Académique Documents
Professionnel Documents
Culture Documents
Abstrak
Pertimbangan pengembangan sistem pakar yang meliputi kemungkinan
pengembangan, pembenaran pengembangan, dan apakah sistem pakar dapat
dipandang memadai di kemukakan di sini. Selanjutnya dikemukakan pula tahap
pengembangan sistem pakar. Kemudian berdasarkan taraf perkembangan dan
keadaan Iptek di Indonesi diajukan berbagai bidang yang dapat memenuhi kriteria
pengembangan tsb. Pengembangan sistem pakar di Indonesia cukup relevan karena
kita menghadapi peralatan Iptek yang cukup rumit baik dalam operasi, pemeliharaan,
maupun interpretasi data, selain itu kita menghadapi kekurangan pakar dalam
berbagai bidang.
I. Pendahuluan
Sekitar tahun 1960, ilmuwan berhasil membuat simulasi dari proses berpikir
untuk memecahkan masalah secara umum yang dikenal sebagai GPS (General
Problem Solving). Namun penemuan ini belum menghasilkan sistem yang terasa
manfaatnya.
Baru sekitar tahun 1970 orang menyadari bahwa kekuatan pemecahan
masalah tidak hanya bergantung dari kemampuan inferensi seperti pada GPS, tetapi
Juga pada representasi pengetahuan dan pengetahuan khusus yang dimilikinya.
Dengan menggabungkan kemampuan inferensi dan representasi pengetahuan khusus
kita dapat membentuk sistem pakar yang mempunyai pemakaian yang sangat luas
misalnya untuk melakukan diagnosis penyakit yang ditimbulkan oleh bakteria,
interpretasi data logging, melacak kerusakan pada berbagai instrumen, peramalan
cuaca, manipulasi simbolik, dll.
Sekarang orang telah berhasil membangun perangkat lunak yang dapat
membantu kita untuk membangun sistem pakar, dan ada yang sudah bersedar di
Indonesia, misalnya EXSYS, PERSONAL. CONSULTANT PLUS, INSIGHT 2+.
1
dll. Perangkat lunak ini telah menyiapkan motor inferensi, serta cara pembentukan
basis pengetahuan. Dengan memanfaatkan perangkat lunak ini kita dapat
membangun prototipe sistem pakar dalam waktu yang singkat. Kita dapat juga
membangun prototipe sistem pakar dengan memanfaatkan bahasa Prolog atau Lisp
yang sudah beredar di tanah air kita.
Berdasarkan perangkat lunak yang tersedia tsb. Serta perkembangan Iptek
di Indonesia, penulis mencoba mengemukakan berbagai pertimbangan
pengembangan sistem pakar di Indonesia.
2
3. Pakar dalam bidang itu diperlukan pada tempat yang kurang disukai, misalnya
pada daerah yang terpencil atau tempat yang berbahaya.
Pengembangan sistem pakar dapat dipandang memadai bila :
1. Pemecahan masalah memerlukan pengolahan pengetahuan yang dapat
diungkapkan dengan kaidah-kaidah atau simbol-simbol.
2. Pemecahan masalah memerlukan kaidah heuristik.Umumnya dalam pekerJaan
pakar diperlukan strategi pemecahan dan kaidah yang efektif yang dapat
diterapkan dan menghsilkan pemecahan dalam waktu relatif singkat,
walaupun ada kemungkinan (kecil) bahwa strategi pemecahan ini gagal.
3. Tugas tsb. tidak terlalu mudah dan memiliki nilai praktis.
3
sesungguhnya, lagi pula kaidah yang dipakai tidak perlu sempurna, yang diutamakan
dalam prototype ini ialah kita dapat memperlihatkan bahwa sistem pakar yang kita
bangun ini sudah dapat berJalan dan unsur penting dari domain pengetahuan yang
kita bahas sudah dapat masuk ke dalam prototype ini. Keempat tahap pengembangan
tsb. di atas berlaku juga bagi pengembangan prototipe.
