Data hidroklimatologi seperti curah hujan, kelembaban, suhu, kecepatan angin, dan durasi sinar matahari berperan penting dalam memantau perubahan iklim dan memfasilitasi perencanaan pertanian, termasuk estimasi evapotranspirasi, pengelolaan air, dan desain pola tanaman. Kebutuhan untuk membuat model dan memperkirakan data ini secara akurat dan cepat mendorong perlunya metodologi yang efektif. Prediksi yang akurat atas data ini memerlukan penggunaan metode yang sesuai, seperti jaringan syaraf tiruan (JST), yang mampu memproses banyak masukan data.
Meskipun terdapat kemajuan signifikan dalam prediksi iklim, pengenalan pola dan klasifikasi, kombinasi algoritma Backpropagation (BP) dan Relevance Vector Machine (RVM) untuk meningkatkan sistem komputasi masih belum dieksplorasi secara menyeluruh. BP telah diimplementasikan dalam peramalan deret waktu menggunakan fungsi pelatihan dan aktivasi yang ada dengan dua lapisan tersembunyi. Sebaliknya, algoritma RVM, yang dilatih hanya dengan kernel radial basis function (RBF), tidak memiliki lapisan tersembunyi. Oleh karena itu, penggabungan kedua algoritma ini dapat memberikan implikasi penting pada konstruksi arsitektur, dengan memperkenalkan serangkaian fungsi pelatihan.
Penelitian ini memperkenalkan algoritma hybrid, yang mengintegrasikan BP dan RVM (BP-RVM) dengan kernel radial basis function (RBF). Analisis komparatif dilakukan antara fungsi aktivasi RBF dan Logsig bersama dengan backpropagation tangguh (trainrp) dan backpropagation Levenberg-Marquardt (trainlm). Algoritma ini digunakan untuk memprediksi dan mengkategorikan data curah hujan, suhu, kecepatan angin, kelembaban, dan durasi sinar matahari. Melalui uji coba ekstensif, parameter arsitektur dalam proses pelatihan-pengujian algoritma BP-RVM ditentukan dengan cermat. Nilai mean squared error (MSE) dan mean absolute perception error (MAPE) menunjukkan akurasi perkiraan yang tinggi (<10%). Meskipun kombinasi fungsi kernel RBF-trainlm menunjukkan tingkat penyelesaian epoch yang lebih cepat, algoritma BP-RVM dengan kombinasi fungsi kernel RBF-trainrp direkomendasikan untuk tahap prediksi data di masa depan karena menghasilkan kesalahan yang lebih rendah. Algoritma BP-RVM-RBF-trainrp mengungguli BP-RVM-RBFtrainlm, dengan rata-rata selisih error sebesar 1,39% pada proses pelatihan dan 2,28% pada proses pengujian. Algoritme dan arsitektur yang teridentifikasi menyajikan potensi untuk penerapan masa depan dalam penghitungan evapotranspirasi dan perencanaan pola tanaman berdasarkan data hidroklimatologi.
Oleh karena itu, kami merekomendasikan arsitektur algoritma BP-RVM-RBF untuk meramalkan berbagai jenis data hidroklimatologi, seperti menentukan volume curah hujan efektif, evapotranspirasi, dan kebutuhan air tanaman, yang sangat penting untuk merancang pola tanam di masa depan. Namun, kami mengamati ketidakkonsistenan jumlah neuron di setiap lapisan ketika fungsi RBF diterapkan ke setiap lapisan tersembunyi selama percobaan. Temuan ini memerlukan penyelidikan lebih lanjut dalam penelitian masa depan.
Informasi detail dari riset ini dapat dilihat pada tulisan kami di:
Authors: Syaharuddin, Fatmawati, Herry Suprajitno, Ibrahim.
Title: Hybrid Algorithm of Backpropagation and Relevance Vector Machine with Radial Basis Function Kernel for Hydro-Climatological Data Prediction.
