Salah satu faktor penentu perubahan iklim adalah perubahan intensitas hujan. Curah hujan adalah tingkat air hujan yang ditampung pada permukaan datar/daerah yang tidak menguap, meresap, atau mengalir. Peneliti dan pemerintah sering melakukan kajian dan membuat kebijakan terkait perubahan iklim yang berdampak pada berbagai bidang, seperti pertanian, perkebunan, bahkan penerbangan. Pentingnya penentuan klasifikasi iklim berkorelasi dengan pergeseran musim dari tahun ke tahun. Dengan demikian, lembaga negara seperti Badan Meteorologi, Klimatologi, dan Badan Geofisika selalu memasang alat pendeteksi curah hujan dan data klimatologi lainnya di bandar udara untuk mengantisipasi perubahan curah hujan atau iklim secara ekstrim.
Prediksi faktor perubahan iklim dalam jangka panjang diperlukan untuk memperkirakan berbagai kemungkinan di masa depan berdasarkan pada informasi masa lalu dan sekarang dengan error yang minimal. Salah satu metode prediksi data hidroklimatologi terbaik adalah jaringan saraf tiruan (JST), karena dapat melakukan prediksi dengan input data majemuk. Prediksi curah hujan menggunakan jaringan syaraf tiruan telah banyak dikaji oleh beberapa penelit. Perceptron, Multilayer Perceptron (MLP), dan Backpropagation adalah tiga jenis JST yang sudah banyak dikenal. Namun, JST Backpropagation (ANN-BP) memiliki arsitektur yang lebih lengkap dengan penambahan lebih dari satu lapisan tersembunyi, kemampuan untuk memasukkan lebih banyak data dan penggunaan parameter akurasi seperti learning rate dan momentum dalam meningkatkan kecepatan proses pelatihan data. Dengan demikian, ANN-BP adalah algoritma pembelajaran terawasi yang biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobot yang terhubung ke neuron di lapisan tersembunyinya.
Pada penelitan ini dikaji pengembangan ANN Backpropagation menggunakan antarmuka pengguna grafis berbasis Matlab dengan tiga lapisan tersembunyi yang dikombinasikan dengan fungsi aktivasi non-linear (logsig, tansig, tanh) dan pelatihan fungsi (trainrp dan trainlm) berdasarkan learning rate dan momentum. Arsitektur dibangun untuk mempelajari perubahan iklim di daerah sekitar stasiun Bandara Internasional Lombok dengan pelatihan data hidrologi (curah hujan) dari Januari 2012 sampai Desember 2021 dengan tipe data interval 10 hari (36 data setiap tahun). Jumlah neuron di bagian pertama lapisan tersembunyi ditentukan menggunakan model Hecht-Nielsen, sedangkan lapisan kedua dan ketiga, lapisan tersembunyi menggunakan model Lawrence-Fredrickson. Hasil simulasi dengan arsitektur 36-73-37-19-1, laju pembelajaran 0,1, dan momentum 0,9 menunjukkan bahwa variasi dalam fungsi aktivasi logsig-logsig-logsig-purelin dan fungsi trainlm menunjukkan hasil terbaik dengan epoch 7, MSE 0,00090, dan RMSE 0,03011 pada proses pelatihan dan epoch 5, MSE sebesar 0,003758, dan RMSE sebesar 0,0613 pada proses pengujian data. Selanjutnya, hasil prediksi menunjukkan bahwa nilai Q dari 0,222 berdasarkan kriteria Schmidt-Ferguson diperoleh intensitas curah hujan yang lebih tinggi daripada informasi dari tahun-tahun sebelumnya dengan kategori iklim B (basah). Oleh karena itu, pemerintah harus berhati-hati dalam menentukan kebijakan yang berkaitan dengan kegiatan lapangan terutama pertanian karena kondisi iklim dengan curah hujan yang tinggi.
Penulis: Dr. Fatmawati, M.Si
Informasi detail dari riset ini dapat dilihat pada tulisan kami di:
https://www.iieta.org/journals/mmep/paper/10.18280/mmep.090417
Authors: Syaharuddin, Fatmawati, Herry Suprajitno.
Title: Â Experimental Analysis of Training Parameters Combination of ANN Backpropagation for Climate Classification.
