Optimasi CNN dengan GA Pada Prediksi Awal Musim Hujan Berdasarkan Data GCM: Kabupaten Pacitan1) (CNN Optimization Using GA for Rainy Season Onset Prediction Based on GCM Output:Pacitan District)

Abstract

Abstrak:  Di Indonesia, pertanian menjadi sektor penting dalam pembangunan nasional dan pembangunan ekonomi. Awal musim hujan merupakan salah satu variabel iklim yang dapat memengaruhi produksi pertanian. Perubahan awal musim hujan dapat berdampak pada terjadinya gagal panen. Penelitian ini mengembangkan model untuk memprediksi awal musim hujan menggunakan cascade neural network yang dioptimasi menggunakan genetic algorithm berdasarkan data global circulation model pada Kabupaten Pacitan. Data observasi menggunakan data awal musim hujan dari 3 stasiun cuaca, yaitu Arjosari, Kebon Agung, dan Pringkuku. Data prediktor menggunakan data global circulation model antara tahun 1983 – 2011 dari 3 model, yaitu CMC1-CanCM3, CMC1-CanCM4, dan NCEP-CSFv2. Optimasi cascade neural network dengan genetic algorithm dilakukan dengan mengoptimasi jumlah hidden neuron dan menghasilkan peningkatan nilai koefisien korelasi ( r ). Penelitian ini menghasilkan model terbaik dari setiap stasiun cuaca dengan parameter yang berbeda. Nilai r stasiun Arjosari adalah 0.89. Nilai r stasiun Kebon Agung adalah 0.86. Nilai r stasiun Pringkuku adalah 0.87. Abstract. In Indonesia, agriculture becomes an important sector for national development and national economy. The onset of the rainy season is one of the rainfall variables that affect agricultural production. The changing of the onset of rainy season can impact on crop failure. This research aims to develop a model for predicting the onset of rainy season using optimized cascade neural network with genetic algorithm based on global circulation model in Pacitan district. Observational data used is the onset of rainy season of 3 weather stations in Pacitan: Arjosari, Kebon Agung, and Pringkuku. Predictor data used is global circulation model output data between 1983 – 2011 from 3 models: CMC1-CanCM3, CMC1-CanCM4, and NCEP-CSFv2. Optimization of cascade neural network with genetic algorithm has been done by optimizing the amount of hidden neuron and obtained an increase value of correlation coefficient (r). This research obtained the best model from each weather stations with different parameters. R value of Arjosari weather station is 0.89. R value of Kebon Agung weather station is 0.86. R value of Pringkuku weather station is 0.87.