APLIKASI JARINGAN SYARAF TIRUAN UNTUK POLA DATA PERKIRAAN ANGIN PUTING BELIUNG


PROSIDING || Seminar Nasional || Menyiapkan Pendidikan Matematika Dalam Menghadapi MEA
14 Mei 2016 || ISBN: 978-979-8559-72-3
Penerbit : Universitas PGRI Adi Buana Surabaya

Penulis  : Fenny Fitriani

PDF

Abstrak

Pada tahun 2007, Pusat Penelitian dan Pengembangan – Badan Meterorologi dan Geofisika (Puslitbang – BMKG) merintis kegiatan kerja kajian cuaca ekstrim (Puslitbang, 2007). Dalam penelitian tersebut, didapatkan basis data cuaca ekstrim yang berdampak buruk terhadap sektor kehidupan masyarakat. Salah satu dampak dari cuaca ekstrim tersebut adalah dengan munculnya angin puting beliung yang terjadi di beberapa daerah pada beberapa tahun terakhir. Penelitian akan datangnya angin puting beliung dapat membantu masyarakat untuk mengantisipasi akan terjadinya kerugian yang lebih besar.

Data yang diambil dalam penelitian berupa data faktor alam yang dapat menyebabkan puting beliung. Data yang didapatkan dicluster dengan menggunakan metode self organizing map (SOM) yaitu kohonen pada jaringan syaraf tiruan. Hasil olahan SOM tersebut diharapkan dapat membentuk suatu pola yang bisa digunakan untuk melakukan perkiraan terjadinya angin puting beliung dengan data-data di masa yang akan datang.

Keyword : kohonen, jaringan syaraf tiruan, anging puting beliung

 

Abstract

In 2007 , Research and Development Center – Meteorological and Geophysics Agency (Research – BMKG ) pioneered the study of extreme weather work activities (Research , 2007) . In that study , obtained database of extreme weather conditions adversely affect the sectors of public life . One of the effects of extreme weather that is the emergence of a waterspout that occurred in some areas in recent years . Research impending waterspout can help people to anticipate the occurrence of greater losses.

 The data taken in the form of data research natural factors which may cause the waterspout. Data obtained clustered using self organizing map (SOM) is kohonen on artificial neural networks. SOM processed results are expected to form a pattern that can be used to estimate the occurrence of a waterspout with data in the future.
Keyword : kohonen , artificial neural networks , waterspout

 

PENDAHULUAN

Cuaca merupakan salah satu faktor yang paling utama dalam mendukung kegiatan manusia sehari-hari. Akan tetapi, dalam beberapa tahun terakhir terjadi perubahan cuaca yang kurang bersahabat. Perubahan cuaca tersebut diakibatkan oleh adanya pemanasan global. Pada tahun 2007, Pusat Penelitian dan Pengembangan – Badan Meterorologi dan Geofisika (Puslitbang – BMKG) merintis kegiatan kerja kajian cuaca ekstrim (Puslitbang, 2007). Dalam penelitian tersebut, didapatkan basis data cuaca ekstrim yang berdampak buruk bagi masyarakat. Salah satu dampak dari cuaca ekstrim tersebut adalah dengan munculnya angin puting beliung yang terjadi di beberapa daerah pada beberapa tahun terakhir.

Angin puting beliung ini dapat terjadi akibat adanya pertemuan udara dingin dan panas. Biasnya angin puting beliung ini juga disertai dengan curaah hujan berintensitas tinggi (Puslitbang, 2009). Fenomena ini bersifat lokal, mencakup area antara 5 – 10 km. Puting beliung dapat didefinisikan sebagai angin kencang yang muncul secara tiba-tiba, mempunyai pusat, bergerak melingkar seperti spiral hingga menyentuh permukaan bumi. Periode hidupnya sangat singkat, yaitu sekitar 3 – 5 menit, mulai dari tumbuh hingga punahnya. Meskipun terjadi sangat singkat, kerugian yang diakibatkan oleh kejadian tersebut dapat mencapai ratusan juta rupiah. Seperti yang terjadi di kabupaten Wonogiri pada tanggal 1 Juni 2015, menurut data BNPB terdapat 2 kerusakan berat dan 12 kerusakan ringan pada rumah penduduk. Pada tanggal yang sama, di kabupaten Solok 3 rumah rusak parah akibat angin puting beliung.

