbak idda, mbak arin, mbak nyak, mbak lolop sudah

memberikan banyak sekali bimbingan dan motivasi untuk saya, dan

terimakasih juga untuk junior Al-fazaku Bidui, Ninda, Pupu, Dihan, Fitri,

Devi, Ainur, Afa dan yang lainnya.

9. Terimaksih untuk sahabat seperjuangan saya, Dimas Rewin, Haris Iswanto,

Muhammad Saifullah, Dimas Syahmada, Amirul Mukminin, Aal, Syarif

Aditya (Didit), Azmi, Febiarty Wulan Suci, Sintia Rosalia Alfan, Jesti Z

Nadia Tan, Bonita, Ayu Lestari, dan lainnya yang tak bisa saya sebutkan

satu per satu. Terima kasih atas dukungan kalian.

10. Terimakasih untuk teman-teman IT-B dan seluruh angkatan 2013 yang tak

bisa saya sebutkan satu persatu, terimakasih telah bersedia untuk berbagi

suka dan duka selama ini.

11. Terimakasih untuk temen-temen saya di Pacitan yang selalu menemaniku

dalam mengerjakan skripsi ini walaupun dari jarak jauh tapi kalian sangat

memberikan semangat untuk saya, terimakasih untuk Nur Kayati, Eni Fitri

Rahayu, dan Samsuri (Pekek).

Malang, 21 Januari 2020

Penulis

viii

DAFTAR ISI

LEMBAR PERSETUJUAN ................................................................................................ i

LEMBAR PENGESAHAN ................................................................................................ ii

LEMBAR PERNYATAAN ............................................................................................... iii

ABSTRAK…..................................................................................................................... iv

ABSTRACT …..................................................................................................................... v

KATA PENGANTAR ....................................................................................................... vi

DAFTAR ISI.................................................................................................................. viii

DAFTAR TABEL…...............................................................................................xi

DAFTAR GAMBAR .......................................................................................................... x

BAB I PENDAHULUAN ................................................................................................... 1

1.1 Latar Belakang ................................................................................................... 1

1.2 Rumusan_Masalah ............................................................................................ 3

1.3 Cakupan Masalah .............................................................................................. 3

1.4 Tujuan Penelitian ............................................................................................... 4

1.5 Manfaat Penelitian ............................................................................................. 4

1.6 Pengujian Data ................................................................................................... 4

1.7 PembuatanpLaporan .......................................................................................... 4

1.8 SistematikapPenulisan ....................................................................................... 4

BAB II TINJAUAN PUSTAKA ........................................................................................ 7

2.1 Kajian Teori ....................................................................................................... 7

2.1.1 Curah Hujan .................................................................................................. 7

2.1.2 Kabupaten Malang_ ..................................................................................... 9

2.1.3 Machine Learning ....................................................................................... 11

2.1.4 Deep Learning ............................................................................................. 11

2.1.5 Recurrent Neural Network (RNN) ............................................................... 12

2.1.6 DatanTime Series ........................................................................................ 14

2.1.7 Long Short Term Memory(LSTM) ............................................................... 14

2.1.8 Python ......................................................................................................... 15

2.1.9 Matplotlibn .................................................................................................. 16

2.1.10 Pandas .................................................................................................... 16

2.1.11 Numpy ..................................................................................................... 16

2.1.12 Keras ....................................................................................................... 17

2.1.13 Tensorflow .............................................................................................. 17

2.2 Penelitian Terdahulu ........................................................................................ 17

BAB III METODE PENELITIAN ................................................................................... 19

3.1 Tahap Penelitian .............................................................................................. 19

3.1 Identifikasi Masalah ........................................................................................ 20

3.2 Studi Literatur .................................................................................................. 20

3.3 Pengumpulan Data ........................................................................................... 20

3.4 Analisa Data .................................................................................................... 21

3.5 Pengolahan Data .............................................................................................. 22

BAB IV HASIL DAN PEMBAHASAN .......................................................................... 25

4.1 Lingkungan Implementasi ............................................................................... 25

ix

4.1.1 Perangkat Keras yang Digunakan ............................................................... 25

4.1.2 Perangkat Lunak yang Digunakan .............................................................. 25

4.2 Pembagian Data ............................................................................................... 25

4.2.1 Data yang Digunakan ...................................................................................... 25

4.3 Preprocessing ................................................................................................... 26

4.3.1 Melihat Nilai NaN ........................................................................................... 26

4.3.2 Mengubah Nilai NaN ........................................................................................... 26

4.4 Menentukan Hyperparameter .......................................................................... 27

4.5 Normalisasi Data ............................................................................................. 27

4.6 Pembentukan Model Recurrent Neural Network (RNN) ................................. 27

4.7 Hasil Estimasi .................................................................................................. 31

4.8 Evaluasi Hasil .................................................................................................. 32

BAB V PENUTUP……………………………………………………………………… 34

5.1 Kesimpulan ...................................................................................................... 34

5.2 Saran ................................................................................................................ 34

DAFTAR PUSTAKA ....................................................................................................... 34

x

DAFTAR GAMBAR

Gambar 2. 1 Proses RNN Saat Perhitungan Waktu Didepannya ................... 12 Gambar 2.2 Contoh Arsitektur LSTM RNN (Olah 2015) ............................ 14

Gambar 3.1 Diagram Alur Penelitian........................................................................ 19 Gambar 3.2 Skema Alur Recurrent Neural Network ................................................ 22

