Penerapan Machine Learning Guna Memprediksi Iklim

Climate4life.info - Penerapan Machine Learning guna Memprediksi Iklim

Machine Learning adalah salah satu aplikasi yang menjadi bagian dari Artificial Intelligence. Machine Learning dalam bahasa Indonesia disebut juga pembelajaran mesin.

Machine learning  diperuntukkan dalam pengembangan sebuah sistem atau mesin cerdas yang dapat belajar sendiri tanpa harus di program oleh manusia secara berulang kali.

Dengan kecerdasannya diharapkan machine learning dapat menghasilkan prediksi iklim lebih akurat berdasarkan input data yang telah diberikan sebelumnya.

   

• Konsep Dasar Big Data dan Artificial Intelligence Dalam Pengelolaan Data Iklim
•    Cara menjalankan menu forecast pada Climate PredictabilityTool (CPT)
•    Akses Citra Sebaran Curah Hujan berdasarkan Estimasi GSMaP

Artificial Intelligence, Machine Learning dan Deep Learning

Artificial Intelligence sendiri merupakan teknologi buatan manusia yang menggabungkan kemampuan matematikan dengan proses statistika secara algoritmik.

Para ahli menyebut Artificial Intelligence seolah memindahkan kecerdasan otak manusia ke dalam sebuah mesin sehingga mesin tersebut bisa berpikir seperti manusia.

Teknologi Artificial Intelligence akan dapat membaca pola sistem iklim berdasarkan data iklim yang telah tersimpan sebelumnya untuk kemudian menghasilkan prediksi cuaca ataupun iklim berdasarkan pola tersebut.

Hal ini karena dalam Artificial Intelligence terdapat kurang lebih tiga aspek yang mendukung Artificial Intelligence yaitu:

• Fuzzy Logic(FL), 

Metode yang digunakan oleh mesin untuk mengadaptasi atau meniru cara makhluk hidup menyesuaikan kondisi kemudian memberikan keputusan yang tidak kaku yang hanya seperti 0 atau 1.  

• Evolutionary Computing(EC), 

Sebuah pendekatan yang menggunakan skema evolusi dengan jumlah data individu yang banyak. 

Hasil pendekatan kemudian memberikan sebuah pengujian untuk menyeleksi individu terbaik untuk membangkitkan generasi selanjutnya. Penerapannya misalnya menggunakan kawin silang pada tanaman dan hewan. 

• Machine Learning (ML) atau pembelajaran mesin. 

Metode ini merupakan teknik yang paling banyak dikembangkan saat ini. Hal ini karena Machine Learning banyak digunakan untuk menggantikan atau menirukan perilaku manusia dan kemudian membuat keputusan tertentu. 

Di dalam machine learning dikenal lagi terminologi deep learning. Deep learning merupakan salah satu metode implementasi dari machine learning yang bertujuan meniru cara kerja otak manusia menggunakan jaringan syaraf tiruan (JST) atau Artifical Neural Network (ANN).

Hubungan Artificial Intelligence, Machine Learning dan Deep Learning, dijelaskan oleh Richi Nayak [1] seperti pada gambar berikut.

Hubungan Artificial Intelligence, Machine Learning dan Deep Learning

Pemanfaatan machine learning yang paling populer adalah google translate. Google translate tidak diajari grammar, namun diberi inputan pola kata dan kalimat serta terjemahannya.

Machine learning akan mempelajari pola tersebut dan akan memberikan output berdasarkan pola yang dipelajarinya.

Aplikasi machine learning lainnya seperti google assistan, chat box, teknologi mobil tanpa sopir serta aplikasi pemindai mimik wajah yang dapat membedakan wajah saat tersenyum, tertawa atau mimik wajah lainnya.

Machine Learning dan Prediksi Iklim

Qing Yi Feng dkk [2] dalam jurnalnya menerangkan  machine learning telah terbukti  efektif dalam memprediksi energi surya untuk  30 pembangkit listrik tenaga matahari.

Dengan cara yang sama  machine learning juga digunakan untuk menjalankan prediksi iklim seperti prediksi event El Nino, dan prediksi variasi tahunan arus Kuroshio.

• Cara memantau status El Nino dan La Nina
• Apa itu Oceanic Nino Index (ONI)

Menurut Qing Yi Feng dkk, keberadaan el nino jelas membawa dampak pada pola iklim di sekitar Pasifik. Karenanya keberadaan model yang dapat memprediksi kemunculan el nino akan sangat dibutuhkan. 

Qing Yi Feng dkk berhasil membuat toolbox yang disebut Climatelearn yang memanfaatkan machine learning untuk membuat prediksi iklim.

Hasil prediksi iklim berupa kemunculan el nino menggunakan machine learning [2]

John Abbot dan Jennifer Marohasy [3] juga memanfaatkan machine learning dalam membuat prediksi iklim, baik prediksi curah hujan bulanan maupun dalam membuat analisis perubahan iklim.