Hal tersebut membuktikan, meskipun angin puting beliung terjadi sangat singkat, tetapi mengakibatkan kerusakan yang berat. Berdasarkan hal tersebut, pada penelitian ini akan di lakukan suatu upaya peramalan terjadinya angin puting beliung. Metode yang digunakan dalam pengelompokan pola data menggunakansalah satu metode pada jaringan syaraf tiruan. Metode pada jaringan syaraf tiruan yang digunakan adalah metode self organizing map (SOM) yaitu kohonen. Pada metode tersebut, data yang telah dikelompokkan akan diolah sampai menemukan pola yang akan digunakan untuk melakukan peramalan terjadinya angin puting beliung. Dengan melakukan peramalan ini, diharapkan masyarakat dapat melakukan antisipasi guna menurunkan tingkat kerugian yang diderita.

 

METODE PENELITIAN

Pengumpulan Data

Data yang diolah pada penelitian ini adalah data suhu, kelembapan dan pergerakan angin. Data tersebut diakses dari website http://www.wunder-ground.com/. Data yang diambil adalah data cuaca pada saat kejadian puting beliung terjadi. Data kejadian putung beliung didapatkan dari website http://geospasial.bnpb.go.id/pantauanbencana/data/datatopanall.php.

 

Pengelompokan pola dengan SOM

Metode yang digunakan dalam penelitian ini adalah dengan menggunakan metode pembelajaran unsupervised pada jaringan syaraf tiruan. Metode unsupervised yang digunakan adalah metode kohonen self orgenizing map (SOM). Jaringan kohonen terdiri atas dua layer, yaitu input layer dan output layer. Pada jaringan kohonen, setiap input layer terhubung dengan setiap layer yang ada pada output layer. Input layer dari jaringan kohonen, akan dikelompokkan kedalam kelas yang direpresentasikan kedalam output layer.

Tahapan yang dilakukan dalam pengelompokan dengan menggunakan metode kohonen adalah :

Tahap 0 : Menginisialisasi bobot awal  secara random, inisialisasi learning rate (), dan menginisialisai jarak antar layer  serta menentukan batas maksimal dari jumlah iterasi yang dilakukan (max epoch).

Tahap 1 : Apabila kondisi penghentian iterasi belum terpenuhi, maka lakukan tahap 2-8

Tahap 2 : Untuk setiap vektor input  (dengan ), lakukan tahap 3-5

Tahap 3 : Untuk setiap  dengan  hitung jarak euclidean dari vektor input  dengan bobot,

Tahap 4 : Mencari indeks  dengan jarak  yang paling minimum (terdekat)

Tahap 5 : Memperbaiki nilai bobot  dengan cara

Tahap 6 : Memperbaiki learning rate dengan cara

Tahap 7 : Mengurangi jarak pada waktu tertentu (epoch)

Tahap 8 : Menentukan kondisi stop.

 

Dalam penelitian ini, data yang digunakan adalah data cuaca yang terdiri atas suhu, indeks panas, titik embun, kelembapan, tekanan, dan kecepatan angin. Data yang diambil adalah data 3 jam sebelum kejadian puting beliung dan 3 jam setelah kejadian puting beliung. Kejadian puting beliung yang digunakan sebagai objek penelitian adalah

No Tanggal Kejadian Letak Kejadian
1. 24 Maret 2012 Surabaya
2. 09 Desember 2014 Surabaya
3. 20 Pebruari 2015 Surabaya
4. 17 November 2013 Jakarta
5. 26 Mei 2014 Jakarta
6. 15 November 2014 Jakarta

Input layer dari penelitian ini adalah

  1. adalah suhu
  2. adalah indeks panas
  3. adalah titik embun
  4. adalah kelembapan
  5. adalah tekanan udara
  6. adalah kecepatan angin

Data yang digunakan dalam penelitian ini dinormalkan dengan acuan :

Data yang telah dinormalkan, kemudian diproses sehingga menghasilkan kelompok pola cuaca.

