PREDIKSI CURAH HUJAN DI WILAYAH MAKASSAR MENGGUNAKAN METODE
GENETIC ALGORITHM-NEURAL NETWORK
Michael Palinggi Tambe (D41106099) dan Andarias Eno (D41107059)
Jurusan Teknik Elektro Fakultas Teknik Universitas Hasanuddin Makassar Abstrak I. PENDAHULUAN Informasi tentang curah hujan sangat berguna bagi berbagai bidang sehingga perlu I.1. Latar Belakang diadakan kajian tentang peramalan curah hujan. Penelitian tentang prediksi curah hujan di wilayah Informasi tentang curah hujan sangat Makassar yang pernah dilakukan antara lain dengan berguna bagi berbagai bidang seperti bidang menggunakan metode Neural Network, yaitu dengan telekomunikasi, perhubungan, pertanian, tata metode Neural Network-Fuzzy Logic dan metode kota dan lain-lain untuk mengantisipasi Neural Network-Wavelet. Hasil prediksi dari kedua kemungkinan terjadinya peristiwa-peristiwa metode tersebut masih memiliki error yang cukup ekstrim yang tidak diinginkan. Informasi besar sehingga perlu dirancang suatu sisitem tentang curah hujan harus tersedia sebelum prediksi curah hujan dengan metode kepakaran lain suatu kegiatan dilaksanakan sehingga perlu yaitu metode Genetic Algorithm-Neural Network. diadakan kajian tentang peramalan curah hujan. Data curah hujan harian yang diperoleh dari BMKG (Badan Meteorologi, Klimatologi, dan Salah satu metode untuk memprediksi Geofisika). Dari data tersebut, dipilih empat variabel curah hujan ialah dengan menggunakan yang dipakai untuk sistem prediksi Genetic teknologi di bidang Artificial Intellegence, Algorithm-Neural Network yaitu kelembaban, misalnya Neural Network. Berdasarkan kecepatan angin, temperatur, dan curah hujan. Tiga kemampuan belajar yang dimilikinya, maka variabel input yaitu temperatur, kelembaban, dan Neural Network dapat dilatih untuk kecepatan angin diprediksi dengan metode Neural mempelajari dan menganalisa pola data masa Network-Backpropagation dan hasil dari prediksi lalu dan berusaha mencari suatu formula tiga variabel input tersebut akan menjadi input pada atau fungsi yang akan menghubungkan pola metode Genetic Algorithm untuk memprediksi curah data pada masa lalu tersebut dengan pola data hujan. Hasil prediksi metode Genetic Algorithm- keluaran yang diinginkan pada saat ini dan Neural Network kemudian dibandingkan dengan pola data masa depan. hasil prediksi metode Neural Network-Fuzzy Logic dan metode Neural Network-Wavelet. Penelitian tentang prediksi curah Hasil validasi curah hujan dengan metode hujan di wilayah Makassar yang pernah Genetic Algorithm-Neural Network mencapai 85,2% dilakukan dengan menggunakan metode dengan RMSE sebesar 0.077318 pada tahun 2009, Neural Network yaitu dengan metode Neural dan 63.56% dengan RMSE sebesar 0.156827 pada Network-Fuzzy Logic (Fika Christine, tahun 2010. Perbedaan hasil validasi tersebut Febriyati 2011), Berdasarkan penelitian ini, diakibatkan karena pada tahun 2010 terjadi cuaca hasil validasi predksi curah hujan tahun 2009 ekstrim dengan 53 hari hujan sedangkan pada tahun mencapai 82.19% dan hasil validasi tahun 2009 hanya terdapat 19 hari hujan. Setelah 2010 yang diperoleh hanya mencapai 61.64%. dibandingkan dengan hasil prediksi metode Neural Penelitian lainnya ialah dengan menggunakan Network-Fuzzy Logic dan metode Neural Network- metode Neural Network-Wavelet (Yusita Wavelet, disimpulkan bahwa validasi curah hujan Octavia, Erna Rahmadania 2011). Pada dengan metode Genetic Algorithm-Neural Network penelitian ini, hasil validasi prediksi curah lebih baik dari metode Neural Network-Fuzzy Logic hujan tahun 2009 mencapai 73,97% dan hasil dan metode Neural Network-Wavelet. validasi tahun 2010 yang hanya mencapai 60,55%.
