BAB II TINJAUAN PUSTAKA 2.1 Pengertian Hujanrepository.usu.ac.id/bitstream/123456789/19244/4/Chapter II.pdf · cumulunimbus dimana hujannya lebat dan cuaca yang timbul ... maka cuaca

BAB II

TINJAUAN PUSTAKA

2.1 Pengertian Hujan

Hujan adalah jatuhnya hydrometeor yang berupa partikel-partikel air dengan

diameter 0.5 mm atau lebih. Jika jatuhnya sampai ketanah maka disebut hujan, akan

tetapi apabila jatuhannya tidak dapat mencapai tanah karena menguap lagi maka

jatuhan tersebut disebut Virga. Hujan juga dapat didefinisikan dengan uap yang

mengkondensasi dan jatuh ketanah dalam rangkaian proses hidrologi.

Hujan merupakan salah satu bentuk presipitasi uap air yang berasal dari awan yang

terdapat di atmosfer. Bentuk presipitasi lainnya adalah salju dan es. Untuk dapat

terjadinya hujan diperlukan titik-titik kondensasi, amoniak, debu dan asam belerang.

Titik-titik kondensasi ini mempunyai sifat dapat mengambil uap air dari udara.

Satuan curah hujan selalu dinyatakan dalam satuan millimeter atau inchi namun untuk

di Indonesia satuan curah hujan yang digunakan adalah dalam satuan millimeter

(mm).

Curah hujan merupakan ketinggian air hujan yang terkumpul dalam tempat yang

datar, tidak menguap, tidak meresap, dan tidak mengalir. Curah hujan 1 (satu)

milimeter artinya dalam luasan satu meter persegi pada tempat yang datar tertampung

air setinggi satu milimeter atau tertampung air sebanyak satu liter.

Intensitas hujan adalah banyaknya curah hujan persatuan jangka waktu tertentu.

Apabila dikatakan intensitasnya besar berarti hujan lebat dan kondisi ini sangat

5

Universitas Sumatera Utara

berbahaya karena berdampak dapat menimbulkan banjir, longsor dan efek negatif

terhadap tanaman.

Hujan merupakan unsur fisik lingkungan yang paling beragam baik menurut waktu

maupun tempat dan hujan juga merupakan faktor penentu serta faktor pembatas bagi

kegiatan pertanian secara umum. Oleh karena itu klasifikasi iklim untuk wilayah

Indonesia (Asia Tenggara umumnya) seluruhnya dikembangkan dengan

menggunakan curah hujan sebagai kriteria utama (Lakitan, 2002). Bayong (2004)

mengungkapkan bahwa dengan adanya hubungan sistematik antara unsur iklim

dengan pola tanam dunia telah melahirkan pemahaman baru tentang klasifikasi iklim,

dimana dengan adanya korelasi antara tanaman dan unsur suhu atau presipitasi

menyebabkan indeks suhu atau presipitasi dipakai sebagai kriteria dalam

pengklasifikasian iklim.

2.1.1 Tipe Hujan

Hujan dibedakan menjadi empat tipe, pembagiannya berdasarkan factor yang

menyebabkan terjadinya hujan tersebut :

a. Hujan Orografi

Hujan ini terjadi karena adanya penghalang topografi, udara dipaksa naik

kemudian mengembang dan mendingin terus mengembun dan selanjutnya dapat

jatuh sebagai hujan. Bagian lereng yang menghadap angina hujannya akan lebih

lebat dari pada bagian lereng yang ada dibelakangnya. Curah hujannya berbeda

menurut ketinggian, biasanya curah hujan makin besar pada tempat-tempat yang

lebih tinggi sampai suatu ketinggian tertentu.


b. Hujan Konvektif

Hujan ini merupakan hujan yang paling umum yang terjadi didaerah tropis.

Panas yang menyebabkan udara naik keatas kemudian mengembang dan secara

dinamika menjadi dingin dan berkondensasi dan akan jatuh sebagai hujan. Proses

ini khas buat terjadinya badai guntur yang terjadi di siang hari yang

menghasilkan hujan lebat pada daerah yang sempit. Badai guntur lebih sering

terjadi di lautan dari pada di daratan.

c. Hujan Frontal

Hujan ini terjadi karena ada front panas, awan yang terbentuk biasanya tipe

stratus dan biasanya terjadi hujan rintik-rintik dengan intensitas kecil. Sedangkan

pada front dingin awan yang terjadi adalah biasanya tipe cumulus dan

cumulunimbus dimana hujannya lebat dan cuaca yang timbul sangat buruk.

