IMPLEMENTASI MULTI-LAYER PERCEPTRON DI METODE PREDIKSI DAN KLASIFIKASI CUACA DI WILAYAH BOGOR
Abstract--- Pendeteksian cuaca dapat dilakukan dengan berbagai cara, salah satunya dengan menggunakan sebuah aplikasi. Jaringan Multi Layer Perceptron (MLP) merupakan salah satu model jaringan syaraf tiruan (JST) yang memiliki bobot acak dari pelatihan backpropagation(BP). Pelatihan ini dilakukan untuk mendapatkan jumlah neuron yang optimal pada jaringan MLP agar hasil klasifikasi cuaca dapat lebih akurat.
1 Pendahuluan
1.1 Latar Belakang Masalah
Indonesia merupakan negara yang dilewati oleh garis khatulistiwa serta dikelilingi oleh dua samudera dan dua benua. Posisi ini menjadikan Indonesia sebagai daerah pertemuan sirkulasi meridional (Utara-Selatan) dikenal sebagai sirkulasi Hadley dan sirkulasi Zonal (Timur-Barat) dikenal sebagai sirkulasi Walker, dua sirkulasi yang sangat mempengaruhi keragaman iklim di Indonesia. Pergerakan matahari yang berpindah dari 23.5 Lintang Utara ke 23.5 Lintang Selatan sepanjang tahun mengakibatkan timbulnya aktivitas Moonson yang juga ikut berperan dalam mempengaruhi keragaman iklim. Pengaruh lokal terhadap keragaman iklim juga tidak dapat diabaikan, karena Indonesia merupakan negara kepulauan dengan bentuk topografi yang sangat beragam menyebabkan sistem golakan lokal cukup dominan. Faktor lain yang diperkirakan ikut berpengaruh terhadap keragaman iklim di Indonesia ialah gangguan siklon tropis. Semua aktivitas dan sistem ini berlangsung secara bersamaan sepanjang tahun akan tetapi besar pengaruh dari masing-masing aktivitas atau sistem tersebut tidak sama dan dapat berubah dari tahun ke tahun. Fenomena El-Nino dan La-Nina merupakan salah satu akibat dari penyimpangan iklim. Fenomena ini akan menyebabkan penurunan dan peningkatan jumlah curah hujan untuk beberapa daerah di Indonesia. Sejak tahun 1844 Indonesia telah mengalami kejadian kekeringan atau jumlah curah hujan di bawah rata-rata normal tidak kurang dari 43 kali. Dari 43 kali kejadian tersebut hanya 6 kali kejadiannya tidak bersamaan dengan kejadian fenomena El-Nino, hal ini menunjukkan bahwa keragaman hujan di Indonesia sangat dipengaruhi oleh fenomena ini. Prakiraan parameter klimatologi terutama hujan sudah menjadi kebutuhan nasional. Betapa tidak, bencana banjir akibat hujan yang turun dengan jumlah di atas normal atau bencana kekeringan akibat jumlah curah hujan yang berada di bawah normal, sering melanda wilayah Indonesia, bahkan disertai kerugian materi dan jiwa. Semua itu dapat diantisipasi dengan informasi yang akurat tentang bagaimana keadaan cuaca yang akan terjadi di suatu tempat pada kurun waktu tertentu. Pembacaan keadaan cuaca dapat dilakukan oleh model kecerdasan buatan (Artificial Inteligence) dengan menggunakan data historis mengenai parameter klimatologi. Penelitian yang pernah dilakukan, menggunakan Backpropagation Neural Network, hasil peramalan dipandang masih dapat ditingkatkan keakurasiannya, oleh sebab itu pada penelitian kali ini digunakan metode klasifikasi jaringan syaraf tiruan dengan harapan dapat memberikan hasil peramalan keadaan cuaca yang lebih baik.
1.2 Rumusan Masalah
Berdasarkan latar belakang yang sudah dipaparkan, masalah yang akan dibahas dalam penelitian ini dirumuskan sebagai berikut,
1. Bagaimana cara memprediksi keadaan cuaca?
2. Bagaimana cara mengklasifikasikan keadaan cuaca tersebut?
2 Landasan Teori
2.1 Klasifikasi Cuaca
Cuaca adalah nilai sesaat (aktual) dari keadaan atmosfer ,serta perubahan dalam jangka pendek (<1 jam hingga 24 jam) di suatu tempat tertentu di bumi. Perubahan dalam jangka pendek selama 24 jam membentuk pola siklus yang disebut perubahan cuaca diurnal (siang-malam). Nilai rata-rata 24 jam = cuaca pada tanggal tersebut.
