Prediksi Curah Hujan Menggunakan Hybrid Metode K-Means Dan Metode Radial Basis Function (Studi Kasus : BMKG Kota Tanjungpinang)

Dena Pertiwi

denaumrah@gmail.com

Jurusan Terknik Informatika, Fakultas Teknik, Universitas Maritim Raja Ali Haji

 

ABSTRAK

Curah hujan yang tidak dapat diperkirakan sering sekali terjadi di Indonesia salah satunya yaitu kota Tanjungpinang, Kepulaun Riau. Curah hujan yang tidak dapat diperkirakan atau di pastikan dapat mengakibatkan terjadinya bencana alam seperti halnya, banjir, tanah lonsor, dan lainnya. Penelitian yang dilakukan untuk membuat suatu prediksi dalam menyelesaikan masalah curah hujan di kota Tanjungpinang, dengan menggunakan hybrid metode K-Means dan metode Radial Basis Function untuk prediksi curah hujan. Adapun variabel yang digunakan dalam penelitian ini yaitu arah angin, kecepatan angin, temperatur, kelembaban udara, tekanan udara dan curah hujan. Dalam penelitian ini data yang digunakan untuk prediksi curah hujan adalah data curah hujan harian mulai tahun 2015-2016. Hasil pengujian yang dilakukan dengan menggunakan hybrid metode k-means dan metode radial basis function dalam kasus prediksi curah hujan mendapatkan hasil pelatihan dengan menggunakan vektor data sebanyak 512, menghasilkan RMSE terkecil sebesar 0.011591 dan MAD sebesar 6.536949 dengan jumlah kluster 28. Senjutnya dilakukan proses pengujian dengan menggunakan jumlah vektor data sebanyak 219 menghasilkan RMSE sebesar 0.101746 dan MAD sebesar 8.887692293.

 

Kata Kunci : Prediksi, Curah Hujan, K-Means, Radial Basis Function.

PENDAHULUAN

 

Curah hujan merupakan suatu keadaan dimana air yang jatuh ke permukaan bumi atau pada suatu daerah tertentu dalam  kurun waktu yang tidak dapat dipastikan atau diperkirakan. Curah hujan sendiri dapat diukur dalam harian, bulanan dan juga tahunan. Ukuran curah hujan yang biasanya terjadi bisa dalam berupa keadaan curah hujan rendah, menengah, tinggi dan sangat tinggi.

Curah hujan yang tidak dapat diperkirakan atau dipastikan dapat mengakibatkan terjadinya bencana alam seperti halnya, banjir, tanah longsor, dan lainnya. Ketidakpastian curah hujan ini maka perlu membuat suatu prediksi untuk menyelesaikan  permasalahan curah hujan yang ada di kota Tanjungpinang.

Berbagai macam metode prediksi telah banyak yang berkembang dan telah banyak digunakan saat ini salah satunya yaitu metode  Radial Basis Function (RBF). RBF merupakan salah satu model pembelajaran dari Neural Network atau juga di kenal dengan JST (Jaringan Syaraf Tiruan) yang mentransformasi input secara nonlinear dan menggunakan fungsi aktivasi Gaussian yang terdapat pada lapisan unit hidden sebelum dilakukan proses secara linear pada lapisan outputnya. Sedangkan metode k-means sendiri digunakan untuk mencari pusat (center) terbaik untuk di lakukan perhitungan pada metode RBF. Kelebihan dari metode ini adalah dalam melakukan traning data dan ketepata dalam estimasi lebih cepat dan dengan mempertimbangkan sifatnya yang mampu menghasilkan output dengan tingkat keakurasian yang tinggi  pada waktu pelatihan yang relatif lebih singkat. (Mutmainnah dan Ainun, 2012).

Dengan menggunakan metode ini diharapkan dalam penelitian yang dilakukan adalah dengan menggunakan Hybrid metode K-Means dan metode Radial Basis Function untuk prediksi curah hujan di dapat hasil prediksi yang paling akurat dari metode tersebut dan dapat digunakan sabagai acuan dalam aktifitas.

