Modifikasi Jaringan Backpropagation Dengan Particle Swarm Optimization Untuk Peramalan Curah Hujan

Abstract

Pemanasan global memiliki pengaruh yang besar dalam perubahan iklim yang berujung pada kejadian ekstrim. Salah satu tanda dalam perubahan iklim adalah curah hujan yang ekstrim. Curah hujan tersebut tersebut merupakan realita yang harus dihadapi dalam bentuk pencegahan dan persiapan kejadian ekstrim. Persiapan awal yang dilakukan adalah tersedianya informasi curah hujan saat ini dan masa yang akan datang. Informasi yang berkaitan dengan masa yang akan datang hanya dapat diramalkan. Data peramalan curah hujan akan membentuk metode peramalan curah hujan dimana metode tersebut diperlukan untuk mendapatkan hasil yang memiliki tingkat akurasi peramalan dengan tingkat error data yang kecil. Metode yang digunakan untuk meramalkan cuaca yaitu Backpropagation dan Particle Swarm Optimization (BP-PSO). Metode BP-PSO merupakan gabungan dua algoritma dimana PSO berada pada proses Pelatihan (training). Pelatihan pada BP ada tiga fase yaitu fase propogasi maju, fase propagasi mundur dan fase perubahan bobot. PSO memiliki peranan untuk mengganti fase propagasi mundur dan fase perubahan bobot. Dalam hal tersebut PSO mengoptimasi jaringan BP sehingga memperoleh bobot yang ideal. Optimasi tersebut dilakukan untuk memperoleh nilai error minimum. Tujuan dari penelitian ini untuk mengetahui pengaruh parameter algoritma BP-PSO dan perbandingan hasil parameter terbaik algoritma BP-PSO dan algoritma BP. Data yang digunakan pada penelitian ini berasal dari BPS (Badan Pusat Statistika) kota Surabaya. Variabel yang diambil adalah temperatur, kelembaban, kecepatan dan curah hujan pada tahun januari 2006 sampai desember 2018. Data ix dibagi menjadi tiga sebagai data training, testing dan peramalan. Neuron input berasal dari nilai temperatur, kelembaban, kecepatan dan curah hujan sedangkan neuron output adalah nilai curah hujan bulan selanjutnya. Proses perhitungan algoritma BP-PSO dibantu dengan program simulasi yang dibuat menggunakan software MATLAB. Perhitungan ini untuk menentukan parameter algoritma terbaik dan simulasi peramalan. Berdasarkan hasil uji parameter algoritma didapat nilai parameter terbaik yaitu dan . Parameter algoritma terbaik digunakan sebagai training yang mendapatkan kemampuan mengenali pola data ramalan. Dalam proses training menghasilkan nilai MSE 0,0039962 pada BP-PSO dan 0,0042454 pada BP. Serta proses testing menghasilkan nilai MSE 0,092391 pada BP-PSO dan 0,11154 pada BP. Nilai MSE menunjukkan algoritma BP-PSO lebih kecil dari pada algoritma BP dalam training maupun testing. Sehingga algoritma BP-PSO lebih baik dari algoritma BP.