 

HASIL DAN PEMBAHASAN

Data awal hasil dari penormalan dijabarkan sebagai berikut :

  Temp Ideks Panas Titik Embun Kelembaban Tekanan Wind Speed   Temp Ideks Panas Titik Embun Kelembaban Tekanan Wind Speed
s24145 0 0 0 0 0 1 j17095 0 1 1 1 0 0
s24150 0 0 0 0 0 0 j17100 1 1 1 1 0 1
s24155 0 1 1 1 0 1 j17105 0 0 0 0 0 1
s24160 0 1 1 1 0 1 j17110 0 0 0 0 1 1
s24165 1 1 0 1 0 1 j17115 1 1 1 0 0 1
s24170 1 1 1 1 0 0 j17120 0 0 0 0 0 1
s24175 1 1 1 0 1 1 j17130 1 1 1 1 1 1
s24180 0 0 0 0 0 1 j17135 1 0 0 1 0 0
s24185 0 1 1 1 0 1 j17140 1 0 1 1 1 0
s24190 0 0 0 0 1 0 j17145 1 0 0 1 0 1
s24195 0 0 0 0 0 1 j17150 0 0 0 0 0 1
s24200 0 0 0 0 1 0 j17155 0 1 1 1 0 0
s24205 0 0 0 0 0 1 j17160 1 1 1 1 0 0
s09110 1 1 0 1 0 1 j15110 1 1 0 1 1 1
s09115 0 0 0 0 0 1 j15115 1 1 1 1 0 1
s09120 1 1 0 1 0 0 j15120 1 1 0 1 1 1
s09125 1 1 1 0 0 0 j15125 0 0 0 0 0 1
s09130 1 1 1 1 1 1 j15130 0 1 1 1 1 0
s09135 0 1 1 1 0 0 j15135 0 0 0 0 0 1
s09140 1 1 1 0 0 1 j15140 1 1 0 1 0 1
s09145 1 1 1 1 0 1 j15145 0 0 0 0 0 1
s09150 0 0 0 0 0 1 j15150 0 1 1 1 1 0
s09155 1 1 0 1 1 1 j15155 1 1 1 0 1 1
s09160 0 0 0 0 0 1 j15160 1 1 1 1 0 1
s09165 0 0 0 0 1 0 j15165 1 1 0 1 0 1
s09170 0 1 1 1 0 1 j15170 0 0 0 0 1 1
s20140 1 1 0 1 1 1 j26140 1 1 0 1 0 1
s20145 1 1 0 1 0 1 j26145 1 1 1 1 1 1
s20150 1 1 1 1 0 1 j26150 0 0 0 0 1 1
s20153 1 1 1 0 0 1 j26155 1 1 0 1 0 1
s20160 1 1 0 1 1 1 j26160 0 0 0 0 1 1
s20165 0 0 1 1 1 1 j26165 0 0 0 0 0 1
s20170 1 0 0 1 1 1 j26170 1 0 1 1 1 1
s20175 0 0 0 0 0 1 j26175 0 0 0 0 0 0
s20180 0 0 1 1 0 1 j26180 0 0 0 0 0 1
s20185 1 0 0 1 1 0 j26185 0 0 1 1 0 0
s20190 0 0 1 1 0 1 j26190 1 0 0 1 1 1
s20195 0 0 1 1 1 0 j26195 1 1 0 1 1 1
s20200 0 0 0 0 0 1 j26200 0 0 0 0 0 1

 

Data penormalan di atas digunakan dalam pengujian perangkat lunak. Perangkat lunak yang digunakan dalam penelitian ini adalah MATLAB R2012b. Rancangan program menggunakan graphical user interface sebagai rancangan tampilan program ketika dijalankan berdasarkan algoritma dari metode yang digunakan yang dituangkan dalam script perangkat lunak.