2.2 Python
Python adalah bahasa pemrograman model skrip (scripting language) yang berorientasi obyek. Python dapat digunakan untuk berbagai keperluan pengembangan perangkat lunak dan dapat berjalan di berbagai platform sistem operasi. Python merupakan bahasa pemrograman yang freeware atau perangkat bebas dalam arti sebenarnya, tidak ada batasan dalam penyalinannya atau mendistribusikannya. Lengkap dengan source codenya, debug ger dan profiler, antarmuka yang terkandung di dalamnya untuk pelayanan antarmuka, fungsi sistem, GUI (antarmuka pengguna grafis), dan basis datanya.
Beberapa fitur yang dimiliki Python adalah:
• Memiliki kepustakaan yang luas; dalam distribusi Python telah disediakan modul-modul ’siap pakai’ untuk berbagai keperluan,
• Memiliki tata bahasa yang jernih dan mudah dipelajari.
• Memiliki aturan layout kode sumber yang memudahkan pengecekan, pembacaan kembali dan penulisan ulang kode sumber. berorientasi objek.
• Memiliki sistem pengelolaan memori otomatis (garbage collection, seperti java)
• Modular,mudahdikembangkandenganmenciptakanmodul-modulbaru; modul-modul tersebut dapat dibangun dengan bahasa Python maupun C/C++.
• Memiliki fasilitas pengumpulan sampah otomatis, seperti halnya pada bahasa pemrograman Java, python memiliki fasilitas pengaturan penggunaan ingatan komputer sehingga para pemrogram tidak perlu melakukan pengaturan ingatan komputer secara langsung.
• Memiliki banyak faslitas pendukung sehingga mudah dalam pengoprasiannya.
2.3 Artificial Intelligence
Kecerdasan Buatan atau Artificial Intelligence (AI) adalah teknik yang digunakan untuk meniru kecerdasan yang dimiliki oleh makhluk hidup maupun benda mati untuk menyelesaikan sebuah persoalan. Untuk melakukan hal ini, setidaknya ada tiga metode yang dikembangkan.
1. Fuzzy Logic(FL)
Teknik ini digunakan oleh mesin untuk mengadaptasi bagaimana makhluk hidup menyesuaikan kondisi dengan memberikan keputusan yang tidak kaku antara 0 atau 1. Sehingga dimunculkan sistem fuzzy logic yang tidak kaku. Penerapan logika fuzzy ini salah satunya adalah untuk sistem pengereman kereta api di Jepang.
2. EvolutionaryComputing(EC)
Pendekatan ini menggunakan skema evolusi yang menggunakan jumlah individu yang banyak dan memberikan sebuah ujian untuk menyeleksi individu terbaik untuk membangkitkan generasi selanjutnya. Seleksi tersebut digunakan untuk mencari solusi dari suatu permasalahan. Contoh dari pendekatan ini adalah Algoritma Genetika yang menggunakan ide mutasi dan kawin silang, Particle Swarm Optimization (PSO) yang meniru kumpulan binatang seperti burung dan ikan dalam mencari mangsa, Simulated Annealing yang menirukan bagaimana logam ditempa, dan masih banyak lagi.
3. Machine Learning (ML) atau pembelajaran mesin merupakan teknik yang paling populer karena banyak digunakan untuk menggantikan atau menirukan perilaku manusia untuk menyelesaikan masalah. SesuainamanyaMLmencobamenirukanbagaimanaprosesmanusiaatau makhluk cerdas belajar dan menggeneralisasi.
2.4 Machine Learning
MachineLearning(ML) atau pembelajaran mesin merupakan pendekatan dalam AI yang banyak digunakan untuk menggantikan atau menirukan perilaku manusia untuk menyelesaikan masalah atau melakukan otomatisasi. Sesuai namanya, ML mencoba menirukan bagaimana proses manusia atau makhluk cerdas belajar dan mengeneralisasi. Setidaknya ada dua aplikasi utama dalam ML yaitu, klasifikasi dan prediksi . Ciri khas dari ML adalah adanya proses pelatihan, pembelajaran, atau training. Oleh karena itu, ML membutuhkan data untuk dipelajari yang disebut sebagai data training. Klasifikasi adalah metode dalam ML yang digunakan oleh mesin untuk memilah atau mengklasifikasikan obyek berdasarkan ciri tertentu sebagaimana manusiamencobamembedakanbendasatudenganyanglain. Sedangkanprediksi atau regresi digunakan oleh mesin untuk menerka keluaran dari suatu data masukan berdasarkan data yang sudah dipelajari dalam training. Metode ML yang paling populer yaitu Sistem Pengambil Keputusan, Support Vector Machine (SVM) dan Neural Network.