Oleh karena itu, dalam penelitian ini
Kata Kunci: Genetic Algorithm; prediksi curah digunakan metode Neural Network-Genetic hujan; Neural Network; Algorithm dengan harapan dapat menghasilkan prediksi hujan yang lebih baik dari kedua metode sebelumnya karena Genetic metode Neural Network-Fuzzy Logic, dan Algorithm merupakan salah satu algoritma metode Neural Network-Wavelet. optimasi yang berusaha mencari solusi yang diinginkan melalui perbaikan-perbaikan dari I.5 Metodologi Penelitian solusi-solusi yang telah diperoleh 1. Studi Literatur sebelumnya. Studi literatur yang digunakan antara lain pengumpulan literatur yang I.2. Rumusan Masalah menunjang tujuan penelitian yang dicapai Rumusan masalah yang akan diuraikan dalam meliputi literatur dari buku referensi, skripsi ini adalah: jurnal, dan internet. 2. Pengumpulan Data a. Perlunya perancangan sistem prediksi Pengambilan data berdasarkan hujan harian di wilayah Makassar hasil pengukuran di tempat penelitian menggunakan metode Neural Network- dari Badan Meteorologi, Klimatologi dan Genetic Algorithm. Geofisika (BMKG). b. Perlunya dilakukan perbandingan antara 3. Pengolahan dan Analisis Data. metode Neural Network-Fuzzy Logic, Hasil pengujian yang berupa data metode Neural Network-Wavelet, dan hasil prediksi dibandingkan dengan data metode Neural Network-Genetic real dari BMKG untuk memperoleh Algorithm untuk mengetahui yang mana keakuratan sistem prediksi curah hujan dari ketiga metode tersebut yang paling dengan metode Neural Networ k- Genetic cocok dipakai untuk memprediksi curah Algorithm, kemudian hujan di wilayah Makassar. membandingkannya dengan hasil prediksi metode Neural Network-Fuzzy I.3 Tujuan Penelitian Logic, dan metode Neural Network- Tujuan dari penelitian ini adalah: Wavelet. a. Membuat sistem prediksi hujan harian di 4. Kesimpulan. wilayah Makassar dengan metode Neural Setelah melakukan prediksi curah Network-Genetic Algorithm. hujan dan membandingkan hasilnya b. Membandingkan hasil prediksi curah maka dibuat kesimpulan dari hasil hujan metode Neural Network-Genetic penelitian tentang prediksi curah hujan Algorithm dengan hasil prediksi metode dengan metode Neural Network-Genetic Neural Network-Fuzzy Logic, dan metode Algorithm ini. Neural Network-Wavelet. 5. Penulisan Laporan. I.4 Batasan Masalah Beberapa batasan masalah yang terdapat pada skripsi ini adalah : II. UNSUR-UNSUR CUACA, METODE NEURAL NETWOK, DAN METODE 1. Variabel yang digunakan sebagai input GENETIC ALGORITHM. adalah temperatur, kecepatan angin, kelembaban dan variabel output (data II.1. Unsur-Unsur Cuaca target) yang dihasilkan yaitu tingkat Hujan adalah proses kondensasi uap curah hujan. air di atmosfer menjadi butiran air yang cukup 2. Memprediksi variabel input dengan berat sehingga jatuh ke bumi[1]. Intensitas Neural Network. hujan adalah banyaknya curah hujan 3. Memprediksi curah hujan menggunakan persatuan jangka waktu tertentu[1]. Curah Genetic Algorithm-Neural Network. hujan yaitu jumlah air hujan yang turun pada 4. Sistem simulasi dirancang dengan suatu daerah dalam waktu tertentu[1]. Alat menggunakan software Matlab7.6. untuk mengukur banyaknya curah hujan 5. Membandingkan hasil prediksi curah disebut rain gauge. Curah hujan dapat diukur hujan antara metode Neural Network- dalam harian, bulanan, dan tahunan. Genetic Algorithm dengan hasil