 

BAHAN DAN METODE

Lokasi dan fokus penelitian dalam mengimplementasikan metode RBF adalah di BMKG, Tanjungpinang. Fokus penelitian pada aplikasi ini adalah dengan implementasi metode K-Means dan metode RBF untuk prediksi curah hujan dapat mengoptimasi prediksi curah hujan di Tanjungpinang. Data yang dibutuhkan dalam penelitian ini adalah data arah angin, kecepatan angin, temperatur, kelembaban udara, tekanan udara dan curah hujan dalam bentuk harian dari tahun 2015 sampai dengan tahun 2016 yang diperoleh dari BMKG Tanjungpinang.

Dalam penelitian yang dilakukan untuk prediksi mengunakan metode RBF, sedangkan metode K-Means sendiri digunakan untuk mencari center terbaik. Center atau pusat yang dimaksud disini ialah pusat cluster dari data. Jumlah center menetukan jumlah hidden node  yang di gunakan.

Langkah-langkah dalam melakukan prediksi curah hujan menggunakan metode K-Means dan RBF sebagai berikut :

1.      Normalisasi data

2.      Mencari nilai center menggunakan metode K-Means

3.      Menghitung nilai spread

4.      Menghitung fungsi aktivasi gaussian

5.      Menghitung nilai bobot

6.      Menghitung output menggunakan output jaringan

7.      Menghitung galat error

 

HASIL DAN PEMBAHASAN

 

Adapun data yang digunakan pada penelitian ini yaitu data curah hujan harian dalam waktu 2 tahun, di mulai dari 1 januari 2015 sampai dengan 31 desember 2016, dimana data tersebut dibagi menjadi 2 bagian yaitu, data pelatihan dan data pengujian. Data pelatihan digunakan untuk melakukan proses pelatihan dimana proses pelatihan bertujuan untuk mendapatkan bobot yang diharapkan. Setelah bobot di peroleh dari pelatihan, selanjutnya bobot tersebut digunakan untuk melakukan proses pengujian dengan menggunakan data berbeda yang tidak digunakan pada saat proses pelatihan. Variabel yang digunakan pada penelitian ini yaitu, arah angin, kecepatan angin, temperatur, kelembaban udara, tekanan udara dan untuk keluaran yaitu curah hujan. Banyaknya data yang di gunakan untuk penelitian ini yaitu 731 dimana untuk 512 data digunakan untuk pelatihan dan 219 digunakan untuk pengujian.

Hasil pelatihan dengan menggunakan vektor data sebanyak 512, menghasilkan RMSE terkecil sebesar 0.011591 dan MAD sebesar 6.536949 dengan jumlah kluster 28. Senjutnya dilakukan proses pengujian dengan menggunakan jumlah vektor data sebanyak 219 menghasilkan RMSE sebesar 0.101746 dan MAD sebesar 8.887692293. Hasil dari prediksi curah hujan dapat dilihat pada tabel 1 berikut.

Tabel 1. Sample Perbandingan Hasil Data Aktual Dan Prediksi Curah Hujan

Data Ke	Data Aktual (Mm)	Data Prediksi (Mm)
1	0.5	1.80908
2	5.2	12.57665
3	14.8	27.26996
4	0.8	3.078218
5	0	-0.69993
6	1.1	-4.14809
7	36	7.249972
8	50.1	32.83768
9	8.3	32.61675
:	:	:
219	0.2	18.189623

 

Untuk melihat hasil perbandingan dari pengujian untuk data target curah hujan dan output curah hujan dapat dilihat pada grafik dari prediksi pada Gambar 1.