2.5 Neural Network
Neural Network (ANN) adalah sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi, yang merupakan representasi tiruan dari otak manusia, yang berisi berjuta-juta sel syaraf (neuron) dan berfungsi untuk memproses informasi. Neuron mempunyai karakteristik yang sama dalam ANN, terdiri dalam kelompok-kelompok yang disebut layer. Neuron- neuron dalam satu layer terhubung dalam layer-layer lainnyayangberdekatan. Kekuatanhubunganantarneuronyangberdekatan direpresentasikan dalam kekuatan hubungan atau bobot
Sebuah ANN umumnya terdiri dari tiga layer yaitu input layer, hidden layer dan output layer. Input layer (lapisan masukan) terdiri dari neuronneuron yang menerima sebuah input dari lingkungan luar. Input yang dimasukkan merupakan penggambaran dari suatu masalah. Hidden layer(lapisan tersembunyi) terdiri dari neuron-neuron yang menerima masukan dari input layer, dan kemudian membawa output ke layer berikutnya. Lapisan output disebut unit-unit output, terdiri dari neuron-neuron yang menerima output dari hidden layer dan mengirimkannya kepada pemakai.
2.6 Scikit Learn
Scikit-learn atau biasa disingkat sklearn adalah modul pada python yang mengintegrasi luasnya algoritma tentang machine learning dengan skala sedang dengan masalah yang dapat diamati atau tidak. Paket modul ini difokuskan untuk memberikan berbagai kemudahan pembelajaran pada machine learning kepada orang yang bukan ahli dalam bidang tersebut. Menitikberatkan pada penggunaan yang mudah,perfoma yang optimal,banyaknya dokumentasi untuk mempermudah penggunaan,dan konsistensi API(Application Programming Interface). Modul ini memiliki ketergantungan yang sangat minim dan didistribusikan di bawah lisensi BSD yang telah disederhanakan,yang dapat mendorong penggunanya baik dari lingkup akademi maupun lingkup komersial.
2.7 Multi Layer Perceptron Classifier
Multi Layer Perceptron atau biasa disingkat MLP adalah kelas dalam jaringan syaraf tiruan. MLP terdiri setidaknya 3 lapis simpul. Kecuali untuk node input,setiap node memiliki neuron yang menggunakan fungsi aktivasi nonlinear. MLP menggunakan teknik yang bernama backpropagation untuk pembelajaran. Beberapa lapisan dan aktivasi nonlinear-lah yang membedakan MLP dengan perceptron linear lainnya. Terkadang MLP juga bisa disebut sebagai jaringan syaraf “vanilla” ,terutama ketika MLP memiliki satu lapisan tersembunyi.
3 Pembahasan
3.1 Gambaran Umum
Proses analisis, perancangan dan implementasi terdiri atas tahapnya masing masing, yaitu analisis memiliki tahap menganalisa parameter yang digunakan untuk memproses data saat di train nantinya. Lalu perancangan memiliki tahap dimana penulis merancang sebuah model Multi Layer Perceptron Classifier untuk dapat digunakan sebagai model melatih parameter yang telah dianalisa.
3.2 Dataset
Dataset adalah sebuah kumpulan data yang digunakan untuk keperluan analisis dari berbagai macam bidang ,seperti kedokteran,ilmuan,marketing,dll. Dalam kasus ini, penulis menggunakan dataset tentang cuaca yang terjadi 5 tahun belakangan dari April 2014 sampai dengan April 2019. Variabel yang ada pada dataset tersebut adalah
• Temperatur Mean
• Temperatur Minimal
• Temperatur Maksimal
• Kelembaban Mean
• Curah Hujan
• Lama Sinar Matahari
• Kecepatan Angin Max
• Arah Angin Kecepatan Max
• Kecepatan Angin Mean
3.3 Analisis Parameter
Parameter yang digunakan oleh penulis dalam melakukan proses pelatihan adalah temperatur,tekanan,kelembaban,kecepatan angin,dan arah angin. Penggunaan temperatur sebagai parameter adalah dikarenakan setiap cuaca dapat diukur temperaturnya,dan temperatur yang digunakan disini memiliki satuan (oF) Fahrenheit. Lalu kelembaban memiliki satuan %(Persen) ,kecepatan angin memiliki satuan m/s ,dah arah angin memiliki satuan (o)derajat.
3.4 Pra Pemprosesan
Sebelum data dapat digunakan ,diperlukan pra-pemrosesan terlebih dahulu agar data siap pakai dan sesuai dengan model arsitektur yang dibangun. Prapemrosesan yang dilakukan yakni scaling terhadap angka yang digunakan sebagai feature pada parameter temperatur mean, temperatur minimal, temperatur maksimal, kelembaban mean, curah hujan, lama sinar matahari, kecepatan angin max, arah angin kecepatan max, kecepatan angin mean.
4 Penutup
4.1 Kesimpulan
Simpulan yang dapat diambil dari pembahasan diatas adalah karena cuaca berkaitan dengan kehidupan sehari-hari, dan banyak kegiatan yang bergantung kepada cuaca pada hari itu. Oleh karena itu pembahasan diatas akan dirancang program untuk dapat memprediksi dan mengklasifikasn keadaan cuaca agar dapat membantu pengguna dengan cuaca yang akan datang.
0 comments:
Posting Komentar