Peramalan Curah Hujan Harian dengan Jaringan Saraf Tiruan dan General Circulation Model

Abstract

Musim di Indonesia didasarkan atas banyaknya curah hujan yang dikenal musim penghujan dan musim kemarau. Menurut Badan Pusat Statistik Provinsi Jawa Timur, Jember memiliki produksi padi, jagung, dan kedelai yang cukup banyak tiap tahunnya. Sehingga curah hujan memiliki peran penting di bidang pertanian yang ada di wilayah Jember. Tinggi rendahnya curah hujan dapat mempengaruhi hasil panen. Untuk meminimalisir masalah tersebut, perlu adanya model peramalan yang dapat digunakan untuk meramalkan intensitas curah hujan. Pembuatan model peramalan dapat melalui pendekatan data iklim global dari General Circulation Model (GCM). GCM memiliki resolusi yang rendah dalam merepresentasikan keadaan curah hujan skala lokal. Teknik statistical downscaling dapat mentransformasikan informasi skala kecil dari informasi pada skala besar. Teknik ini dapat menentukan hubungan fungsional antara variabel respon (iklim lokal) dan variabel prediktor (iklim skala global). GCM sebagai variabel prediktor memiliki banyak dimensi yang kemungkinan besar terjadi korelasi antar grid dalam domain dan multikolinearitas antar variabel prediktor. Banyaknya variabel prediktor berdasarkan hasil perkalian ukuran domain grid . Reduksi domain GCM dapat mempermudah penyusunan model peramalan dari statistical downscling. Metode yang dapat digunakan untuk mereduksi variabel adalah Principal Component Analysis (PCA). Hasil PCA kemudian digunakan sebagai varibel pada pembelajaran Jaringan Saraf Tiruan (JST). Model JST menggunakan algoritma backpropagation yang mengombinasikan banyak hidden layer, banyak neuron dan jenis fungsi aktivasi.