Pengembangan Model Learning Vector Quantization untuk Prediksi Curah Hujan Skala Submusiman hingga Musiman

Abstract

Peristiwa cuaca dan iklim yang ekstrim seperti gelombang panas, badai, kebakaran hutan, serta banjir merupakan bentuk ekspresi dari variabilitas iklim. Peristiwa-peristiwa yang dipengaruhi oleh adanya perubahan iklim tersebut kemudian berdampak secara signifikan terhadap morbiditas dan mortalitas manusia, bahkan juga bisa berdampak pada kesehatan mental dan tentunya kesejahteraan manusia. Dalam konteks perubahan iklim salah satu pekerjaan yang penting adalah melakukan prediksi cuaca. Pada penelitian ini akan dilakukan pengembangan model klasifikasi yang akan menggunakan salah satu model Neural Networks yaitu Learning Vector Quantization (LVQ) dan kemudian akan dikembangkan dengan menambahkan Principal Component Analysis (PCA). Adapun sebagai prediktor adalah beberapa parameter udara permukaan yaitu rata-rata tekanan permukaan laut, suhu udara permukaan, dan suhu maksimum permukaan, dengan kelas target yaitu kategori curah hujan. Model awal yang dihasilkan dengan menggunakan 6 kategori curah hujan tersebut dilakuak penyesuaian menjadi hanya 2 kategori curah hujan, hal tersebut dilakukan untuk meningkatkan akurasi model secara keseluruhan dikarenakan data yang memiliki frekuensi tidak seimbang. Hasil dari penelitian ini sudah mampu mengembangkan model untuk melakukan prediksi terhadap 2 kategori hujan berdasarkan luaran dari Global Climate Model (GCM) pada skala Subseasonal to Seasonal (S2S) menggunakan LVQ dan menerapkan PCA sebagai metode untuk reduksi dimensi, yang menghasilkan rataan akurasi untuk seluruh model adalah sebesar 72,6%% dengan waktu pelatihan selama 6 jam 55menit 42 detik. Model yang dihasilkan secara stabil mampu melakukan prediksi hingga 46 hari ke depan dan secara keseluruhan model memiliki kemampuan lebih baik dalam mengidentifikasi kelas hujan dibandingkan dengan kelas berawan.