Berdasarkan dari uji coba perangkat lunak, dengan menggunakan menetapkan nilai learning rate , max epoch=1.000.000, dan jumlah pengelompokan adalah 4, maka didapatkan pengelompokan sebagai berikut :

Kel 1 Kel 2 Kel 3 Kel 4
s24165 s24170 s24145 s24155
s09110 s24175 s24150 s24160
s09120 s09125 s24180 s24185
s09155 s09130 s24190 s09135
s20140 s09140 s24195 s09170
s20145 s09145 s24200 s20165
s20160 s20150 s24205 s20180
s20170 s20153 s09115 s20190
s20185 j17100 s09150 s20195
j17135 j17115 s09160 j17095
j17145 j17130 s09165 j17140
j15110 j17160 s20175 j17155
j15120 j15115 s20200 j15130
j15140 j15155 j17105 j15150
j15165 j15160 j17110 j26185
j26140 j26145 j17120
j26155 j26170 j17150
j26190 j15125
j26195 j15135
j15145
j15170
j26150
j26160
j26165
j26175
j26180
j26200

 

Dengan bobot akhir

Bobot Kel 1 Bobot Kel 2 Bobot Kel 3 Bobot Kel 4
1 1 0 0,067144
0,736258 0,940166 0 0,598735
8,93E-30 1 9,4E-172 1
1 0,648562 9,4E-172 1
0,474177 0,35421 0,259453 0,335412
0,842913 0,824894 0,815895 0,462812

 

KESIMPULAN

Dari penelitian yang telah dilakukan, didapatkan gambaran awal dalam pola cuaca puting beliung. Dari pengelompokan pola tersebut, diharapkan dapat dilakukan pengolahan lebih lanjut, sehingga ditemuakan suatu pola yang sesuai untuk memprediksi lebih tepat terjadinya angin puting beliung. Dari penelitian yang dilakukan, dikelompokkan ke dalam 4 pola cuaca, dimana pola tersebut terdapat satu pola yang paling mendekati pola cuaca terjadinya puting beliung. Perancangan perangkat lunak yang dilakukan dalam penelitian ini akan tetap dikembangkan.

 

DAFTAR PUSTAKA

Harsa , Hastuadi dkk. 2011. Pemanfaatan SATAID Untuk Analisa Banjir Dan Angin Puting Beliung: Studi Kasus Jakarta Dan Yogyakarta. Meteorologo dan Geofisika. 12, No 2. 197 – 205.

Kusumadewi, Sri. 2004. Membangun Jaringan Syaraf Tiruan Menggunakan Matlab dan Excel Link. Yogyakarta: Graha Ilmu.

Puslitbang BMKG. 2007. Kajian Cuaca Ekstrim di Wilayah Indonesia. Laporan Penelitian, Pusat Penelitian dan Pengembangan, Badan Meteorologi Klimatologi dan Geofisika, Jakarta.

Puslitbang BMKG. 2009. Kajian Cuaca Ekstrim di Wilayah Indonesia. Laporan Penelitian, Pusat Penelitian dan Pengembangan, Badan Meteorologi Klimatologi dan Geofisika, Jakarta.

Yoshiro Tanaka. (2009). SATAID-Powerful Tool for Satellite Analysis. RSMC Tokyo- Typhoon Center, Japan Meteorology Agency (JMA).

Pantauan bencana. (2015). http://geospasial.bnpb.go.id/pantauanbencana/data/da-tatopanall.php. Diakses tanggal 12 Desember 2015

Weather forecast & reports. (2016). http://www.wunderground.com/. Diakses tanggal 6 Januari 2016