Hujan front ini tidak terjadi di Indonesia karena di Indonesia tidak terjadi front.

d. Hujan Siklon Tropis

Siklon tropis hanya dapat timbul didaerah tropis antara lintang 0°-10° lintang

utara dan selatan dan tidak berkaitan dengan front, karena siklon ini berkaitan

dengan sistem tekanan rendah. Siklon tropis dapat timbul dilautan yang panas,

karena energi utamanya diambil dari panas laten yang terkandung dari uap air.

Siklon tropis akan mengakibatkan cuaca yang buruk dan hujan yang lebat pada

daerah yang dilaluinya.


2.1.2. Distribusi Hujan

Hujan merupakan unsur iklim yang paling penting di Indonesia karena

keragamannnya sangat tinggi baik menurut waktu maupun menurut tempat. Oleh

karena itu kajian tentang iklim lebih banyak diarahkan pada hujan. Berdasarkan pola

hujan, wilayah Indonesia dapat dibagi menjadi tiga (Boerema, 1938), yaitu pola

Monsoon, pola ekuatorial dan pola lokal.

Pola Moonson dicirikan oleh bentuk pola hujan yang bersifat unimodal (satu puncak

musim hujan yaitu sekitar Desember). Selama enam bulan curah hujan relatif tinggi

(biasanya disebut musim hujan) dan enam bulan berikutnya rendah (bisanya disebut

musim kemarau). Secara umum musim kemarau berlangsung dari April sampai

September dan musim hujan dari Oktober sampai Maret.

Pola equatorial dicirikan oleh pola hujan dengan bentuk bimodal, yaitu dua puncak

hujan yang biasanya terjadi sekitar bulan Maret dan Oktober saat matahari berada

dekat equator. Pola lokal dicirikan oleh bentuk pola hujan unimodal (satu puncak

hujan) tapi bentuknya berlawanan dengan pola hujan pada tipe moonson (Gambar

2.1).


0

100

200

300

400

1 2 3 4 5 6 7 8 9 10 11 12

0

100

200

300

400

1 2 3 4 5 6 7 8 9 10 11 12

0

100

200

300

400

1 2 3 4 5 6 7 8 9 10 11 12

0

100

200

300

400

1 2 3 4 5 6 7 8 9 10 11 12

Tipe Lokal

Tipe Equatorial

Tipe Monsoon

0

100

200

300

400

1 2 3 4 5 6 7 8 9 10 11 12

0

100

200

300

400

1 2 3 4 5 6 7 8 9 10 11 12

0

100

200

300

400

1 2 3 4 5 6 7 8 9 10 11 12

0

100

200

300

400

1 2 3 4 5 6 7 8 9 10 11 12

Tipe Lokal

Tipe Equatorial

Tipe Monsoon

Gambar 2.1. Pembagian wilayah Indonesia menurut pola (Modified from DPI-Australia, 2002)

Curah hujan diukur dalam satuan milimeter (mm). Pengukuran curah hujan dilakukan

melalui alat yang disebut penakar curah hujan dan diukur setiap jam 07 pagi waktu

setempat.

2.1.3. Alat Pengukur Curah Hujan

Presipitasi/hujan adalah suatu endapan dalam bentuk padat/cair hasil dari

proses kondensasi uap air di udara yang jatuh kepermukaan bumi

Satuan ukur untuk presipitasi adalah Inch, millimetres (volume/area), atau kg/m2

(mass/area) untuk precipitation bentuk cair. 1 mm hujan artinya adalah ketinggian air

hujan dalam radius 1 m2 adalah setinggi 1 mm, apabila air hujan tersebut tidak

mengalir, meresap atau menguap. Pengukuran curah hujan harian sedapat mungkin

dibaca/dilaporkan dalam skala ukur 0.2 mm (apabila memungkinkan menggunakan

resolusi 0.1 mm). Prinsip kerja alat pengukur curah hujan antara lain : pengukur curah

hujan biasa (observariaum) curah hujan yang jatuh diukur tiap hari dalam kurun

waktu 24 jam yang dilaksanakan setiap pukul 00.00 GMT, pengukur curah hujan

otomatis melakukan pengukuran curah hujan selama 24 jam dengan merekam jejak


hujan menggunakan pias yang terpasang dalam jam alat otomatis tersebutdan

dilakukan penggantian pias setiap harinya pada pukul 00.00 GMT, sedangkan

pengukuran curah hujan digital dimana curah hujan langsung terkirim kemonitor

komputer berupa data sinyal yang telah diubah kedalam bentuk satuan curah hujan.