1. Tindakan pertama yang harus kita lakukan ialah menganalisis masalah yang
kita hadapi, kemudian mencoba membagi domain permasalahan menjadi
subdomain dan subdomain menjadi sub-subdomain dst. Buatlah diagram
pembagian tsb. Selanjutnya kita memikirkan aliran inferensi. Di sini kita
mencoba mencari hal apa saJa yang dapat diamati, fakta-fakta yang diketahui,
lalu mencari hubungan dengan berbagai fakta yang dapat diturunkan dari
pengamatan serta fakta awal itu. Selain itu dalam tahap ini, kita harus
membayangkan jenis tanya jawab yang berlangsung antara sistem pakar dan
pemakai. Jenis pertanyaan apa saJa yang diperlukan oleh sistem pakar untuk
mengumpulkan inrormasi yang diperlukan serta jenis jawaban yang
diharapkan. Perkirakan Juga standard performansi yang di harapk an untuk
menguji sistem pakar yang kita bangun.
2. Cara terbaik untuk membangun sistem pakar yang baik ialah melalui
pengembagan kosakata pengetahuan yang jelas serta berguna. Dalam tahap ini
kita harus mencari "attributes" dari basis pengetahuan yang diperlukan, harga
(values) dari attributes tsb. serta mencoba menuliskan kaidah dengan
memakai attributes tsb. di atas. Semuanya ini harus ditata dalam suatu
kerangka yang baik. Misalnya dalam sistem pakar yang dapat membedakan
berbagai jenis buah-buahan salah satu attribute ialah warna yang dapat
mempunyai harga merah, kuning, hijau, dll. Kaidah yang dapat kita tulis
misalnya : Jika warna buah tsb. merah maka jenis buahnya ialah rambutan
atau apel dengan faktor keterandalan 80%.
3. Sekarang kita telah siap untuk memasukkan basis pengetahuan dengan
memakai pembangun sistem pakar, misalnya Exsys, Insight 2+ atau
Personal Consultant Plus dengan langkah sbb.:
4
a. Catat basis pengetahuan pada kertas dengan pengelompokan menurut
subdomain seperti yang dipikirkan dalam tahap pertama. Struktur
basis pengetahuan harus Jelas.
b. Periksa lagi attributes serta harga yang dipakai dengan membuat label
attribues serta diagram basis kaidah.
c. Periksa penalaran kaidah yang dipakai. Pembangun sistem pakar dapat
dipakai untuk membantu memeriksa konsistensi kaidah, kelengkapan
kaidah serta kaidah yang berlebih.
d. Periksa pula raktor keterandalan (CF atau confidence Factor). Setiap
kesimpulan yang ditarik berdasarkan kaidah dapat kita beri CF
misalnya 70%, 80%, 90%, atau .... kita harus memeriksa juga
bagaimana sistem pakar ini mengolah kombinasi dari CF. Pemberian
CF ini dapat diperiksa dengan berkonsultasi pada pakar yang
berpengalaman dan dengan statistik.
4. Kita harus menyiapkan daftar kasus penguJian yang cukup luas untuk
mencakup segala aspek penting dari sistem pakar itu. Kita susuri pengujian itu
mulai dari yang sederhana hingga yang rumit. Kita mencoba pengujian itu
dengan menjalankan sistem pakar itu dan mengevaluasinya dengan kriteria
yang telah kita siapkan pada tahap pertama. Jika kita mendapatkan kelemahan
kita dapat segera memperbaikinya dan mengulangi pengujiannya.
Coba perhatikan dialog antara pemakai dan sistem pakar. Apakah masih harus
diperbaiki? Beri pula kesempatan pada orang lain untuk mengevaluasi sistem pakar
yang kita bangun ini.
Demikianlah secara singkat kita telah mengajukan tahapan yang harus kita
perhatikan dalam pembangunan prototipe sistem pakar. Tahapan seperti ini berlaku
pula ketika kita membangun system pakar yang lengkap. Dalam tahapar. pembuatan
prototipe ini kita dapat memakai IBM PC.
Selanjutnya, kita akan memasuki pengembangan sistem pakar dalam tahap
penelitian. Disini diperlukan penyempurnaan dan penambahan kaidah-kaidah
5
sehingga sistem ini dapat dipakai memecahkan masalah dalam domain yang tidak
terlalu luas tetapi dapat dipandang sebagai suatu subbidang yang lengkap. Kemudian
setelah kecepatan dan keefektifan sistem dalam memeperoleh pemechan diperbaiki
kita dapat memasuki tahap produksi atau komersial. Dalam memasuki tahap ini
mungkin kita memerlukan komputer yang setingkat lebih tinggi dari pada yang
disebutkan di atas, misalnya EXPLORER.