prediksi Temperatur adalah ukuran panas- dinginnya suatu benda[1]. Panas-dinginnya suatu benda berkaitan dengan energi termis Region atau daerah A, pola curah yang terkandung dalam benda tersebut. Makin hujannya berbentuk huruf U (paling kiri), besar energi termisnya, makin besar sedang pola Region B, pola curah hujannya temperaturnya. Temperatur di bumi berbentuk huruf M (tengah) dengan dua dipengaruhi oleh pemanasan matahari. puncak curah hujan. Sedangkan pola Region Kelembaban udara adalah tingkat C berbentuk huruf U terbalik (kanan) atau kebasahan udara karena dalam udara, air berkebalikan dengan Region A. Garis merah selalu terkandung dalam bentuk uap air[1]. merupakan curah hujan dalam milimeter Kandungan uap air dalam udara hangat lebih sedangkan garis hitam merupakan deviasinya. banyak daripada kandungan uap air dalam udara dingin. Rata-rata curah hujan di Indonesia Tekanan udara merupakan tenaga untuk setiap tahunnya tidak sama. Namun yang bekerja untuk menggerakkan massa masih tergolong cukup banyak, yaitu rata-rata udara dalam setiap satuan luas tertentu[1]. 2000–3000 mm/tahun. Begitu pula antara Tekanan udara diukur dengan menggunakan tempat yang satu dengan tempat yang lain barometer. Satuan tekanan udara adalah rata-rata curah hujannya tidak sama. milibar (mb). Garis yang menghubungkan tempat-tempat yang sama tekanan udaranya Gambar berikut adalah peta curah disebut sebagai isobar. hujan untuk pulau Sulawesi pada tahun 1970- Angin yaitu udara yang bergerak yang 2004 sebagai acuan dalam penelitian ini yang diakibatkan oleh rotasi bumi dan juga karena menggunakan kota Makassar sebagai objek adanya perbedaan tekanan udara (tekanan penelitian. tinggi ke tekanan rendah) di sekitarnya[1]. Angin merupakan udara yang bergerak dari tekanan tinggi ke tekanan rendah atau dari suhu udara yang rendah ke suhu udara yang tinggi.
II.2. Pola Hujan di Indonesia
Menurut Dr. Edvin Aldrian, pola
dari masing-masing tipe hujan seperti pada gambar berikut:
Gambar 2.2. Grafik Tipe Curah Hujan di
Sulawesi[4]
Berdasarkan gambar 2.2., dapat
dilihat bahwa di kota Makassar memiliki tingkat curah hujan sebesar 3000-3500 mm/tahun.
Di wilayah Makassar, analisis
pergeseran musim telah dilakukan oleh Nasrullah (2009), analisis dilakukan pada zona musim (ZOM) 184 (Wilayah Barru, Maros, dan Makassar). Awal datangnya musim hujan dan kemarau di zona musim (ZOM) 184 tersebut mengalami pergeseran. Gambar 2.1. Grafik tipe curah hujan di Bila dibandingkan dengan periode tahun Indonesia[3] 1971-2000, pada periode berikutnya (2001- 2007) awal musim kemarau terjadi lebih lambat (mundur) sekitar 20 hari. Demikian halnya dengan awal musim hujan yang untuk pasangan masukan keluaran yang mengalami mundur sekitar 20 hari pada belum pernah digambarkan sebelumnya. periode kedua (1971-2000) dibandingkan Dalam menyelesaikan suatu permasalahan, dengan periode pertama (2001-2007). jaringan syaraf tiruan memerlukan algoritma belajar atau pelatihan yaitu bagaimana sebuah II.3. Jaringan Syaraf Tiruan (Neural Network) konfigurasi jaringan dapat dilatih untuk mempelajari data historis yang ada. Dengan Jaringan Syaraf Tiruan pertama kali pelatihan ini, pengetahuan yang terdapat pada secara sederhana diperkenalkan oleh data dapat diserap dan direpresentasikan oleh McCulloch dan Pitts pada tahun 1943. nilai-nilai bobot koneksinya. McCulloch