Gambar 2.2. Alat Pengukur Curah Hujan Jenis Otomatis

2.2. Faktor yang mempengaruhi curah hujan

Sebagai salah satu kawasan tropis yang unik dinamika atmosfernya dimana

banyak dipengaruhi oleh kehadiran angin pasat, angin monsunal, iklim maritim dan

pengaruh berbagai kondisi lokal, maka cuaca dan iklim di Indonesia diduga memiliki

karakteristik khusus yang hingga kini mekanisme proses pembentukannya belum

diketahui banyak orang. Secara umum curah hujan di wilayah Indonesia didominasi

oleh adanya pengaruh beberapa fenomena, antara lain sistem Monsun Asia-Australia,

El-Nino, sirkulasi Timur-Barat (Walker Circulation) dan sirkulasi Utara-Selatan


(Hadley Circulation) serta beberapa sirkulasi karena pengaruh local (McBride, 2002

dalam Hermawan, E.2007).

Variabilitas curah hujan di Indonesia sangatlah kompleks dan merupakan suatu

bagian chaotic dari variabilitas monsun (Ferranti 1997 dalam Aldrian 2003). Monsun

dan pergerakan ITCZ (Intertropical Convergence Zone) berkaitan dengan variasi

curah hujan tahunan dan semi tahunan di Indonesia (Aldrian, 2003), sedangkan

fenomena El-Nino dan Dipole Mode berkaitan dengan variasi curah hujan antar-

tahunan di Indonesia.

Indonesia dikenal sebagai satu kawasan benua maritim karena sebagian besar

wilayahnya didominasi oleh lautan dan diapit oleh dua Samudera yaitu Samudera

Hindia dan Samudera Pasifik. Oleh karena itu elemen (unsur) iklimnya terutama

curah hujan memungkinkan dipengaruhi oleh keadaan suhu permukaan laut (SPL) di

sekitarnya. Salah satu fenomena yang dicirikan oleh adanya suatu perubahan SPL

yang kemudian mempengaruhi curah hujan di Indonesia adalah fenomena yang

terjadi di Samudera Hindia yang dikenal dengan istilah Dipole Mode (DM) yang

tidak lain merupakan fenomena couple antara atmosfer dan laut yang ditandai dengan

perbedaan anomali dua kutub Suhu Permukaan Laut ( SPL) di Samudera Hindia

tropis bagian timur (perairan Indonesia di sekitar Sumatera dan Jawa) dan Samudera

Hindia tropis bagian tengah sampai barat (perairan pantai timur Benua Afrika).

Pada saat anomali SPL di Samudera Hindia tropis bagian barat lebih besar daripada di

bagian timurnya, maka terjadi peningkatan curah hujan dari normalnya di pantai

timur Afrika dan Samudera Hindia bagian barat. Sedangkan di Indonesia mengalami


penurunan curah hujan dari normalnya yang menyebabkan kekeringan, kejadian ini

biasa dikenal dengan istilah Dipole Mode Positif (DM +). Fenomena yang

berlawanan dengan kondisi ini dikenal sebagai DM (-) (Ashok et al., 2001

Hermawan, E.2007). Hasil kajian yang dilakukan Saji. et al (2001 Hermawan,

E.2007) menunjukkan adanya hubungan antara fenomena DM dengan curah hujan

yang terjadi di atas Sumatera bagian Selatan sebesar -0,81. Selain itu, Banu (2003

Hermawan, E.2007) juga telah mengkaji adanya pengaruh DM terhadap curah hujan

di BMI (Benua Maritim Indonesia) dan Gusmira (2005 Hermawan, E.2007) yang

mengkaji dampak DM terhadap angin zonal dan curah hujan di Sumatera Barat.

Seperti halnya di Sumatera Barat, analisis keterkaitan kejadian DM terhadap perilaku

curah hujan yang tersebar di beberapa stasiun penakar curah hujan yang ada di

Sumatera Barat dan Sumatera Selatan. Dengan menggunakan lebih banyak data

stasiun untuk kedua kawasan tersebut, diharapkan dapat dianalisis keadaan curah

hujan di kawasan tersebut yang mewakili curah hujan sebenarnya terutama yang

terjadi pada saat kejadian DM.

Untuk memprediksi kecenderungan yang akan terjadi pada periode mendatang adalah

melihat tiga kemungkinan kejadian yaitu kondisi normal, ada El Nino atau kah

muncul La Nina. Ada dua cara yang dapat dilakukan, pertama melihat prediksi

anomali suhu muka laut (Sea Surface Temperatur Anomaly (SSTA)) Kriteria pada

tabel 2.1 dan melihat Indeks Osilasi Selatan (Southern Ocilation Indeks (SOI))

dengan Tabel 2.2 yakni melihat nilai beda tekanan atmosfer antara Tahiti dan Darwin.