 

Gambar 1. Grafik Perbandingan Data Hasil Prediksi  Data Aktual Dan prediksi

 

 

KESIMPULAN

 

Adapun kesimpulan yang dapat diambil dari penelitian ini adalah, penelitian ini menunjukkan bahwa metode RBF bisa digunakan untuk kasus prediksi curah hujan, penelitian dengan menggunakan algoritma K-Means sebagai penentuan center mempermudah dalam mendapatkan center terbaik, hasil penelitian menunjukan pemodelan dengan hybrid metode K-Means dan metode RBF memberikan hasil pelatihan dengan menggunakan vektor data sebanyak 512, menghasilkan RMSE terkecil sebesar 0.011591 dan MAD sebesar 6.536949 dengan jumlah kluster 28. Senjutnya dilakukan proses pengujian dengan menggunakan jumlah vektor data sebanyak 219 menghasilkan RMSE sebesar 0.101746 dan MAD sebesar 8.887692293

 

 

DAFTAR PUSTAKA

 

Apriyanto, F., Sujono, H, S., Hermanto, A, L., 2016, Kalasifikasi Kualitas Piasau

Potong (CUT CELL) Menggunakan Metode Radail Basis Function (RBF),   Interger Journal, Vol 1, (No.2).

Dillak, Y.R., Bintiri, G.M., Sina, R, D., 2012, Penerapan Jaringan Saraf Tiruan Radial Basis Function Pada Diaknosa Dan Medical Prescription Penyakit Jantung Seminar Nasional Informatika 2012 (semnasIF 2012).

Han, J., dan Kamber, M., 2001. “Data Mining Concepts and Techniques Second Edition”. San Francisco: Morgan Kauffman.

Hayati, S., Maryani, E., Manalu, M., 2004, “Pengetahuan Sosiologi Geografi”. Jakarta : Esis.

Haykin, S., 2009. “Neural Networks and Learning Machines Third Edition”, Pearson Education.

Haykin, S., 1999. Neural Networks A Comprehensive Foundation Second Edition”, Prentice Hall International.

Haryanto, F.A.S., Ernawati., Puspitaningrum, D., 2015, Implementasi Jaringan Syaraf Tiruan Backpropagation Untuk Memprediksi Cuaca, Jurnal Rekursif, Vol. 3, (No.2).

Indrabayu., Harun, N., Pallu, S.M., Achmad, A., Fikha, C.L., 2012, “Prediksi Curah Hujan Dengan Jaringan Saraf Tiruan”. Universitas Hasanuddin.

Kermania, Z.M., Kisi, O., Rajaeec, T., 2013, Performance Of Radial Basis And LM-Feed Forward Artificial Neural Networks For Predicting Daily Watershed Runoff, Applied Soft Computing 13 (2013) 4633–4644

Kristanto, A., 2004, Jaringan Syaraf Tiruan (Konsep Dasar Algoritma Dan Aplikasi. Jogjakarta : Gava Media.

Mutmainnah, N.M., dan Ainun, N., 2012, “Prediksi Trafik Pada Komunikasi Data Dengan Menggunakan Jaringan Syaraf Tiruan Metode Radial Basis Function”. (Skripsi), Universitas Hasanuddin, Makassar.

Puspitaningrum, D., 2006, “Pengantar Jaringan Saraf Tiruan”. Yogyakarta : Andi

Santosa, S., Widjanarko, A., Supriyanto, C., 2016, Model Prediksi Penyakit Ginjal Kronik Menggunakan Radial Basis Function, Jurnal Pseudocode, Vo III (No.2)

Sungkawa, S., Megasari, T.R., 2011, Penerapan Ukuran Ketepatan Nilai Ramalan Data Deret Waktu Dalam Seleksi Model Peramalan Volume Penjualanpt Satriamandiri Citramulia. Mathematics & Statistics Department, School Of Computer Science, Binus University. Vol.2 (No.2) Desember 2011

Singh, K.N., Tripathy, M., Singh, K.A., 2011, A Radial Basis Function Neural Network Approach for Multi-Hour Short Term Load-Price Forecasting with Type of Day Parameter, International Conference on Industrial and Information Systems

Sommerville, 2010, Metode Pengambangan Waterfall.