dan Pitts menyimpulkan bahwa kombinasi beberapa neuron sederhana II.4. Algoritma Genetik (Genetic Algorithm) menjadi sebuah sistem neural akan meningkatkan kemampuan komputasinya[6]. Algoritma Genetik pertama kali ditemukan di Universitas Michigan, Amerika Jaringan Saraf Tiruan (JST) atau Serikat oleh John Holland (1975). disebut juga dengan Neural Network (NN), Kemunculan Algoritma Genetik terinspirasi adalah sistem pemroses informasi yang oleh teori-teori dalam ilmu biologi, sehingga memiliki karakteristik mirip dengan jaringan banyak istilah dan konsep biologi yang syaraf biologi (jaringan saraf manusia)[6]. dipakai dalam Algoritma Genetik. Sesuai Jaringan syaraf tiruan merupakan sistem dengan namanya, proses-proses yang terjadi adaptif yang dapat merubah strukturnya untuk dalam Algoritma Genetik sama dengan apa memecahkan masalah berdasarkan informasi yang terjadi pada evolusi biologi[9]. eksternal maupun internal yang mengalir Pada algoritma genetik, teknik melalui jaringan tersebut. Secara sederhana, pencarian solusi terbaik dilakukan sekaligus JST adalah sebuah alat pemodelan data pada sejumlah solusi yang dikenal dengan statistik non-linier. JST dapat digunakan istilah populasi. Individu yang terdapat dalam untuk memodelkan hubungan yang kompleks satu populasi disebut dengan istilah antara input dan output untuk menemukan kromosom. Kromosom ini merupakan suatu pola-pola pada data. solusi yang masih berbentuk simbol. Populasi awal dibangun secara acak, sedangkan populasi berikutnya merupakan hasil evolusi Backpropagation melatih jaringan kromosom-kromosom melalui iterasi yang untuk mendapatkan keseimbangan antara disebut dengan generasi. Pada setiap generasi, kemampuan jaringan untuk mengenali pola kromosom akan melalui proses evaluasi yang digunakan selama pelatihan serta dengan menggunakan alat ukur yang disebut kemampuan jaringan untuk memberikan dengan fungsi fitness. Nilai fitness dari suatu respon yang benar terhadap pola masukan kromosom akan menunjukkan kualitas dari yang serupa (tapi tidak sama) dengan pola kromosom dalam populasi tersebut. yang dipakai selama pelatihan. Pelatihan jaringan dengan backpropagation meliputi Generasi berikutnya dikenal dengan tiga tahap yaitu umpan maju (feedforward) istilah anak (offspring) terbentuk dari dari pola input, penghitungan dan propagasi gabungan dua kromosom generasi sekarang balik dari error dan penyesuaian bobot. yang bertindak sebagai induk (parent) dengan menggunakan operator pindah silang. Selain Dalam jaringan syaraf tiruan terdapat operator pindah silang, suatu kromosom dapat konsep belajar atau pelatihan. Sehingga juga dimodi fikasi dengan menggunakan jaringan-jaringan yang dibentuk akan belajar operator mutasi. Populasi generasi yang baru melakukan generalisasi karakteristik tingkah dibentuk dengan cara menyeleksi nilai fitness laku objek. Algoritma pelatihan artinya dari kromosom induk dan nilai fitness dari membentuk pemetaan (fungsi) yang kromosom anak, serta membuang kromosom- menggambarkan hubungan antara vektor kromosom yang lainnya sehingga ukuran masukan dan vektor keluaran. Biasanya populasi (jumlah kromosom dalam suatu diberikan contoh yang cukup penting dalam populasi) konstan. Setelah melalui beberapa membangun pemetaan tersebut. Walaupun generasi, maka algoritma ini akan konvergen ke kromosom terbaik.