Tabel 2.1. Indikator Kekuatan Berdasarkan Anomali Suhu Muka Laut (Diolah dari Quinn, 1978)

Anomali Suhu Muka Laut (o C) Kondisi ≥ 3 2 – 3 1 - 2 0 - 1.0 -1- -2 -2 - - 3 ≤ - 3 El Nino kuat Sedang lemah normal - - - La Nina - - - normal lemah sedang Kuat

Tabel 2.2. Indikator Kekuatan Berdasarkan SOI (Sumber : MMS (Malaysian Meteorological Service, 2001))

NILAI SOI (P TAHITI-P DARWIN)

FENOMENA YANG AKAN TERJADI

Di bawah - 10 selama 6 bulan El Nino kuat - 5 s/d - 10 selama 6 bulan El Nino lemah-sedang - 5 s/d + 5 selama 6 bulan Normal

+ 5 s/d + 10 selama 6 bulan La Nina lemah-sedang Di atas + 10 selama 6 bulan La Nina kuat

Osilasi Selatan pada dasarnya adalah peristiwa atmosfer berskala besar yang

didefenisikan sebagai fluktuasi tekanan udara di atas Samudera Pasifik dan Samudera

Hindia. Bila tekanan udara di Samudera Pasifik tinggi maka tekanan udara di daerah

Samudera Hindia dari Afrika sampai Australia akan rendah dan begitu pula

sebaliknya.

Keadaan ini berhubungan dengan suhu yang rendah di kedua daerah tersebut. Gejala

ini diamati oleh Walker (1904) melalui pengamatan terhadap perilaku parameter

atmosfer dan menemukan suatu gelombang tekanan berperiode panjang diantara India

dan Australia dengan kawasan Amerika Selatan. Karena mempunyai gerak yang

berosilasi maka Walker (1904) menyebutnya dengan Osilasi Selatan.

Peristiwa Osilasi Selatan ini terjadi karena adanya pertukaran massa udara antara

belahan bumi utara dan selatan di daerah tropik dan subtropik.


2.3. Model Jaringan Syaraf Tiruan

Jaringan Syaraf Tiruan (JST) adalah model sistem komputasi yang bekerja

seperti sistem syaraf biologis pada saat berhubungan dengan 'dunia luar', nama

jaringan syaraf tiruan merupakan terjemahan dari "Artificial Neural Network".

Terjemahan yang diambil bukan jaringan syaraf buatan seperti dalam

menterjemahkan Artificial Inteligent (AI). Penggunaan kata buatan dapat memberikan

konotasi, bahwa manusia berusaha membuat jaringan syaraf aslinya. Padahal maksud

dari JST adalah membuat model sistem komputasi yang dapat menirukan cara kerja

jaringan syaraf biologis (Jong Jek Siang, 2005).

Menurut (Sri Kusumadewi,2003) Model JST yang digunakan dalam penelitian ini

adalah arsitektur feedforward (umpan maju). Sedangkan konsep belajar yaitu

algoritma belajar backpropagation momentum yang merupakan perkembangan dari

algoritma belajar backpropagation standar.

Prinsip kerja dari JST adalah suatu sistem pemrosesan informasi yang cara kerjanya

memiliki kesamaan tertentu dengan jaringan syaraf biologis. Sebagai ilustrasi, sistem

JST dapat dijelaskan dengan Gambar 2.2.

ΣSumFungsiAktivasi

(f)

w j,i=1

w j,i=2

w j,i=3

w j,i=Np

x i=1

x i=2

x i=3

x i=Np

y j,k=1

y j,k=2

y j,k=3

Gambar 2.2. Konsep pemodelan jaringan saraf tiruan


Proses arus informasi dalam sistem JST di atas dimulai dari node-node input. Untuk

mencerminkan tingkat kekuatan hubungan ini, digunakan faktor pembobot (weight),

sehingga yang diterima oleh node-node di lapisan tersembunyi adalah signal terbobot

(weigthed signal ) yaitu xiWj,i dimana Wj,i merupakan besaran bobot hubungan dari

node input i menuju node tersembunyi ke-j. Tiap neuron menerima signal output dari

berbagai neuron lainnya dan mengeluarkan output nya dengan menghitung tingkat

(level) aktivitas yang masuk adalah :

∑=

=

=Npi

iijij WxI

1, ................................................ (2.1)

Jika input bersih cukup kuat untuk mengaktifkan node j, maka output dari node

tersebut adalah :

( )jj Ify = ...........................................................(2.2)

Dengan :

Np = jumlah node yang masuk dari lapisan sebelumnya ke

node yang dituju

xi = signal input dari node input ke i=1, 2, ... , Np.

Wj,i = besarnya bobot node ke i ke node j.