Daftar Pustaka
1. Paul Siegel, Expert Systems, Tab Books Inc., 1986.
2. L.E. Frenzel.Jr., Crash Course in Artificial Intelligence and Expert Systems,
Sams, 1986.
3. D. A. Waterman, A Guide •to Expert Systems, Addison-Wesley Co.,1986,
6
Jaringan Neural Artifisial (Artificial Neural Network)
dan Logika Samar (Fuzzy Logic)
untuk Prediksi dan Pengenalan Pola
The Houw Liong, ITB
Abstrak
.laringan neural uriifisial dan atau logika samar dapat dipakai untuk melakukan
tugas yang sulit dilakukan oleh komputer biasa misalnya untuk belajar mengenal
bentuk geometri, huruf tulis, suara, pola. deret waktu dll.
Dalam bab ini akan dibahas pegertian jaringan neural artifisial, neural artificial
adaptive neuro-fuzzy inference system dan cara kerjanya dan pemakaiannya dalam
prediksi dan pengenalan pola.
Konsepjaringdn neural artifisial timbul dan diilhami oleh jaringan neural dalam
benak manusia yang memiliki arsitektur yang sangat berlainan dengan komputer
hiasa. Orang menyadari bahwa membuat perangkat lunak supaya komputer memiliki
kemampuan belajar seperti manusia sangat sukar. Rosenblatt berpikir bahwa
7
kesukaran ini mungkin dapat diatasi dengan membuat komputer dengan arsitektur
yang mirip dengan jaringan neural yang ada dalam benak manusia. Ilmuwan
menyambut konsep ini dan
banyak yang mulai ikut serta untuk mengembangkannya, sehingga sekitar tahun
1980 orang sudah mulai melihat hasilnya.
Salah satu jaringan neural artifisial yung terdiri dari tiga lapis neuron, yaitu lapisan
masukan, lapisan tersembunyi, dan lapisan keluaran yang bekerja memakai kaidah
propagasi balik serta berbagai modifikasinya, demikian juga adaptive neuro fuzzy
inference system ternyata mempunyai kemampuan belajar mengenal pola gambar,
suara, dan simbol, sehingga terbuka kemungkinan untuk memanfaatkannya dalam
geofisika dan meteorologi misalnya dalam mengenal pola citra yang diambil dari
satelit, klasifikasi awan, menganalisa deret waktu suhu rata-rata bumi, deret wuktu
anomali suhu permukaan laut, prediksi cuaca/iklim, dll.
JNA misalnya jenis ART dan Kohonen mampu melakukan klasifikasi demikian juga
metoda yang dikembangkan dalam logika samar , dapat melakukan klasifikasi samar.
Sebagai contoh penerapan pengaruh El Nino yang tercermin dalam anomali SST
Nino 3.4 dan index SOI dapat dibahas korelasinya dengan persentase daerah kering
di Indonesia dengan dengan cara stalistik dan dapat dikemhangkan lebih lanjut
dengan memakai JNA logika samar seperti yang diuraikan di atas. Demikian juga
pendaerahan kekeringan di Indonesia dilakukan dengan melihat garis isohyet dan
indeks kekeringan. Selanjutnya dapat diteruskan dengan memanfaatkan JNA/ logika
samar untuk Pengelompokannya.
Pendahuluan
Neuron yang sebenarnya seperti yang tcrdapat dalam benak manusia dan hewan
mempakan pcranti yang sangat rumit dengan berbagai bagian, subsistem dan
mckanisme kendali. Neuron-neuron ini saling berhubungan dengan memakai
berbagai jaringan elektrokimiawi sehingga dapat saling berkomunikasi. Peneliti
belum dapat mengerti dengan baik bagaimana neuron itu bekerja, apalagi membuat
tiruannya. Jaringan neural artifisial belum dapat dinyatakan sebagai model daripada
jaringan neural biologis tetapi jaringan neural artifisial ini merupakan model yang
8
mengambil bcrbagai aspek dari jaringan neural biologis yang diperkirakan
mempunyai kemampuan intelegensi yang cukup menarik. Salah satu fungsi dari
model ialah mereduksi jumlah parameter sistem sehingga kita dapat mengerti dengan
baik secara analitis dan komputasi.
Neuron artirisial dapat digambarkan sbb.:
S FA TF
9
pada lapisan tersembunyi dan keluaran dari neuron lapisan tersembunyi akan masuk
ke neuron pada lapisan keluaran. Lapisan yang terhubung seperti ini membentuk
suatu jaringan neural artifisial.
