Optimasi Backpropagation Neural Network dengan Particle Swarm Optimization untuk Prediksi Curah Hujan (Studi Kasus: Kabupaten Jember)

Abstract

Curah hujan di Kabupaten Jember memiliki karakteristik yang fluktuatif dan dinamis sehingga sulit diprediksi menggunakan metode konvensional. Ketidakpastian tersebut berdampak pada sektor pertanian dan pengelolaan sumber daya air. Penelitian ini bertujuan untuk mengimplementasikan algoritma Backpropagation Neural Network (BPNN) serta menganalisis pengaruh optimasi Particle Swarm Optimization (PSO) terhadap peningkatan akurasi prediksi curah hujan. Data penelitian diperoleh dari Stasiun Ajung Renes dan Stasiun Kencong yang memiliki karakteristik data berbeda. Metode penelitian dilakukan dengan menguji beberapa variasi arsitektur jaringan dan rasio pembagian data untuk memperoleh model terbaik. Hasil penelitian menunjukkan bahwa performa model sangat dipengaruhi oleh karakteristik data pada masing-masing lokasi. Pada Stasiun Ajung Renes, model BPNN dengan arsitektur 3-12-1 menghasilkan nilai RMSE sebesar 61,6911 dan berhasil ditingkatkan menggunakan PSO menjadi 53,0426. Sementara itu, pada Stasiun Kencong, model BPNN dengan arsitektur 3-4-1 menghasilkan RMSE sebesar 85,2190 dan menurun menjadi 79,0222 setelah dilakukan optimasi PSO, meskipun nilai R-Square masih negatif akibat tingginya fluktuasi data. Pengujian model acuan pada beberapa stasiun lain di Kabupaten Jember juga menunjukkan performa yang belum optimal karena perbedaan karakteristik lokal curah hujan pada setiap wilayah. Berdasarkan hasil penelitian, integrasi PSO pada BPNN terbukti mampu meningkatkan akurasi prediksi curah hujan, terutama pada data dengan pola yang lebih teratur. Namun, model yang digunakan belum sepenuhnya adaptif untuk diterapkan secara umum pada seluruh wilayah Kabupaten Jember. Penelitian ini diharapkan dapat menjadi referensi dalam pengembangan sistem prakiraan curah hujan untuk mendukung sektor pertanian dan mitigasi bencana.