Ij = total signal bobot bersih yang masuk ke node j

f = fungsi aktivasi

yj = signal output node j

Neuron-neuron dikelompokkan dalam lapisan-lapisan dimana neuron yang terletak

pada lapisan yang sama akan memiliki keadaan yang sama. Jaringan dengan banyak


lapisan memiliki 1 atau lebih lapisan yang terletak diantara lapisan input dan lapisan

output (memiliki 1 atau lebih lapisan tersembunyi), Umumnya, ada lapisan bobot-

bobot yang terletak antara 2 lapisan yang bersebelahan.

Arsitektur jaringan yang sederhana adalah jaringan layar tunggal yang

menghubungkan langsung neuron-neuron pada layar input dengan neuron-neuron

pada layar output. Sedangkan arsitektur jaringan yang lebih kompleks terdiri dari

layar input, beberapa layar tersembunyi dan layar output. Arsitektur seperti ini

disebut juga jaringan layar jamak (Rumelhart, et al. 1986). Jaringan layar jamak lebih

sering digunakan karena dapat menyelesaikan masalah yang lebih kompleks

dibandingkan jaringan layar tunggal, meskipun proses pelatihannya lebih komplek

dan lebih lama (Haykin, 1999).

Pada Algoritma Quickpropagation dilakukan pendekatan dengan asumsi bahwa

masing-masing bobot penghubung tidak terpengaruh oleh bobot yang lain. Perubahan

algoritma quickpropagation dirumuskan sebagai berikut:

Wjibaru = Wjilama + C ( tjp – xjp ) ai

Dengan :

C = kecepatan belajar

tjp = nilai keluaran yang diinginkan unit j setelah diberikan pola p pada lapisan

masukan.

xjp = nilai keluaran yang dihasilkan unit j setelah diberikan pola p pada lapisan

masukan.

ai = masukan yang berasal dari unit I.


Hingga saat ini jaringan saraf tiruan telah memiliki beberapa aplikasi yang banyak

digunakan dalam kehidupan manusia. Aplikasi yang sering digunakan antara lain:

a. Pengenalan

Jaringan saraf tiruan dapat dipakai untuk mengenali beberapa pola seperti huruf,

angka, suara, bahkan tanda tangan. Hal ini sangat mirip dengan otak manusia

yang mampu mengenali seseorang, tentu saja yang pernah berkenalan dengan

kita.

b. Pengolahan

sinyal Jaringan saraf tiruan (terutama model ADALINE (adaptive linear

newton)) dapat digunakan untuk menekan derau (noise) dalam saluran telepon.

c. Peramalan

Jaringan saraf tiruan juga dapat dipakai untuk meramalkan apa yang terjadi di

masa depan berdasarkan pola yang terbentuk di masa lampau. Hal ini dapat

dilakukan karena kemampuan jaringan saraf tiruan untuk mengingat dan

membuat generalisasi dari apa yang sudah ada sebelumnya.

Selain aplikasi-aplikasi yang telah disebutkan, jaringan saraf tiruan juga memiliki

banyak aplikasi yang menjanjikan seperti dalam bidang kontrol, kedokteran, dan lain-

lain. Akan tetapi hal yang perlu diingat adalah jaringan saraf tiruan juga memiliki

beberapa keterbatasan. Pertama adalah ketidakakuratan hasil yang diperolah karena

jaringan saraf tiruan bekerja berdasarkan pola yang terbentuk pada input yang

diberikan. Jadi pada dasarnya jaringan saraf tiruan merupakan ilmu komputasi yang

disebut soft computing dengan menggunakan otak manusia sebagai analoginya.


Ada beberapa fungsi aktivasi yang sering digunakan dalam jaringan syaraf tiruan,

antara lain :

a. Fungsi Sigmoid Biner

Fungsi ini digunakan untuk jaringan syaraf yang dilatih dengan menggunakan

metode backpropagation. Fungsi sigmoid biner memiliki nilai pada range 0

sampai 1. Oleh karena itu, fungsi ini sering digunakan untuk jaringan syaraf yang

membutuhkan nilai output yang terletak pada interval 0 sampai 1. Namun, fungsi

ini bisa juga digunakan oleh jaringan syaraf yang nilai outputnya 0 atau 1.

