Curah hujan dan kelembaban udara merupakan komponen penting untuk pemantauan perubahan iklim. Oleh karena itu, kegiatan prediksi sangat diperlukan untuk mengatur kebijakan di berbagai bidang seperti pertanian. Data curah hujan memiliki pola musiman, artinya data tersebut mempunyai jangkauan dan standar deviasi yang cenderung tinggi. Hal ini berbeda dengan data kelembaban udara yang memiliki pola stasioner dengan rentang data dan standar deviasi cenderung kecil.
Teknik normalisasi data merupakan tahapan awal yang sangat penting dilakukan untuk mendapatkan pendekatan data prediksi yang baik. Banyak peneliti mendapatkan prediksi dan galat yang berbeda dalam setiap penggunaan teknik normalisasi data. Oleh karena itu, dalam artikel ini dibahas tingkat akurasi dari tujuh teknik normalisasi pada tahap preprocessing di Neural Arsitektur Network Backpropagation (NNBP) termasuk penskalaan desimal, Z-score, min-max (ada 6 jenis), sigmoid, estimator tanh, mean-MAD, dan median-MAD.
Penelitian ini menggunakan data curah hujan (data musiman) dan udara kelembaban (data stasioner) untuk studi kasus. Kami menggunakan dua tipe data yang berbeda untuk melakukan percobaan pada masing-masing teknik normalisasi. Dengan demikian, setiap teknik dapat diketahui tingkat akurasinya jika disimulasikan menggunakan jenis data musiman dan data stasioner. Data curah hujan diambil dari stasiun Ampenan yang terletak di garis lintang -8.618 dan garis bujur: 116.083 (Kota Mataram, Indonesia), sedangkan data kelembaban udara diambil dari stasiun Kediri yang terletak pada garis lintang: -8.6364 dan bujur: 116.1707 (Kabupaten Lombok Barat, Indonesia). Data yang digunakan adalah data selama 10 tahun terakhir (Januari 2012 sampai Desember 2021) dengan interval 10 hari, sehingga dalam setahun ada adalah 36 data. Pada tahap simulasi data, kami menggunakan arsitektur NNBP dengan tiga lapisan tersembunyi yaitu 36-73-37-19-1. Nomor jumlah neuron pada lapisan tersembunyi pertama telah ditentukan menggunakan rumus Hecht-Nelson, sedangkan jumlah neuron di lapisan tersembunyi kedua dan ketiga ditentukan dengan menggunakan Rumus Lawrence-Fredrickson. Parameter lain yang ditetapkan adalah fungsi trainlm, fungsi aktivasi di lapisan tersembunyi dan lapisan keluaran yaitu logsig-logsig-logsig-purelin, tujuan dari 0,001, zaman maksimum 1000, tingkat pembelajaran 0,1, dan momentum 0,9. Selanjutnya parameter untuk pengujian tersebut tingkat akurasi arsitektur adalah jumlah zaman, rata-rata absolute error (MAE) dan mean square error (MSE).
Hasil pelatihan data menggunakan NNBP dengan tiga lapisan tersembunyi diperoleh informasi bahwa teknik Z-score sangat baik diterapkan pada normalisasi data curah hujan dengan nilai MAE sebesar 0,051 dan MSE sebesar 0,004. Sementara, disarankan mengaplikasikan teknik mean-MAD atau Z-score untuk data kelembaban udara dengan nilai MAE pada interval 0.013-0.018 dan MSE pada interval 0,0004-0,0006. Hasil simulasi menunjukkan bahwa kedua teknik memberikan hasil yang hampir sama. Jadi tidak akan ada pengaruh yang signifikan terhadap hasil prediksi. Hasil ini juga membuka peluang untuk penelitian baru di masa depan dalam mempelajari lebih lanjut tentang modifikasi lain dari teknik min-max dengan angka atau variabel lain, serta melakukan pelatihan tentang lebih banyak jenis data deret waktu. Kemudian kita dapat membandingkan dengan teknik normalisasi lainnya.
Penulis: Dr. Fatmawati, M.Si
Informasi detail dari riset ini dapat dilihat pada tulisan kami di:
https://www.iieta.org/journals/ijsdp/paper/10.18280/ijsdp.170707
Authors: Syaharuddin, Fatmawati, Herry Suprajitno.
Title: Investigations on Impact of Feature Normalization Techniques for Prediction of Hydro-Climatology Data Using Neural Network Backpropagation with Three Layer Hidden.
