Peramalan Curah Hujan Harian Kabupaten Jember Dengan Jaringan Saraf Tiruan Dan General Circulation Model
Abstract views: 128
DOI:
https://doi.org/10.36456/jstat.vol16.no1.a7862
Keywords:
curah hujan harian, general circulation model, jaringan saraf tiruan, peramalanAbstract
Curah hujan memiliki peran penting di beberapa bidang seperti pertanian dan pengairan. Oleh sebab itu diperlukan model peramalan untuk mengetahui curah hujan di masa yang akan datang. Model peramalan dapat dibentuk menggunakan jaringan saraf tiruan (JST) backpropagation. Hasil akurasi peramalan JST diukur dengan MAE, korelasi dan RMSE. Data lokal sebagai data target model merupakan data rataan curah hujan harian dari 73 stasiun di wilayah kabupaten Jember mulai dari Oktober 2019 hingga Desember 2020. Data global sebagai data input model menggunakan data Global Circulation Model (GCM) model CSIRO-MK3-6-0 dengan eksperimen RCP 2.6. Data GCM direduksi menggunakan principal component analysis (PCA) guna menghindari multikolinieritas pada data. Penelitian ini mengkombinasikan jumlah neuron sebesar 10 hingga 100 neuron dan dua fungsi aktivasi pada model JST. Berdasarkan hasil penelitian, model terbaik yang digunakan untuk peramalan adalah model JST dengan 100 neuron dan fungsi aktivasi biner dengan MAE sebesar 6,1205, korelasi sebesar -0,0125, dan RMSE sebesar 9,0251. hasil peramalan curah hujan harian kabupaten Jember untuk bulan Januari 2021 adalah terjadi curah hujan tertinggi pada hari ke-19 sebesar 10,0471 mm/hari dan curah hujan terendah terdapat pada hari ke-2 sebesar 1,3106 mm/hari.
Downloads
References
A. H. Wigena, “Pemodelan statistical downscaling dengan regresi projection pursuit untuk peramalan curah hujan bulanan,” Disertasi. IPB, 2006.
A. R. Syakhala, D. Puspitaningrum, and E. P. Purwandari, “Perbandingan Metode Principal Component Analysis (PCA) Dengan Metode Hidden Markov Model (HMM) Dalam Pengenalan Identitas Seseorang Melalui Wajah,” Rekursif: Jurnal Informatika, vol. 3, no. 2, Mar. 2016, doi: 10.33369/rekursif.v3i2.743.
L. V. Fausett, Fundamentals of Neural Networks: Architectures, Algorithms, and Applications. London: Prentice-Hall, 1994.
I. Sofian and Y. Apriani, “Metode Peramalan Jaringan Saraf Tiruan Menggunakan Algoritma Backpropagation (Studi Kasus Peramalan Curah Hujan Kota Palembang),” May 2017.
A. Riski, A. F. Hadi, O. Tazkiyah, and D. Anggraeni, “Neural Network and Principal Component Analysis on Statistical Downscaling for Local Rainfall Forecasting,” Journal of Advanced Research in Dynamical and Control Systems, vol. 12, pp. 812–826, May 2020.
K. E. Taylor, R. J. Stouffer, and G. A. Meehl, “An Overview of CMIP5 and the Experiment Design,” Bull Am Meteorol Soc, vol. 93, no. 4, pp. 485–498, Apr. 2012, doi: 10.1175/BAMS-D-11-00094.1. DOI: https://doi.org/10.1175/BAMS-D-11-00094.1
R. A. Johnson and D. W. Wichern, Applied Multivariate Statistical Analysis, 6th ed. Upper Saddle River: Pearson Prentice Hall, 2007.
