Perbandingan Kinerja Hasil Luaran Model Jaringan Syaraf Tiruan dan SARIMA Untuk Prediksi Awal Musim Hujan Kota Pangkalpinang
Abstract views: 69
DOI:
https://doi.org/10.36456/jstat.vol16.no1.a6137
Keywords:
Backpropagation, Korelasi, Prediksi, AMH, RMSE, SARIMAAbstract
Bangka Belitung merupakan wilayah penghasil utama dari lada dan karet. Informasi prediksi curah hujan dan awal musim hujan (AMH) diperlukan untuk meningkatkan produksi komoditi ini. Tujuan penelitian untuk membangun model Seasonal ARIMA (SARIMA) dan Jaringan Syaraf Tiruan (JST) guna memprediksi curah hujan dan penentuan AMH dengan model terbaik. Model prediksi yang digunakan adalah SARIMA dengan menggunakan data curah hujan dari masa lalu dan JST propagasi balik (backpropagation) dengan menggunakan prediktor suhu muka laut, angin zonal dan precipitable water periode 1981-2010. SARIMA merupakan metode yang digunakan dalam peramalan data runtun waktu musiman sedangkan JST backpropagation merupakan pelatihan model untuk mempelajari set pola data masa lalu dan mengevaluasi serta membuat formula yang dihubungkan dengan keluaran yang diinginkan. Model dibandingkan kinerjanya dengan menghitung nilai koefisien korelasi dan akar rerata kuadrat kesalahan. Hasil penelitian menunjukkan model JST lebih baik daripada SARIMA untuk memprediksi curah hujan dengan nilai RMSE sebesar 48,70 dan korelasi sebesar 0,25. Akan tetapi, JST belum mampu untuk menduga curah hujan ekstrim. Penentuan AMH menggunakan prediksi JST menghasilkan kesesuaian model prediksi sebesar 42,86 % dengan nilai skill sebesar 0,05 lebih baik daripada penentuan AMH menggunakan prediksi SARIMA terpilih yang menghasilkan kesesuaian model prediksi sebesar 14,26 % dengan nilai skill sebesar 0,00.
Downloads
References
Kementerian Pertanian, Statistik Perkebunan Indonesia 2015-2017 Lada. Jakarta: Direktorat Jenderal Perkebunan, 2016.
T. H. S. Siregar and I. Suhendry, Budidaya dan Teknologi Karet. Bogor: Kanisius, 2013.
Badan Meteorologi Klimatologi dan Geofisika, Prakiraan Musim Hujan 2013/2014 di Indonesia. Jakarta: BMKG, 2013.
A. N. Khoir, “Prediksi Curah Hujan Bulanan di Pangkalpinang dengan Prediktor Precitable Water dan Angin Zonal/ Meridional,” Sekolah Tinggi Meteorologi Klimatologi dan Geofisika, Tanggerang Selatan, 2018.
L. Lubis and A. Buono, “Pemodelan Jaringan Syaraf Tiruan untuk Memprediksi Awal Musim Hujan Berdasarkan Suhu Permukaan Laut,” Jurnal Ilmu Komputer dan Agri-Informatika, vol. 1, p. 52, Nov. 2012, doi: 10.29244/jika.1.2.52-61.
W. Wei, Time Series Analysis: Univariate and Multivariate Methods, 2nd edition, 2006. 2006.
R. Ristiana, “Perbandingan Arima Dan Jaringan Syaraf Tiruan Propagasi Balik Dalam Peramalan Tingkat Inflasi Nasional,” Institut Pertanian Bogor, Bogor, 2015.
Y. Andriani, H. Silitonga, and A. Wanto, “Analisis Jaringan Syaraf Tiruan untuk prediksi volume ekspor dan impor migas di Indonesia,” Register: Jurnal Ilmiah Teknologi Sistem Informasi, vol. 4, p. 30, Nov. 2018, doi: 10.26594/register.v4i1.1157.
A. Singh and G. C. Mishra, “Application of Box-Jenkins Method and Artificial Neural Network Procedure for Time Series Forecasting of Prices,” Statistics in Transition, vol. 16, pp. 83–96, Mar. 2015, doi: 10.21307/stattrans-2015-005.
S. Rumagit and A. SN, “Prediksi Pemakaian Listrik Kelompok Tarif Menggunakan Jaringan Syaraf Tiruan dan ARIMA,” IJCCS (Indonesian Journal of Computing and Cybernetics Systems), vol. 7, p. 189, Jul. 2013, doi: 10.22146/ijccs.3359.
Bowerman B. L. and O’Connell R. T., Forecasting and time series : an applied approach (3rd ed.). Duxbury Press, 1993.
J. D. Cryer and K.-S. Chan, Time Series Analysis. New York, NY: Springer New York, 2008. doi: 10.1007/978-0-387-75959-3.
T. Sutojo, E. Mulyanto, and V. Suhartono, Kecerdasan Buatan. Yogyakarta: ANDI, 2010.
L. Fausett, Fundamentals of Neural Networks: Architectures, Algorithms, and Applications. USA: Prentice-Hall, Inc., 1994.
J. Heaton, “Programming Neural Networks with Encog 2 in Java,” 2010. [Online]. Available: https://api.semanticscholar.org/CorpusID:64015064
M. Mislan, H. H., S. Hardwinarto, S. Soeparto, and M. Aipassa, Rainfall Monthly Prediction Based on Artificial Neural Network – A Case Study Tenggarong Station, East Kalimantan – Indonesia, vol. 59. 2015. doi: 10.1016/j.procs.2015.07.528.
Walpole, Pengantar Statistika, 3rd ed. Jakarta: PT Gramedia Pustaka Utama, 1995.
E. Aldrian and R. Susanto, “Identification of three dominant rainfall regions within Indonesia and their relationship to sea surface temperature,” Int. J. Climatol., vol. 23, pp. 1435–1452, Oct. 2003, doi: 10.1002/joc.950.
