Prediksi Curah Hujan Kecamatan di Jawa Timur menggunakan Algoritma Backpropagation Neural Network berdasarkan Faktor Penentu Curah Hujan

ABSTRACT

Kondisi iklim yang tidak menentu saat ini menyebabkan curah hujan tinggi atau rendah, sehingga mengalami kesulitan dalam memprediksi curah hujan. Namun, dengan bantuan data mining menggunakan curah hujan pada masa mendatang dapat diprediksi berdasarkan faktor yang mempengaruhi curah hujan, seperti: kelembaban udara, tekanan udara, suhu dan kecepatan angin. Salah satu sistem pemrosesan yang dapat digunakan dalam melakukan prediksi adalah jaringan saraf tiruan. Metode yang sering digunakan pada prediksi menggunakan sistem jaringan saraf tiruan adalah backpropagation. Backpropagation memiliki pola yang cocok digunakan untuk membuat prediksi masa depan. Proses perhitungan yang mudah dan sederhana namun juga berkinerja baik, bahkan dengan data yang kompleks. Hasil pengujian model prediksi curah hujan kecamatan berdasarkan 8 faktor penentu curah hujan memiliki nilai MAPE yang relatif lebih kecil. Sedangkan pada prediksi curah hujan kabupaten berdasarkan suhu dan kelembaban memiliki rata-rata nilai MAPE yang lebih besar. Dari model yang telah dibangun ditemukan model jaringan saraf tiruan terbaik, yaitu model AR dengan arsitektur 8-4-1 dan learning rate sebesar 0,18 rata-rata MAPE sebesar 14,52% dan Standar Deviasi sebesar 2,10%.

ABSTRACT:
Today, erratic climate conditions cause high or low rainfall, thus experiencing difficulties in predicting rainfall. But with the help of data-mining uses rainfall, it can be used to predict the future based on factors affecting rain, such as humidity, air pressure, temperature, and wind speed. One of the processing systems that can be used for prediction is Artificial Neural Network. A method often used in predictions using Artificial Neural Network systems is backpropagation. Backpropagation has a suitable pattern used to make future predictions. The calculating process is simple and easy, but it works well even with complex data. The results of testing the district rainfall prediction model based on 8 factors determining rainfall have a relatively smaller MAPE value. In the meantime, predictions of district precipitation based on temperature and humidity have a higher average MAPE value. From the model built, the best artificial neural network model was acquired, namely the AR model with an 8-4-1 architecture and a learning rate of 0.18, an average MAPE of 14.52%, and a Standard Deviation of 2.10%.

مستخلص البحث:

Data
Miningباستخدام سكب المطر فيستطيع أن يتنبأ حسب العامل الآثر بسكب المطر في المستقبل مثلا: رطوبة الهواء وقوة الهواء
ودرجة الحرارة وسريعة الريح. في هذا البحث أنNeural Networkاحدى أنظمة المعاجلة المستخدمة في عمل التنبؤ. أغلب
المنهج للتنبؤ باستخدام نظامNeural NetworkهوBackpropagation. يحتويBackpropagationعلى نمط مناسب
في التنبؤ المستقبل. مع ذلك، عملية حسابه سهل وبسيط ويعمل بجيد مع البيانات المُجمّعة. نتائج اختبار سكب المطر على مستوى
الفرعية المستند إلى ثمانية عوامل المحدد لها قيمةMAPEأصغر نسبيا، بخلاف سكب المطر على مستوى المديرية المستند إلى درجة
الحرارة والرطوبة لها قيمة متوسطMAPEأكبر نسبيا. من المثال الذي تم بناؤه، وجد أن أفضل المثال للشبكة العصبية الاصطناعية
(Neural Network)هو مثالARبهندسة٨-٤-١ومستوى التعلم0,18ومعدّلMAPEهو14,52% والانحراف
المعياري هو2,10%