program studi informatika fakultas teknik …eprints.umm.ac.id/58772/1/pendahuluan.pdf · 2020. 1....
TRANSCRIPT
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