Fungsi sigmoid biner dirumuskan sebagai :

xexfy σ−+==

11)(

Dengan : )](1)[( (x)f' xfxf −=σ

b. Fungsi Sigmoid Bipolar

Fungsi sigmoid bipolar hampir sama dengan fungsi sigmoid biner, hanya saja

output dari fungsi ini memiliki range antara 1 sampai -1

Fungsi sigmoid bipolar dirumuskan sebagai :

x

x

eexfy −

−

+−

==11)(

Dengan : [ ][ )(1)(12

)(' xfxfxf −+= ]σ

Fungsi ini sangat dekat dengan fungsi hyperbolic tangent. Keduanya memiliki

range antara -1 sampai 1. Untuk fungsi hyperbolic tangent, dirumuskan sebagai :


xx

xx

eeeexfy −

−

+−

== )(

Atau :

x

x

eexfy 2

2

11)( −

−

+−

==

Dengan : [ ][ ])(1)(1)(' xfxfxf −+=

Jaringan neuron atau neural network (JST) menggambarkan sistem kerja jaringan

syaraf, dimana terdapat beberapa lapis neuron, yang terdiri dari lapis masukan atau

input lapis proses atau tengah (hidden layer) dan lapis keluaran atau output.

Tiap lapis neuron terdiri dari satu atau beberapa node. Dimana dalam masing masing

node dilakukan pemrosesan atau pengolahan dari input yang akan keluar berupa

output.

Algoritma backpropagation :

a. Masing-masing unit masukan (Xi, i = 1,….n) menerima sinyal masukan Xi dan

sinyal tersebut disebarkan ke unit-unit bagian berikutnya (unit-unit lapisan

tersembunyi)

b. Masing-masing unit dilapisan tersembunyi dikalikan dengan faktor penimbang

dan dijumlahkan serta ditambah dengan biasanya.

∑=

− +=n

inoji vXVinZ

11 (2.1)

Kemudian menghitung sesuai dengan fungsi aktifasi yang digunakan:

Z1 = f (Z_in1) (2.2)


c. Masing-masing unit keluaran (yk., k = 1, 2, 3 …..m) dikalikan dengan faktor

penimbang dan dijumlahkan:

∑=

− +=p

pnoji WZWinZ

111 (2.3)

Menghitung kembali sesuai dengan fungsi aktifasi

yk = f (y_in1) (2.4)

Back Propagasi dan Galatnya

d. Masing-masing unit keluaran (Yk, k =1,……m) menerima pola target sesuai

dengan pola masukan saat pelatihan / training dan dihitung galatnya:

δk = ( fk – yk) f (y_ink) (2.5)

Karena f’ (y_ink) = yk menggunakan fungsi sigmoid, maka:

F (y_ink) = f (y_ink) ( 1 – f (y_ink) (2.6)

Menghitung perbaikan faktor penimbang (kemudian untuk memperbaiki wjk).

Δ Wkj = α.δk. Z1 (2.7)

Menghitung perbaikan koreksi:

Δ Wok = α.δk (2.8)

Dan menggunakan nilai δk pada semua unit lapisan sebelumnya.

e. Masing-masing penimbang yang menghubungkan unit-unit lapisan keluaran

dengan unit-unit pada lapisan tersembunyi (Zj, j = 1…,p) dikalikan delta dan

dijumlahkah sebagaimana masukan ke unit-unit lapisan berikutnya.

∑=

∂=∂n

kjkk Win

11_ (2.9)


Selanjutnya dikalikan dengan turunan dari fungsi aktifasinya untuk menghitung galat.

δ1 = δ_ in1 f (y_in1) (2.10)

Kemudian menghitung perbaikan penimbang (digunakan untuk memperbaiki Vij).

Δ Vy = αδ1 X1 (2.11)

Kemudian menghitung perbaikan bias (untuk memperbaiki Voj)

Δ Voj = αδ1 (2.12)

Memperbaiki penimbang dan bias

f. Masing-masing keluaran unit (yk, k = 1,…………m) diperbaiki bias dan

penimbangnya (j = 0, ……P).

Wjk (baru) = Vjk (lama) + Δ Vjk (2.13)

Masing-masing unit tersembunyi (Zj, j : 1,…….p) diperbaiki bias dan penimbangnya

( j=0,…..n).

Vjk (baru) Vjk (lama) + Δ Vjk (2.14)

g. Uji kondisi pemberhentian akhir iterasi.

2.4. Model Transformasi Wavelet

Transformasi wavelet merupakan alat yang ideal untuk mendeteksi fluktuasi-

fluktuasi periodik yang bersifat transien dan juga parameter-parameternya, karena

mampu memusatkan perhatian pada suatu rentang waktu terbatas dari data yang ada

dan dapat mengambarkan proses dinamik nonlinear komplek yang diperlihatkan oleh

interaksi gangguan dalam skala ruang dan waktu.