Masukan pada jaringan neural ini dapat berupa gambar, simbol, atau angka tetapi kita
selalu dapat mengalihkannya menjadi sekumpulan angka yang kita sebut vektor
masukan. Keluaran dari jaringan neural akan berupa vektor pula, tetapi vektor ini
dapat kita kcmbalikan menjadi gambar, simbol, atau angka.
Kuatnya hubungan antara neuron dinyatakan oleh Wij yang disebut bobot antara
neuron ke i dan neuron ke j. Untuk suatu neuron selalu terdapat vektor bobot Wi
yang berkaitan dengannya.
Jadi neuron bckcrja dengan masukan dan keluaran numerik1,2,3,4,5). Masukan ini diolah
olch neuron ke i dengan melakukan perkalian sekalar antara vektor masukan dengan
vektor bobot menjadi Api. Pilih fungsi aktivasi FA(Api) = Api, maka harga aktivasi =
Api, kemudian diubah lagi oleh fungsi transfer menjadi keluaran dari neuron itu.
Jika masukannya berbentuk gambar maka setiap neuron masukan menerima suatu
angka yang bcrsesuaian dengan intensitas piksel tertentu. Jadi gambar bersesuaian
dengan sekumpulan angka yang kita sebut vektor. Demikian juga simbol dapat kita
petakan menjadi sekumpulan angka. Sedangkan pada keluaran kita melakukan
pengalihan sebaliknya.
Jaringan neural ini dapat belajar melalui contoh yang diberikan melalui pcngubahan
pembobotan yang menghubungkan antar neuron tsb. Dalam contoh belajar, kita
mcmpunyai pola keluaran vektor P. Jika keluaran dari jaringan neural ialah 0, maka
galat (error) antara P dan 0 dibuat minimum dengan teknik selisih kuadrat terkecil
melalui pengaturan pembobotan.
Propagasi Balik
Misal kita mcmpunyai N pasangan masukan-keluaran yang harus "dipelajari". Veklor
masukannya ialah Ip , dan vektor sasaran ialah Pp . Indeks p bergerak dari 1 sampai
dengan N. Keluaran neuron ke i kita beri simbol Oi dan aktivasinya Ai . Jika fungsi
transfemya TF maka Oj = TF(Ai). Secara matematis galatnya dapat ditulis sbb.:
10
Epi =(Ppi. - Opi )2/2 (1.1)
galat total untuk pola ke p ialah
Ep= Σ Ei Epi (1.2)
galat total untuk semua pola ialah
E=Σp Ep = Σ Ei Epi (1.3)
Dalam teknik propagasi balik perubahan pembobotan dihitung sebagai berikut ini, E
harus dibuat minimum dengan mengubah pembobotan Wij. Perubahan Wij
ΔpWij -= -η (dEpi/dWij ) (1.4)
dengan η tetapan belajar.
Dengan cara ini, galat akan dijalarkan balik selama proses belajar berlangsung
dengan memperbaiki pembohotan menurut rumus yang tertulis di atas.
Modifikasi model tsb. dapat dilakukan dengan mengubah fungsi transfer dan kaidah
belajamya.
Selain arsitektur dan kaidah belajar JNA seperti yang diungkapkan di atas masih
banyak arsitektur dan kaidah belajar JNA yang dapat dibangun, misalnya yang
dikenal sebagai jaringan Hopfield yang dapat menentukan bobot yang diperlukan
secara langsung dari pola yang akan disimpan dalam JNA jaringan Kohonen atau
ART yang mampu belajar tanpa guru dll. JNA ini mempunyai kcmampuan khusus
yang dapat juga diterapkan dalam prediksi cuaca atau iklim,
pengelompokan/klasifikasi iklim. dll.
11
berbentuk :
Jika x1 ∈X k1 dan x 2∈ X k2 dan ....maka Z k ∈ Zk1k2 , ....k = 1,2,3……
Dengan memanfaatkan jaringan neural artifisial kita dapat berpikir bahwa masukan
pada k kaidah dapat kita pandang scbagai sekumpulan angka yang kita sebut "vektor"
masukan (x1,x2 .....) dan keluarannya yang berupa sasaran Zk merupakan fungsi dari
x1, dan parameter dari fungsi keanggotaan. Kaidah ini dapat dipetakan ke dalam suatu
jaringan. Parameter dapat diatur dengan proses belajar seperti dalam contoh jaringan
neural artifisial yang dapat dilatih untuk mengasosiasikan "vektor" masukan dan
keluaran tsb.
