Optimasi Multi-Layer Perceptron Pada Model Prediksi Karakteristik Musim Hujan Dan Kemarau Di Kabupaten Pacitan

Abstract

Pengetahuan mengenai karakteristik musim hujan dan musim kemarau di suatu tahun adalah informasi yang bermanfaat bagi sektor pertanian. Akan tetapi, karakteristik musim hujan dan musim kemarau di Indonesia tidak selalu sama setiap tahunnya, dikarenakan musim di Indonesia terpengaruh oleh fenomena iklim global. Oleh karena itu, analisis dan prediksi karakteristik musim hujan dan kemarau di Indonesia perlu dilakukan. Salah satu caranya ialah dengan menerapkan multi-layer perceptron (MLP) dalam melakukan pemodelan karakteristik musim hujan dan kemarau. Kemudian, suatu upaya optimasi perlu dilakukan untuk mendapatkan model MLP yang baik, salah satunya adalah optimasi menggunakan particle swarm optimization (PSO). Tujuan dari penelitian ini adalah melakukan optimasi multi-layer perceptron (MLP) menggunakan particle swarm optimization (PSO) pada pemodelan prediksi awal musim hujan (AMH), awal musim kemarau (AMK), panjang musim hujan (PMH), dan panjang musim kemarau (PMK) pada 3 stasiun cuaca di Kabupaten Pacitan (Arjosari, Kebon Agung, dan Pringkuku) berdasarkan masukan berupa data luaran general circulation model (GCM). Data luaran GCM yang digunakan pada penelitian ini berjumlah 12 model, yang masing-masing model GCM dicari model prediksi karakteristik musim hujan dan musim kemarau terbaiknya. Penelitian yang dilakukan terdiri atas beberapa pekerjaan utama, yaitu penentuan karakteristik musim hujan dan musim kemarau berdasarkan akumulasi anomali curah hujan harian, pemilihan dan reduksi dimensi luaran GCM menggunakan principal component analysis (PCA), proses pelatihan, pengujian, dan optimasi MLP, serta proses analisis dan evaluasi hasil. Proses optimasi MLP dilakukan dengan mengoptimasi bobot awal MLP sebelum pelatihan. Sementara itu, analisis dan evaluasi dilakukan dengan membandingkan hasil pemodelan yang dioptimasi PSO dengan hasil pemodelan tanpa optimasi serta analisis menggunakan diagram Taylor. Hasil penelitian menunjukkan bahwa pada stasiun cuaca Arjosari, pemodelan pada 8 dari 12 model GCM memberikan hasil yang lebih baik daripada pemodelan tanpa optimasi. Sementara itu, pada stasiun cuaca Kebon Agung dan Pringkuku, pada masing-masing stasiun cuaca hanya 5 pemodelan dari 12 model GCM yang memberikan hasil yang lebih baik saat dioptimasi. Ketika hasil pemodelan terbaik tiap luaran GCM digabungkan dan dirata-ratakan, hasil prediksi karakteristik musim hujan dan kemarau memiliki performansi yang baik, dengan rincian koefisien korelasi (r) pada stasiun cuaca Arjosari, Kebon Agung, dan Pringkuku berturut-turut adalah 0.962, 0.97, dan 0.974 serta root mean squared error (RMSE) pada stasiun cuaca Arjosari, Kebon Agung, dan Pringkuku berturut-turut adalah 2.031, 2.609, dan 1.79.