Prediksi curah hujan dengan metode jaringan saraf tiruan ( JST ) backpropogation sebagai pendukung kalender tanam tembakau di kabupaten Bojonegoro

ABSTRAK:

Produksi tembakau di Kabupaten Bojonegoro mengalami penurunan signifikan akibat ketidakpastian pola curah hujan yang dipengaruhi perubahan iklim. Sebagai solusi, penelitian ini mengembangkan model prediksi curah hujan bulanan menggunakan algoritma Backpropagation dalam arsitektur Jaringan Saraf Tiruan (JST) 12-15-1. Model dilatih menggunakan data meteorologi periode 2010–2022 dengan pendekatan stratifikasi temporal, mempertahankan urutan kronologis data untuk menghindari overfitting. Proses pelatihan melibatkan aktivasi sigmoid, evaluasi error menggunakan Mean Squared Error (MSE), serta pembaruan bobot dengan algoritma Levenberg-Marquardt. Hasilnya, model mencapai konvergensi dalam 9 epoch dengan nilai MSE 6.96×10⁻⁶ dan koefisien determinasi R² sebesar 0.99983, hanya dalam waktu komputasi 8 detik. Prediksi curah hujan tahun 2023 menunjukkan periode kering optimal pada Juni–Agustus (0.03–0.74 mm) sebagai waktu tanam terbaik tembakau Virginia, sementara curah hujan tinggi pada September–Oktober (11.61–12.56 mm) berisiko menurunkan kualitas hasil panen. Implementasi sistem ini di lapangan menunjukkan bahwa 72% petani yang mengikuti rekomendasi kalender tanam digital berhasil meningkatkan produktivitas dengan menurunnya insiden penyakit tanaman hingga 12%. Temuan ini membuktikan bahwa model JST yang dikembangkan dapat menjadi alat prediksi cuaca presisi yang andal serta mendukung ketahanan pangan lokal dalam menghadapi perubahan iklim.

ABSTRACT:

: Tobacco production in Bojonegoro Regency has experienced a significant decline due to the uncertainty of rainfall patterns influenced by climate change. As a solution, this study developed a monthly rainfall prediction model using the Backpropagation algorithm in an Artificial Neural Network (ANN) architecture of 12-15-1. The model was trained using meteorological data from 2010 to 2022, applying a temporal stratification approach to preserve the chronological sequence of the dataset and minimize overfitting. The training process involved sigmoid activation, error evaluation using Mean Squared Error (MSE), and weight updates through the Levenberg-Marquardt algorithm. The model achieved convergence within just 9 epochs, yielding an exceptionally low MSE of 6.96×10⁻⁶ and a determination coefficient (R²) of 0.99983, with a computation time of only 8 seconds. Rainfall prediction results for 2023 identified the June–August period (0.03–0.74 mm) as the optimal dry window for planting Virginia tobacco, while high rainfall in September–October (11.61–12.56 mm) posed a significant risk to crop quality and disease incidence. Field implementation showed that 72% of farmers who followed the AI-generated planting calendar achieved higher productivity and reduced disease incidence to only 12%. These findings demonstrate that the developed ANN model serves as a reliable tool for precision weather forecasting and supports local food security initiatives in the face of climate change.:

مستخلص البحث:

شهد إنتاج التبغ في محافظة بوجونيجورو انخفاضًا كبيرًا بسبب عدم انتظام نمط هطول الأمطار الناتج عن التغير المناخي. كحل لهذه المشكلة، تم تطوير نموذج لتنبؤ هطول الأمطار الشهرية باستخدام خوارزمية الانتشار العكسي (Backpropagation) ضمن بنية الشبكة العصبية الاصطناعية (ANN) بتركيبة (١٢-١٥-١). تم تدريب النموذج باستخدام بيانات الأرصاد الجوية للفترة من عام ٢٠١٠ حتى عام ٢٠٢٢، وذلك باستخدام منهجية التقسيم الزمني للحفاظ على الترتيب الزمني للبيانات وتقليل احتمالية فرط التكيف (Overfitting). شملت عملية التدريب تفعيل دالة سيجمويد، وتقييم الخطأ باستخدام متوسط مربع الخطأ (MSE)، وتحديث الأوزان باستخدام خوارزمية Levenberg-Marquardt. حقق النموذج تقاربًا في ٩ دورات فقط، بنتيجة MSE قدرها ‎٦٫٩٦×١٠⁻⁶ ومعامل تحديد (R²) بلغ ‎٠٫٩٩٩٨٣، ووقت تنفيذ لا يتجاوز ٨ ثوانٍ. أظهرت نتائج التنبؤ لعام ٢٠٢٣ أن الفترة من يونيو إلى أغسطس (٠٫٠٣ – ٠٫٧٤ ملم) تشكل نافذة مثالية لزراعة تبغ فرجينيا، في حين أن الأمطار الغزيرة خلال شهري سبتمبر وأكتوبر (١١٫٦١ – ١٢٫٥٦ ملم) قد تزيد من مخاطر الأمراض وتدهور جودة المحصول. أظهر التطبيق الميداني أن ‎٪٧٢ من المزارعين الذين اتبعوا تقويم الزراعة المستند إلى التنبؤ حققوا إنتاجية أعلى، وانخفضت الإصابة بالأمراض إلى ‎٪١٢ فقط. تثبت هذه النتائج أن النموذج المقترح يوفر أداة دقيقة للتنبؤ بالطقس، ويدعم الزراعة الذكية والأمن الغذائي المحلي في مواجهة تغير المناخ