II.5. Redaman Hujan
Redaman hujan merupakan faktor
utama yang sangat mempengaruhi propagasi pada komunikasi satelit dengan bumi. Redaman ini juga sangat dipengaruhi oleh frekuensi yang akan digunakan sebab semakin besar frekuensi maka akan semakin besar pula redamannya. Parameter penting yang dibutuhkan di dalam menghitung redaman ini adalah curah hujan yang akan terjadi pada daerah yang akan dihitung redamannya serta ketinggian daratan diukur dari permukaan Gambar 3.1. Alur Penelitian laut. Besar curah hujan ini dapat di cari dari model yang digunakan untuk menghitung curah hujan tersebut ataupun dari hasil pengukuran.
Hujan dapat menghasilkan
perubahan polarisasi gelombang radio yang ditransmitkan. Hasilnya akan meningkatkan nilai interferensi Cross Polarisasi pada sistem frekuensi reuse. Hujan tidak hanya meredam sinyal yang ditransmitkan, juga meningkatkan noise temperatur sky yang ditangkap oleh antena penerima stasiun bumi. Indonesia oleh International Telecommunications Union - ITU digolongkan sebagai region P, di mana intensitas hujannya termasuk sangat tinggi. Intensitas hujan yang mengakibatkan link- komunikasi putus sebesar 0.01% per tahun di Indonesia adalah sebesar 145 mm/h, demikian versi ITU[13]. Untuk menghitung redaman hujan digunakan rekomendasi menurut ITU-R P. 618-9.
III. PERANCANGAN SISTEM PREDIKSI
HUJAN DENGAN METODE GENETIC Gambar 3.2. Flowchart Perancangan Sistem ALGORITHM-NEURAL NETWORK. Genetic Algorithm-Neural Network. Langkah-langkah penelitian selengkapnya digambarkan pada flowchart Setelah mendapatkan hasil prediksi berikut: curah hujan tahun 2012, data tersebut kemudian digunakan untuk menghitung besarnya redaman hujan pada sistem komunikasi satelit. Adapun model yang digunakan untuk menghitung besar redaman hujan ini adalah menggunakan metode ITU-R. Cara untuk menghitung redaman hujan adalah dengan menggunakan rekomendasi ITU-R P. 618-9. IV. ANALISIS DAN PEMBAHASAN Nilai MSE yang dihasilkan dengan metode Genetic Algorithm-Neural Network Berikut ini adalah contoh pelatihan dan adalah sebesar 0.0092, dengan demikian error pengujian temperatur untuk bulan Maret. antara target dengan prediksi semakin kecil.
Dengan menggunakan net hasil
pelatihan pada sistem Genetic Algorithm- Neural Network, curah hujan pada bulan Januari 2010 akan diprediksi setelah ketiga variabel input (kelembaban, temperatur, kecepatan angin) terlebih dahulu diprediksi dengan menggunakan net hasil pelatihan masing-masing parameter pada tahun sebelumnya.
Gambar 4.1. Grafik Perbandingan Pelatihan
Temperatur Bulan Maret 2009
Gambar 4.1. merupakan hasil pelatihan
Neural Network temperatur pada bulan Maret 2009 yang dibandingkan dengan data real bulan Maret 2009. Hasil pelatihan Neural Network ini memiliki persentase kebenaran hingga 87.1% dengan performansi (RMSE) sebesar 0.0071.
Setelah didapatkan hasil prediksi setiap
variable input (temperatur, kelembaban,dan kecepatan angin), maka data–data tersebut Gambar 4.3. Perbandingan Data Real dengan kemudian dimasukkan ke sistem Genetic Hasil Prediksi Curah Hujan Algorithm untuk diproses agar dihasilkan nilai Bulan Januari 2010 dengan prediksi hujan. Berikut ini adalah contoh Metode Genetic Algorithm- prediksi curah hujan bulan Januari 2009 Neural Network dengan metode Genetic Algorithm. Pada hasil prediksi curah hujan bulan Januari 2010, diperoleh kesalahan yang cukup besar dibandingkan dengan hasil prediksi 2009. Hal ini disebabkan oleh perbedaan pola hujan antara tahun 2009 dengan 2010, dimana pada tahun 2010 pola hujan lebih rumit dibandingkan dengan tahun 2009 yang pola curah hujannya teratur. Perbedaan pola hujan tersebut diakibatkan karena iklim pada tahun 2010 mengalami kondisi cuaca ekstrim yaitu penyimpangan iklim yang memicu terjadinya perbedaan pola hujan dengan tahun-tahun sebelumnya.
