Optimasi Cascade Neural Network Dengan Genetic Algorithm Pada Prediksi Awal Musim Hujan Di Kabupaten Pacitan Berdasarkan Data Gcm
View/ Open
Date
2017Author
Novadiwanti, Fildza
Buono, Agus
Faqih, Akhmad
Metadata
Show full item recordAbstract
Di Indonesia, pertanian menjadi sektor penting dalam pembangunan ekonomi nasional. Awal musim hujan merupakan salah satu variabel iklim yang dapat mempengaruhi produksi pertanian. Perubahan awal musim hujan dapat berdampak pada terjadinya kegagalan panen. Penelitian ini mengembangkan model untuk memprediksi awal musim hujan menggunakan cascade neural network (CNN) yang dioptimasi menggunakan genetic algorithm (GA) berdasarkan data global circulation model (GCM). Data observasi menggunakan data curah hujan dari 3 stasiun cuaca, yaitu Arjosari, Kebon Agung, dan Pringkuku. Data curah hujan diolah menjadi data awal musim hujan berdasarkan kriteria akumulasi anomali curah hujan harian. Data yang digunakan untuk memprediksi adalah data GCM antara tahun 1983 – 2011 dari 3 model, yaitu CMC1-CanCM3, CMC1-CanCM4, dan NCEP-CSFv2. Data GCM yang digunakan pada issued time bulan Juni dengan lead time bulan Juni, Juli, dan Agustus. Variabel GCM yang digunakan adalah total precipitation, sea surface temperature, dan reference temperature. Tahapan yang dilakukan pada penelitian ini adalah mengolah data curah hujan menjadi data awal musim hujan, pemilihan dan reduksi data GCM dengan principal component analysis (PCA), membagi data menjadi data latih dan data uji dengan k-fold cross validation, pemodelan dengan CNN biasa dan pemodelan dengan CNN yang dioptimasi dengan GA, dan terakhir dilakukan analisis dan evaluasi. Optimasi GA dilakukan pada arsitektur CNN, yaitu untuk menemukan arsitektur hidden neuron yang terbaik dan menghasilkan peningkatan nilai akurasi koefisien korelasi (r). Analisis dan evaluasi dilakukan dengan membandingkan hasil akurasi sebelum dioptimasi dan setelah dioptimasi dengan GA. Hasil dari penelitian ini menunjukan bahwa optimasi CNN dengan GA berhasil dilakukan. Hal ini terlihat dari nilai akurasi r yang meningkat di setiap stasiun cuaca. Selain itu, nilai AMH yang diperoleh pada masing-masing model GCM di setiap stasiun cuaca menunjukan telah memiliki pola yang cukup sesuai dengan nilai AMH aktual. Pada stasiun cuaca Arjosari, arsitektur terbaik yang dihasilkan memiliki akurasi nilai r 0,89 dan RMSE 25 dengan akurasi sebelum dioptimasi dengan GA adalah r 0,6 dan RMSE 32. Pada stasiun cuaca Kebon Agung, arsitektur terbaik yang dihasilkan memiliki akurasi nilai r 0,86 dan RMSE 9 dengan akurasi sebelum dioptimasi dengan GA adalah r 0,3 dan RMSE 11. Pada stasiun cuaca Pringkuku, arsitektur terbaik yang dihasilkan memiliki akurasi nilai r 0,87 dan RMSE 24 dengan akurasi sebelum dioptimasi dengan GA adalah r 0,5 dan RMSE 12. Namun, arsitektur terbaik yang dihasilkan memiliki parameter yang berbeda di setiap stasiun cuaca.