Keluaranya Z k = f(x1,x2, µxk1,( x1), µxk2 (x2), µzk1k2 (zk)) . Umumnya kaidah yang
terkena ketika ada masukan xi dan x; akan lebih dari satu kaidah, Misalnya yang
terkena ada dua kaidah maka proses penegasan mengliasilkan (wk Zk + Wk+i Zk+i)/(Wk
+wk+1) dengan bobot Wk yang ditentukan oleh derajat keanggotaan masukan, biasanya
dapat dipilih Wk = μxk1(x1) μxk2(x2) Sebagai contoh dapat diambil fungsi
keanggotaan dapat diambil
berbentuk sbb. :
Dengan cara ini parameter a1 dan c1 pada fungsi keanggotaan dapat ditentukan
memakai data masukan dan keluaran melalui proses "belajar" yaitu secara iterasi
seperti yang dilakukan dalam mengatur bobot jaringan neural artifisial.
Di California sistem seperti ini dapat dipakai untuk prakiraan cuaca dengan memilih
perubahan tekanan, arah angina, dan kelembaban sebagai masukan dan curah hujan
sebagai keluaran. Kemudian parameter dalam fungsi keanggotaan dapat diatur
berdasarkan data masukan dan keluaran pada waktu lampau. Setelah parameter ini
diperoleh hasilnya dapat dipakai untuk memprediksi pada masa depan.
12
Jika x ∈ Ai, dan y ∈ Bj dan ....maka zij =fij( x1,x2,…….)
I = 1.2,3.......; j = 1.2,3......
dan mempunyai skema arsitektur seperti :
layer 1
Gambar 1 Skema arsitektur model fuzzy Sugeno orde satu dengan dua input
Pada ANFIS Sugeno orde pertama, dimisalkan ada dua masukan yaitu x dan y
serta keluaran fn. Pada Gambar 1 ditunjukkan 5 layer yang berkorelasi secara parallel
dimana masing-masing layer dapat dijelaskan sebagai berikut:
Layer 1 : Setiap node ke-i dalam layer ini adalah sebuah titik dengan suatu fungsi
node, dengan notasi keluaran adalah QAi yaitu :
OAi(x)= µAi (x). untuk i=1,2, atau
OAj(y)= µBj (y), untuk j=1,2, (2.1)
dengan x dan y merupakan input dari node ke-i dan OAi merupakan derajat
keanggotaan dari himpunan fuzzy A=(A1,A2,B1 atau B2) dengan fungsi keanggotaan A
adalah :
1
µ A1 ( x) = 2b
x − c1 (2.2)
a1
13
Layer 2 : Notasi [] menyatakan keluaran dari hasil perkalian dari semua sinyal yang
masuk yaitu :
O2i = w1= µAi (x) µBj (y), (2.3)
dengan w, sehagai faktor normalisasi pada layer ke-3 dan (p i, qj, rij) adalah parameter
himpunan dari node ini.
Layer 5 : Node tunggal pada layer ini adalah node yang ditentukan dengan notasi Σ
yang dihitung dari keseluruhan output yaitu :
∑w f A u
O = ∑ w A fu = i
(2.6)
i ∑w i
i
Selanjutnya data input yang akan diolah dengan ANFIS9) terlebih dahulu
dihilangkan noise-nya dengan melakukan tapis (filter) lolos rendah (low-pass) atau
moving average.
Time series setelah ditapis dijadikan sebagai input ANFIS, dibagi menjadi dua
bagian yaitu satu hagian pertama sebanyak 500 poin data (500 bulan) digunakan
sebagai data pembelajaran (training data) dan sisanya 64 poin data (64 bulan)
digunakan sebagai cheking data.
