PREDIKSI RADIASI MATAHARI DENGAN PENERAPAN METODE ELMAN RECURRENT NEURAL NETWORK

Abstract

Bumi menerima energi panas dari matahari yang disebut sebagai radiasi matahari. Energi panas sekitar 51% yang mencapai bumi dan sisanya diserap oleh awan beserta gas-gas lain yang berada di atmosfer. Radiasi matahari bermanfaat bagi manusia sebagai penghangat dan penerangan ruangan, pengeringan hasil pertanian dan perikanan, proses fotosintesis tumbuhan, sebagai sumber energi baru dan lain sebagainya. Radiasi matahari juga bisa menimbulkan kerugian seperti menyebabkan kulit terbakar, penyakit mata, demam, sakit kepala dan pemanasan bagi lingkungan. Pengamatan terhadap energi panas ini dilakukan oleh Badan Meteorologi dan Geofisika (BMKG) yang tersebar pada beberapa stasiun di seluruh wilayah Indonesia. BMKG melakukan pencatatan besaran radiasi yang sampai ke bumi dengan melihat durasi penyinaran matahari, kemudian besaran pengaruhnya terhadap lingkungan seperti suhu udara, curah hujan dan kelembaban udara. Metode Elman Recurrent Neural Network (ERNN) merupakan salah satu metode kecerdasan buatan pada jaringan syaraf tiruan. Penelitian ini diharapkan dapat memprediksi besaran radiasi dan pengaruhnya pada lingkungan sehingga dapat dilakukan antisipasi pengaruh buruk kedepannya yang dapat diterima manusia dan lingkungan. ERNN akan memprediksi besaran pancaran radiasi matahari (W/m²) menggunakan data masukan hasil pencatatan BMKG yang dipengaruhinya yaitu durasi penyinaran matahari (%), suhu udara (⁰Celcius), curah hujan (mm) dan kelembaban udara (%). Menggunakan beberapa skenario pelatihan dan pengujian dengan pemberian nilai set parameter yang berbeda, menghasilkan nilai akurasi terbaik sebesar 96,33% pada pembagian data latih dan data uji 90%:10% dengan set parameter nilai learning rate 0,1 epoch 500 dan minimal error 0,0001.