Telah banyak jurnal yang dihasilkan keduanya mengenai prediksi iklim meski sebagian besar merupakan studi kasus cuaca dan iklim di Australia.

Contoh hasil prediksi curah hujan menggunakan ANN oleh John Abbot dan Jennifer Marohasy [4]

Secara konsep dasar machine learning menjalankan algoritme guna mempelajari rangkaian data yang ada.

Selanjutnya machine learning akan membuat kesimpulan berdasarkan data yang dianalisisnya lalu kemudian menggunakan kesimpulan tersebut untuk menyelesaikan tugasnya dengan cara paling efektif.

Jika diterapkan guna membuatkan prediksi iklim, machine learning menggunakan rumus matematika sederhana berikut:

---------------

Y = f(x)

---------------

Di mana Y  adalah hasil prediksi iklim, bisa berupa prediksi curah hujan, prediksi suhu atau prediksi kemunculan el nino.

X adalah inputan berupa faktor-faktor pembentuk iklim seperti suhu muka laut, tekanan udara, indeks iklim dan lainnya.

Adapun f adalah fungsi, bisa berupa persamaan statistik yang ditanamkan sebagai algoritma pemrosesan machine learning.

Berbeda dengan program statis, machine learning akan memproses output prediksi iklim secara otomatis berdasarkan train dataset.

Komputer akan menjalankan proses belajar (training) guna menghasilkan suatu model prediksi iklim. Dalam proses training ini algoritma machine learning bekerja menerapkan teknik statistika.

Model dari machine learning akan menghasilkan informasi perilaku data iklim. Informasi ini akan dijadikan pengetahuan dalam memecahkan permasalahan yang ada dalam proses input-output prediksi iklim.

Selain menghasilkan informasi perilaku data iklim, model  dari machine learning dapat digunakan untuk menghasilkan output berupa prediksi iklim ke depan.

Prinsip kerja machine learning  seperti pada gambar di bawah ini.

Prinsip kerja machine learning.
Gambar: advernesia.com

Semakin banyak data iklim yang kita input, maka kerja machine learning akan semakin pintar. Sama halnya ketika kita membuat rata-rata iklim hanya dengan data iklim 5 tahun, akan berbeda validitasnya jika kita menggunakan data iklim hingga 30 tahun.

• Memahami konsep rata-rata, normal iklim, dan standard normal iklim 
• Cara Memeriksa Data Iklim yang Hilang dengan Minitab  

Data iklim yang diinput ke dalam machine learning akan akan dibagi menjadi data pembelajaran (train dataset) dan data pengujian (test dataset). Pembagian data iklim inputan bergantung kebutuhan, biasanya porsi train dataset akan lebih besar dari test dataset.

Jika train dataset untuk menghasilkan informasi perilaku data maka test dataset untuk menguji efisiensi model dalam membuat prediksi iklim yang dinyatakan sebagai test score. Semakin banyak data iklim yang kita input, nilai test score yang diperoleh akan semakin bagus.

Machine Learning dan Kualitas Data Iklim

Prediksi iklim yang baik tentunya dihasilkan oleh data iklim yang baik. Machine learning dapat dimanfaatkan sebagai quality control data iklim. Dengan algoritmanya, machine learning akan membuat proses validasi data akan menjadi sederhana tanpa perlu campur tangan manusia.

Sebagaimana dijelaskan sebelumnya bahwa ciri khas machine learning salah satunya kecerdasan memahami pola data. Karenanya dengan machine learning, akan memberi informasi jika terdapat data iklim yang bersifat anomali atau pencilan yang berbeda dari pola iklim biasanya.

Pada akhirnya kualitas prediksi iklim akan menjadi lebih baik karena kualitas data iklim yang digunakan untuk membuat prediksi iklim telah melewati kontrol kualitas data iklim oleh machine learning.

Demikian artikel mengenai pemanfaatan machine learning guna memprediksi iklim. Semoga bermanfaat.

Referensi mengenai machine learning dan prediksi iklim ini bersumber dari:

[1] Dr Richi Nayak : Big Data Analytics, Artificial Intelligence and Machine Learning

[2] Qing Yi Feng dkk : ClimateLearn: A machine-learning approach for climate prediction using network measures

[3] John Abbot dan Jennifer Marohasy : The application of machine learning for evaluating anthropogenic versus natural climate change

[4] John Abbot dan Jennifer Marohasy : Forecasting Extreme Monthly Rainfall Eventsin Regions Of Queensland, Australia Using Artificial Neural Networks

Climate4life.info mendapat sedikit keuntungan dari penayangan iklan dan digunakan untuk operasional blog ini.

Jika menurut anda artikel ini bermanfaat, maukah mentraktir kami secangkir kopi melalu "trakteer id"?