Gambar 4.2. Perbandingan Data Real dengan
Hasil Prediksi Curah Hujan Bulan Januari 2009 dengan Metode Genetic Algorithm- Neural Network 18 hari dengan keakuratan sebesar 58.06% sedangkan pada metode NN-Fuzzy jumlah hari benar hanya sebanyak 10 hari dengan keakuratan sebesar 32.25%, sementara untuk metode NN-Wavelet diperoleh jumlah hari benar sebanyak 9 hari dengan keakuratan sebesar 29.03%.
Gambar 4.4. Hasil Prediksi Curah Hujan
Rata–Rata Per Hari Tahun 2012
Dari gambar 4.4., dapat dilihat bahwa
pada tahun 2012, musim hujan terjadi pada bulan Januari, bulan Februari, bulan November dan bulan Desember, curah hujan tertinggi terjadi pada bulan November sementara musim kemarau terjadi pada pertengahan tahun. Gambar 4.6. Grafik Perbandingan Hasil Prediksi Curah Hujan Bulan Januari 2010 dengan Metode NN-GA, Metode NN-Fuzzy, dan Metode NN-Wavelet
Gambar 4.6., menunjukkan
perbandingan antara hasil prediksi curah hujan pada bulan Januari 2010 dengan data real BMKG bulan Januari 2010. Pada prediksi curah hujan bulan Januari 2010, jumlah hari benar untuk metode NN-GA adalah sebanyak 19 hari dengan keakuratan sebesar 61.29% sedangkan pada metode NN-Fuzzy jumlah hari benar hanya sebanyak 12 hari dengan keakuratan sebesar 38.70%, sementara metode NN-Wavelet menghasilkan jumlah hari benar Gambar 4.5. Grafik Perbandingan Hasil sebanyak 9 hari dengan keakuratan sebesar Prediksi Curah Hujan Bulan 29.03%. Januari 2009 dengan Metode NN-GA, Metode NN-Fuzzy, dan Hasil prediksi curah hujan yang Metode NN-Wavelet diperoleh dengan Metode Genetic Algorithm- Neural Network selanjutnya dipakai untuk Gambar 4.5., menunjukkan menghitung redaman yang terjadi pada sistem perbandingan antara hasil prediksi curah komunikasi satelit (Satelit WINDS) dengan hujan pada bulan Januari 2009 dengan data menggunakan rumus ITU-R P.839-3 sehingga real BMKG bulan Januari 2009. Dari grafik diperoleh hasil seperti yang terlampir pada terlihat jelas bahwa hasil prediksi metode NN- tabel berikut. GA lebih baik dibandingkan dengan hasil prediksi metode NN-Fuzzy dan prediksi metode NN-Wavelet, dimana pada metode NN-GA, jumlah hari benar adalah sebanyak NN-Wavelet dengan keakuratan sebesar 73.97%. Pada tahun 2010, hasil prediksi dengan metode NN-GA memiliki keakuratan sebesar 63.56%, nilai ini lebih besar dibandingkan dengan hasil yang diperoleh metode NN-Fuzzy dengan keakuratan sebesar 61.64% dan metode NN-Wavelet dengan keakuratan sebesar 60.55%. 5. Curah hujan dan Frekuensi mempengaruhi besar redaman hujan. Semakin besar curah hujan dan semakin tinggi Frekuensi yang Tabel 4.1. Redaman Hujan Setiap Bulan Pada digunakan maka Redaman Hujan akan Tahun 2012 semakin besar. Tabel di atas menunjukan redaman DAFTAR PUSTAKA hujan pada tahun 2012 untuk arah uplink dan downlink. Dapat dilihat bahwa semakin besar [1] Kristian. Harry, Patra Paulus. Prediksi Curah curah hujan maka semakin besar pula Hujan Menggunakan Autoregressive redaman hujan yang terjadi.Semakin tinggi Integrated Moving Average (ARIMA) Dan frekuensi yang digunakan maka semakin ANALISIS REGRESI BERGANDA. besar pula redamannya. Dengan demikian Jurusan Teknik Elektro Unhas, Tugas Akhir. dapat disimpulkan bahwa redaman hujan 2011. dipengaruhi oleh curah hujan dan frekuensi [2] yang digunakan. http://www.google.co.id/imgres?q=prose s+terjadinya+hujan, diakses pada tanggal V. KESIMPULAN 9 Januari 2012. 