Gambar 4. 1 Pemanggilan Data Train…........................................................ 26 Gambar 4. 2 Pemanggilan Data TesT............................................................ 26

Gambar 4. 3 Melihat Nilai NaN…................................................................. 26

Gambar 4. 4 Mengubah Nilai NaN…............................................................ 26 Gambar 4. 5 Menentukan Hyperparameter…................................................ 27 Gambar 4. 6 Normalisasi Data…................................................................... 27 Gambar 4. 7 Pembentukan Model RNN….................................................... 29 Gambar 4. 8 Compile Model…..................................................................... 29

Gambar 4. 9 Plotting Loss Model…............................................................ 30

Gambar 4. 10 Akurasi Model…...................................................................... 30 Gambar 4. 11 Melihat Hasil Nilai Estimasi…............................................... 31 Gambar 4. 12 Plotting Nilai Estimasi…......................................................... 32

xi

1 DAFTAR TABEL

Tabel 4. 1 Tabel Hyperparameter RNN…........................................................... 27

Tabel 4. 2 Tabel Evaluasi…................................................................................ 32

Tabel 4. 3 Hasil Evaluasi RMSE…..................................................................... 33

35

DAFTAR PUSTAKA

[1] Ika Oktavianngsih, Muliadi dan Apriansyah,. Estimasi Curah Hujan di

Pontianak Menggunakan Metode Propagasi balik Berdasarkan Parameter

Cuaca dan Suhu Permukaan Laut. Vol.VI , No.2 Hal. 89 - 93 ISSN : 204

(2018).

[2] Yunus Subagyo Swarinoto , Husain. Jurnal Meteorologi Dan Geofisika

VOL. 13 NO. 1: 53-61(2012)

[3] Dishashree Gupta , “Fundamentals of Deep Learning – Introduction to

Recurrent Neural Networks” (2017).

[4] Eddy Hermawan “Pengelompokkan Pola Curah Hujan yang terjadi Di

Beberapa Kawasan P.Sumatera Berbasis Hasil Analisis” Jurnal

Meteorologi Dan Geofisika Vol. 11 No. 2 – November: 75 – 85 (2010).

[5] Utami, A.W., Jamhari, dan S.Hardyastuti. El Nino, La Nina, dan Penawaran

Pangan di Jawa, Indonesia. Jurnal Ekonomi Pembangunan. 12(2):257-271

(2011).

[6] Renggono, F. Pengaruh ENSO terhadap pola angin dan curah hujan di Das

Larona Sulawesi Selatan. Jurnal Sains dan Teknologi dan Modifikasi Cuaca.

12(2):63-68 (2011).

[7] M. Mohri, A. Rostamizadeh, and A. Talwalkar, Foundations of Machine

Learning. Cambridge: The MIT Press, (2012).

[8] J. W. G. Putra, Pengenalan Pembelajaran Mesin dan Deep Learning, Edisi

1.2. Tokyo, (2018).

[9] A. Ahmad, “Mengenal Artificial Intelligence, Machine Learning, Neural

Network, dan Deep Learning,” Yayasan Cahaya Islam. J. Teknol. Indones.,

no. June, (2017).

[10] L. Deng and D. Yu, Deep Learning : Methods and Applications. Hanover:

now Publisher Inc., (2014).

36

[11] R. Adhikari and R. K. Agrawal, “An Introductory Study on Time Series

Modeling and Forecasting”, (2013).

[12] Fildta Novadiwanti, Agus Buon, Akhmad Faqih, Jurnal Tanah dan Iklim

Vol. 41 No.1 Juli. Hal 69-77(2017).

[13] Olah C. Understanding lstm networks. [Internet]. Tersedia pada:

http://colah.github.io/posts/2015-08-Understanding-LSTMs/ (2015).

[14] Denny Britz. “Recurrent Neural Networks Tutorial, Part 1 – Introduction to

RNNs”( 2015).

[15] Dishashree Gupta, “Fundamentals of Deep Learning – Introduction to

Recurrent Neural Networks” (2017).

[16] Simeon Kostadinov,“How Recurrent Neural Networks work”, University of

Birmingham(2017).

[17] Redha Arifan Juanda, Jondri, Aniq Atiqi Rohmawati, "Prediksi Harga

Bitcoin Dengan Menggunakan Recurrent Neural Network ", University of

Telkom Bandung, Vol.5, No.2, (2018).

[18] Poornima, S. and Pushpalatha, M., "Prediction of Rainfall Using Intensified

LSTM Based Recurrent Neural Network withWeighted Linear Units",

Atmosphere, Vol. 10, Hal. 668, (2019)

[19] Kevin Johan, "Rancang Bangun Aplikasi Prediksi Saham Menggunakan

Long Short Term Memory Recurrent Neural Network", Skripsi, Jurusan

Teknik Informatika, Universitas Multimedia Nusantara, (2019)

[20] Guido van Rossum "An Introduction to Python for UNIX/C Programmers"

CWI, P.O. Box 94079, 1090 GB Amsterdam.

[21] Accuracy Test of GPM IMERG Rainfall Estimation Product over Surabaya,

Indonesia, Jurnal Sains & Teknologi Modifikasi Cuaca, Vol.19 No.2, Hal:

83 – 88, 2018.

37

[22] L. Yu, J. Chen, G. Ding, Y. Tu, J. Yang, and J. Sun, “Spectrum prediction

based on taguchi method in deep learning with long short-term memory,”

IEEE Access, vol. 6, no. c, pp. 15923–15933, 2018.

38