Prediksi data deret waktu (time Series) yang dilakukan menggunakan nilai
yang telah diketahui pada time series yang akan diprediksi. Dengan memisalkannya
sehagai t, maka prediksi nilai pada titik yang sama ke nilai berikutnya dapat
dituliskan sebagai (t + P). dengan P adalah titik sampel yang akan diprediksi. Tiap-
14
tiap data dituliskan dalam satuan waktu. yaitu : (x(t-(D-1))P ,..., x(t - P),x(t)). Dalam
hal ini, dilakukan setting secara umum untuk prediksi time series SSTA Niño 3.4,
dengan mengambil harga D dan P yang berbeda-beda. Dengan demikian, masing-
masing harga t pada input
data pembelajaran (training data) dan data uji (cheking data) memiliki empat vector
dimensional yang dituliskan dalam bentuk :
w(t) = [x(t – t03) x(t-t02) x(t-t01) x(t)] (2.7)
Output data pembelajaran dihubungkan dengan prediksi titik data yaitu :
S(t)-=[x(t + t01 ) x(t + t02)] (2.8)
dengan t01, t02, dan t03 merupakan bilangan bulat dan x merupakan data awal yang akan
diprediksi.
Dengan demikian data prediksi dapat dibangkitkan (generates) beberapa titik
ke depan melalui fungsi pembangkit:
Data(t) = [ w(t) s(t) ] (2.9)
Dengan pemilihan harga t01, t02, dan t03 yang berbeda-beda dalam makalah ini
digunakan heberapa fungsi pembangkit sebagai berikut:
a. Fungsi pernhangkit pertama yaitu :
Data(t) = | x(t-3) x(t-2) x(t-l) x(t) x(t+l) x(t+2) | (2.10a)
b. Fungsi pembangkit kedua yaitu :
Data(t) = | x(t-6) x(t-4) x(t-2) x(t) x(t+2) x(t+4) | (2.10b)
c. Fungsi pembangkit ketiga yaitu :
Data(t) =| x(t-12) x(t-8) x(t-4) x(t) x(t+4) x(t+8) 1 (2.10c)
Untuk star training, dihutuhkan suatu struktur FIS (Fuzzy Inferensi system).
Agar dapat ditentukan struktur dan parameter awal dari FIS untuk proses
pembelajaran. Maka dipilih fungsi genfisl. Struktur FIS generate tersebut, berisi
beberapa aturan fuzzy dan parameter linier dan nonlinier. Selain itu, untuk star
training juga digunakan type fungsi anfis sesuai dengan metode yang digunakan.
Selanjutnya, hasil prediksi berdasarkan ANFIS yang diperoleh dari 'training data'
dan ‘'cheking data' SSTA dihasilkan melalui fungsi evalfis.
15
Tingkat kesalalian (error) prediksi berdasarkan ANFIS diketahui melalui
selisih
antara data awal dengan data hasil prediksi ANFIS, sedangkan kesalahan
untuk ‘training data' dan 'cheking data' dapat diketahui melalui fungsi anfis.
Setelah hasil prediksi yang diperoleh dengan metode ANFIS dianggap valid
(tingkat kesalahan yang kecil), maka langkah selanjutnya adalah melakukan proses
pembelajaran kedua guna memperoleh prediksi harga SSTA ke waktu berikutnya
(prediksi untuk bulan > 624). Proses serta fungsi pembangkit yang digunakan sama
seperti pada proses pembelajaran pertama.
16
Gambar 3 Deret waktu SSTA Niňo 3.4. data awal (garis wama biru) dan data
hasil prediksi ANFIS (garis wama merah).
Tingkat kesalahan prediksi ANFIS diperoleh sekitar ((-5) – 5) x 10-3 atau mempunyai
orde sekitar 0.001. Sedangkan untuk ‘training data’ diperoleh RMSE (root-mean-
squares-error) sekitar 0,0014 dan ‘checking data’ diperoleh sekitar 0.0025. Oleh
karena itu, keluaran ANFIS yang diperoleh dapat dianggap valid digunakan sebagai
data pembelajaran kedua untuk prediksi harga SSTA ke tahun berikutnya. Data deret
waktu hasil prediksi ANFIS seperti ditunjukkan gambar 4, digunakan sebagai data
input pada proses pembelajaran kedua. Jumlah data yang digunakan untuk training
data dan checking data sebanyak 561. Data tersebut juga dibagi dua dengan bagian
pertama terdiri dari 500 data (500 bulan) digunakan sebagai data pembelajaran dan 61
data digunakan sebagai checking data. Data untuk t >624, dibangkitkan melalui
fungsi pembangkit yang sama dengan proses pembelajaran yang pertama yaitu
Data(t) = [ x(t-3) x(t-2) x(t-1) x(t) x(t+1) x(t+2) ] . Hasil prediksi beberapa
bulan ditunjukkan sebagai berikut :
1. Hasil prediksi untuk 6 bulan.
Gambar 8
(belum ada gambar)
17
Hasil prediksi (gambar 8) selanjutnya dijadikan sebagai data belajar untuk
membangkitkan data 6 bulan ke depan berikutnya (fungsi pembangkit yang
digunakan sama ). Hasil prediksi ini ditunjukkan pada gambar 9 berikut.