Transformasi wavelet dikembangkan sebagai pendekatan alternatif dari Short Term

Fourier Transform untuk mengatasi masalah resolusi tersebut. Analisa Wavelet

dilakukan dengan cara yang sama dengan analisa STFT, dalam pengertian bahwa

sinyal (deret waktu) dikalikan dengan suatu fungsi, {\wavelet}, mirip dengan fungsi

jendela STFT, dan transformasi dihitung secara terpisah untuk segmen-segmen yang

berbeda dari sinyal domain waktu (Modul Desiminasi hasil-hasil LITBANG, 2007

dalam Wiryajaya.et.al, 2009).

2.5. Sistem Informasi Geografis dengan Arc View 3.3

Perangkat lunak sistem informasi geografi saat ini telah banyak dijumpai

dipasaran. Masing-masing perangkat lunak ini mempunyai kelebihan dan kekurangan

dalam menunjang analisis informasi geografi. Salah satu yang sering digunakan saat

ini adalah ArcView. ArcView yang merupakan salah satu perangkat lunak Sistem

Infrmasi geografi yang di keluarkan oleh ESRI (Environmental Systems Research

Intitute). ArcView dapat melakukan pertukaran data, operasi-operasi matematik,

menampilkan informasi spasial maupun atribut secara bersamaan, membuat peta

tematik, menyediakan bahasa pemograman (script) serta melakukan fungsi-fungsi

khusus lainnya dengan bantuan extensions seperti spasial analyst dan image analyst

(ESRI).


ArcView dalam operasinya menggunakan, membaca dan mengolah data dalam

format Shapefile, selain itu ArcView jaga dapat memanggil data-data dengan format

BSQ, BIL, BIP, JPEG, TIFF, BMP, GeoTIFF atau data grid yang berasal dari

ARC/INFO serta banyak lagi data-data lainnya. Setiap data spasial yang dipanggil

akan tampak sebagai sebuah Theme dan gabungan dari theme-theme ini akan tampil

dalam sebuah view. ArcView mengorganisasikan komponen-komponen programnya

(view, theme, table, chart, layout dan script) dalam sebuah project. Project

merupakan suatu unit organisasi tertinggi di dalam ArcView.

Salah satu kelebihan dari ArcView adalah kemampaunnya berhubungan dan berkerja

dengan bantuan extensions. Extensions (dalam konteks perangkat lunak SIG

ArcView) merupakan suatu perangkat lunak yang bersifat “plug-in” dan dapat

diaktifkan ketika penggunanya memerlukan kemampuan fungsionalitas tambahan

(Prahasta). Extensions bekerja atau berperan sebagai perangkat lunak yang dapat

dibuat sendiri, telah ada atau dimasukkan (di-instal) ke dalam perangkat lunak

ArcView untuk memperluas kemampuan-kemampuan kerja dari ArcView itu sendiri.

Contoh-contoh extensions ini seperti Spasial Analyst, Edit Tools v3.1, Geoprocessing,

JPGE (JFIF) Image Support, Legend Tool, Projection Utility Wizard, Register and

Transform Tool dan XTools Extensions ( 2010a).

Sistem Informasi Geografis (GIS) merupakan suatu bidang kajian ilmu yang relatif

baru yang dapat digunakan oleh berbagai bidang disiplin ilmu sehingga berkembang


dengan sangat cepat. Secara umum, satu fungsi dari GIS yang sangat penting adalah

kemampuan untuk menganalisis data, terutama data spasial yang kemudian

menyajikannya dalam bentuk suatu informasi spasial berikut data atributnya

(Imantho. 2004).

Berbagai macam fungsi analisis dapat dilakukan dengan menggunakan software

ArcView GIS 3.3, termasuk diantaranya spasial analisis, 3D analisis, network analisis

dan sebagainya. Dalam studi kajian ini proses dan modeling dilakukan dengan

pendekatan rasterisasi (grid) dalam pemodelan spasial analisis. Spasial analisis

mempunyai fungsi untuk menghitung suatu kerapatan dengan membuat grid bersifat

kontinyu dimana setiap selnya mengandung informasi jumlah per satuan luas.

Komponen utama dalam analisis spasial adalah theme grid dimana layer geografis

yang ditampilkan kenampakan objek dalam bentuk segi empat (sel) pada view. Setiap

sel (piksel) menyimpan nilai numerik yang mengekspresikan informasi geografis

yang diwakili. Theme grid yang menyimpan nilai integer tersebut dapat dihubungkan

dengan tabel. Sel yang mempunyai nilai sama akan memiliki nilai atribut yang sama.

Untuk membuat theme grid kontinyu dari data titik shapefile terdapat fasilitas

interpolasi grid. Proses interpolasi adalah mengisi kekosongan data dengan

menggunakan metoda tertentu dari satu kumpulan data untuk menghasilkan sebaran

yang kontinyu. Sebuah interpolasi data hujan di masing-masing stasiun digunakan

untuk memperoleh grid kontinyu data curah hujan yang selanjutnya dapat dibuat peta

isohyet, dan sebagainya (Nuarsa, 2005).