1. Validasi hasil prediksi curah hujan tahun [3] Adrian. Edvin. Simulation of Indonesian 2009 dengan metode Genetic Algorithm- Raindfall with a Hierarchy of Climste Neural Network terhadap data real BMKG Models. Max Planck Institute for mencapai 85.20%. Meteorology. Dissertation. 2003. 2. Validasi hasil prediksi curah hujan tahun http://ediss.sub.uni- 2010 dengan metode Genetic Algorithm- hamburg.de/volltexte/2004/1090/pdf/dissertati Neural Network terhadap data real BMKG on.pdf. diakses pada tanggal 12 Januari 2012. mencapai 63.56%. [4] 3. Kurangnya akurasi prediksi hujan tahun https://docs.google.com/present/view?id=dg 2010 dibandingkan tahun 2009 disebabkan njdcv4_1106c93jk8h2, diakses pada tanggal karena iklim pada tahun 2010 mengalami 15 Januari 2012. kondisi cuaca ekstrim yaitu penyimpangan [5] Nasrullah.“Perubahan iklim dan trend data iklim yang memicu terjadinya hujan pada iklim”. 2009. musim kemarau. [6] Siang, JJ. “Jaringan Syaraf Tiruan Dan 4. Berdasarkan perhitungan RMSE dan Pemrogramannya Menggunakan Matlab”. persentase keakuratan, prediksi curah Yogyakarta: Andi Yogyakarta. 2005. hujan menggunakan metode Genetic [7] Warsito, Budi “Prediksi Curah Hujan Kota Algorithm-Neural Network lebih baik Semarang menggunakan FeedForward dibandingkan dengan prediksi yang Neural Network menggunakan Algoritma menggunakan metode Neural Network- Quasi Newton BFGS dan Levenberg- Fuzzy Logic dan Neural Network-Wavelet. Marquard”. Program Studi Teknik Hal ini dapat dilihat dari hasil prediksi Lingkungan Undip, Tugas Akhir. 2007. pada tahun 2009, metode NN-GA memiliki [8] Febriyati, Fikha Christine. Prediksi keakuratan sebesar 85.2%, nilai ini lebih Intensitas Hujan Berbasis Fuzzy Logic Dan besar dibandingkan dengan hasil yang Pengaruh Redaman Hujan Pada Sistem diperoleh metode NN-Fuzzy dengan Komunikasi LMDS Wilayah Makassar. keakuratan sebesar 82.19% dan metode Jurusan Teknik Elektro Unhas, Tugas Akhir. 2011. [9] Fahmi, Yasin. “PERAMALAN NILAI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN DAN ALGORITMA GENETIK”. Jurusan Teknik Industri UII Yogyakarta, Tugas Akhir. 2011. [10] Sanjoyo. “Aplikasi Algoritma Genetika”. Juni 2009. [11] Noertjahyana, A & Yulia. “Studi Analisa Pelatihan Jaringan Saraf Tiruan Dengan Dan Tanpa Algoritma Genetika. Surabaya”. Universitas Kristen Petra. 2004. [12] Yusita Octavia dan Erna Rahmadania “Prediksi Hujan Di Wilayah Makassar Dengan Menggunakan Metode Wavelet Neural Network”. Jurusan Teknik Elektro Unhas, Tugas Akhir. 2011. [13] Widodo, Prima Setiyanto. Sudah Waktunya Menggunakan Ku-Band di Indonesia. Online Journal of Space Communication. Journal. 2005. http://spacejournal.ohio.edu/issue8/pers_setiy anto_indo.html, diakses pada tanggal 22 Februari 2012.