Implementasi Jaringan Syaraf Tiruan Recurrent Dengan Metode Pembelajaran Gradient Descent Adaptive Learning Rate Untuk Pendugaan Curah Hujan

摘要

Penggunaan teknologi di bidang Artificial Intellegence khususnya teknologi Jaringan Syaraf Tiruan (JST) dalampendugaan curah hujan dapat dilakukan dengan metoda pendekatan pembelajaran. Berdasarkan kemampuanbelajar yang dimilikinya, maka JST dapat dilatih untuk mempelajari dan menganalisa pola data masa lalu danberusaha mencari suatu formula atau fungsi yang akan menghubungkan pola data masa lalu dengan keluaranyang diinginkan pada saat ini. Keakuratan hasil prediksi JST diukur berdasarkan koefisien determinasi (R2) danRoot Mean Square Error (RMSE).Penelitian ini menerapkan jaringan syaraf tiruan Recurrent Elman yang teroptimasi secara heuristik untukpendugaan curah hujan berdasarkan peubah El-Nino Southern Oscilation (ENSO) seperti Angin, , SouthernOscillation Index (SOI), Sea Surface Temperatur (SST) dan Outgoing Long Wave Radiation (OLR) dengan studikasus daerah Bongan Bali.Optimasi pembelajaran heuristik yang dilakukan pada dasarnya adalah pengembangan kinerja algoritmapembelajaran gradient descent standard menjadi algoritma pelatihan yaitu : gradient descent adaptive learningrate. Pola input data yang digunakan sangat berpengaruh terhadap kinerja JST Recurrent Elman dalammelakukan proses pendugaan. Kelompok data pertama yaitu 75% data pelatihan & 25% data uji menghasilkanR2 maksimum 69,2% untuk leap 0 sedangkan kelompok data kedua yaitu 50% data pelatihan & 50% data ujimenghasilkan R2 maksimum 53,6 % untuk leap 0. Hasil nilai R2 pada leap 0 lebih baik dibandingkan pada leapl, leap 2 dan leap 3.