Sistem Informasi Geografi (SIG) atau Geographic Information System (GIS) adalah

suatu sistem informasi yang dirancang untuk bekerja dengan data yang bereferensi

spasial atau berkoordinat geografi atau dengan kata lain suatu SIG adalah suatu

sistem basis data dengan kemampuan khusus untuk menangani data yang bereferensi

keruangan (spasial) bersamaan dengan seperangkat operasi kerja (Barus dan

Wiradisastra, 2000).

Disamping itu, SIG juga dapat menggabungkan data, mengatur data dan melakukan

analisis data yang akhirnya akan menghasilkan keluaran yang dapat dijadikan acuan

dalam pengambilan keputusan pada masalah yang berhubungan dengan geografi (As-

Syakur , 2008).

Data-data yang diolah dalam SIG pada dasarnya terdiri dari data spasial dan data

atribut dalam bentuk digital, dengan demikian analisis yang dapat digunakan adalah

analisis spasial dan analisis atribut. Data spasial merupakan data yang berkaitan

dengan lokasi keruangan yang umumnya berbentuk peta. Sedangkan data atribut

merupakan data tabel yang berfungsi menjelaskan keberadaan berbagai objek sebagai

data spasial.

Bentuk produk suatu SIG dapat bervariasi baik dalam hal kualitas, keakuratan dan

kemudahan pemakainya. Hasil ini dapat dibuat dalam bentuk peta-peta, tabel angka-

angka: teks di atas kertas atau media lain (hard copy), atau dalam cetak lunak (seperti

file elektronik) (Barus dan Wiradisastra, 2000).


2.6. Validasi Prakiraan

Validasi dapat diterapkan pada berbagai model prakiraan karena pada

dasarnya data yang dipakai dalam proses validasi adalah sama, yaitu observasi (data

real) dan hasil prakiraan.

Validasi dapat dilakukan melalui cara sebagai berikut :

Korelasi dinyatakan dengan suatu koefisien (dinotasikan dengan r ) yang

menunjukkan hubungan (linear) relatif antara dua variabel. Dalam validasi hasil

prakiraan, dua variabel yang dimaksud adalah observasi atau data real (dinotasikan

dengan Y ) dan hasil prediksi (dinotasikan dengan Y ).

Koefisien korelasi dihitung dengan menggunakan persamaan :

∑∑

∑

==

=

−−

−−=

n

ii

n

ii

n

iii

YY

YYYY

YYYYr

1

2

1

2

1ˆ

)ˆˆ()(

)ˆˆ)((.......... ...............(2.15)

dengan

YYr ˆ = koefisien korelasi antara observasi (data real) dengan hasil prakiraan

iY = observasi (data real) pada periode ke– dengan i ni ,,2,1 L= Y = nilai rata–rata observasi (data real)

iY = hasil prakiraan pada pada periode ke– i dengan ni ,,2,1 L=

Y = nilai rata–rata hasil prakiraan n = panjang periode


Nilai korelasi berkisar antara -1 sampai dengan +1.

Secara umum interpretasi nilai korelasi dijelaskan sebagai berikut :

1__________5.0__________0__________5.0__________1 ++−−444 3444 2144344214434421444 3444 21

kuatpositifkorelasilemahpositifkorelasilemahnegatifkorelasikuatnegatifkorelasi

Untuk validasi hasil prakiraan dengan menggunakan koefisien korelasi, semakin kuat

korelasi maka semakin bagus hasil validasi (semakin tinggi tingkat akurasi

prakiraan).(Sutamto dan Alifi Maria Ulfah, 2007).

2.7. Normalisasi Data

Fungsi yang digunakan adalah fungsi hyperbolic tangent. Keduanya memiliki range

antara -1 sampai 1. Untuk fungsi hyperbolic tangent, dirumuskan sebagai :

xx

xx

eeeexfy −

−

+−

== )( (2.16)

sehingga data harus di normalisasi pada rentangan [-1 1]. Poses normalisasi data ditentukan

dengan persamaan:

1min)max(

min)(2 −−

−=

XXXXny

(2.17)

Dimana y merupakan data hasil normalisasi, Xn merupaka data asli, Xmax dan Xmin

merupakan data terbesar dan terkecil dari X (Suyanto., 2008).


Documents

BAB II TINJAUAN PUSTAKA 2.1 Pengertian Hujanrepository.usu.ac.id/bitstream/123456789/19244/4/Chapter II.pdf · cumulunimbus dimana hujannya lebat dan cuaca yang timbul ... maka cuaca