2. Hasil prediksi untuk 12 bulan.
Gambar 8
(belum ada gambar)
(Gambar 10 Hasil) prediksi SSTA Nino 3.4 untuk bulan Januari - Juni 2003
Prediksi Kekeringan
18
Badan Meteorologi dan Geofisika telah membuat label tahun El Nino dalam
kaitannya dengan persentase daerah yang mengalami kekeringan (yang mengalami
hujan di bawah normal). Misalnya dalam tahun 1961, 94% daerah Indonesia
mengalami hujan di bawah normal, tahun 1963, 92% mengalami hujan di bawah
normal, dst.
Dalam penelitian tahun ini El Nino sangat ditentukan oleh deret waktu anomali suhu
permukaan laut SST nine 3.46). Intensitas El Nino dapat didefinisikan sebagai luas
daerah di atas sumbu dari deret waktu anomaly SST8). Dari tabel BMG tsb. kita dapat
mentransformasikannya menjadi grafik antara kekeringan di Indonesia (Y) terhadap
intensitas El Nino (X) (lihat gambar).
Jika didekati dengan regresi linear hasilnya sbb. ini, korelasi keseluruhan ialah
R=0,57 atau R2= 0.32 tetapi terlihat jelas dalam grafik tsb. bahwa sebetulnya
korelasinya besar ketika intensitas El Nino tinggi dan rendah ketika intensitasnya
rendah. Ini berarti bahwa intensitas El Nino tinggi akan menyebabkan kekeringan di
Indonesia, tetapi ketika intensitas El Nino rendah pengaruh lain dapat menjadi
dominan sehingga mungkin saja
kekeringan terjadi
Polynomial Regression of Y on X
Gambar ………
Dari residual plot kita tetap berkesimpulan bahwa untuk intensitas rendah galatnya
lebih besar dari pada untuk intensitas tinggi. Hal ini berarti bahwa ketika intensitas
rendah faktor lain dapat ikut menentukan kekeringan di Indonesia.
Residual Plot
Gambar ………
19
mengungkapkan mekanisme kekeringan di Indonesia kita harus mempelajari interaksi
antara El Nino dengan monsun yang penelitiannya sedang berlangsung dalam
kelompok kami.
Berdasarkan hasil ini dari prediksi SST nino 3.4 untuk tahun 2002 7), intensitas El
Nino akan lemah sehingga kekeringan di Indonesia lebih dipengaruhi oleh faktor lain,
misalnya monsun yang lemah. Penelitian lebih lajut masih diperlukan untuk dapat
mengungkapkan faktor tsb., pendaerahan yang lebih rinci, dan pengemhangan cara
prediksi yang lebih baik.
Daftar Pustaka
1. Jang. et al. Neuro-Fuzzy and Soft computing. Prentice Hall,1998.
2. T. Kohonen. the "Neural" Phonetic Typewriter, Computer, Mar. 1988.
3. .I.A. Feldman. et. al.. Computing with Structured Neural Networks,
Computer, Mar. 1988.
4. R.C. Eberhart. R.W. Dobbins, Neural Network PC Tools, Academic Press,
1990.
5. B. Kosko. Neural Networks For Signal Processing. Prentice Hall Int., 1992._
6. Zadrach 1 . Dupe. The Houw Liong, Prediction Nino 3.4 using Simple
Harmonic Model.International Conf. For Science and Technology Assesment
of Global Climate Change. Jakarta. 1999.
7. Zadrach I,. Dupe. I he Houw Liong. El Nino/ La Nina Forcasting Using
Adaptive
8. Neuro-Fuzzy Inference System (ANFIS), (submitted to a seminar in
Beijing,2001).
9. The H. I... Zadrach I.. Dupe, Prediksi kekeringan di Indonesia dengan JNA/
ANFIS. Temu llmiah Prediksi Cuaca dan Iklim Nasional 2001, Lapan, 2001.
10. Bannu. Ikhsan. The H.L., Model Prediksi Temperatur Muka Laut Daerah Nino
3.4 Berbasis Anns. Jumal Fisika HFL Vol 0506, A5, 2002.
20