Penerapan metode Support Vector Regression (SVR) pada prediksi curah hujan di Jawa Timur

INDONESIA:

Prediksi masa depan adalah menganalisis tren masa lalu dengan mengasumsikan bahwa tren masa depan akan terus mirip dengan tren historis. Penelitian ini bertujuan untuk mengevaluasi metode Support Vector Regression (SVR) dengan algoritma grid search optimization dalam memprediksi curah hujan di Jawa Timur. Dua pendekatan utama yang digunakan pada penelitian ini yaitu: prediksi curah hujan tanpa mempertimbangkan faktor meteorologi dan prediksi curah hujan dengan memperhitungkan faktor meteorologi. Hasil penelitian menunjukkan bahwa model SVR tanpa faktor meteorologi, menggunakan kernel Radial Basis Function (RBF) dengan parameter C= 1, γ=0,0625 dan ε=0 menghasilkan tingkat akurasi yang akurat yaitu R^2 sebesar 99,99%. Sementara model SVR dengan memperhitungkan faktor meteorologi, juga menggunakan kernel Radial Basis Function (RBF) dengan parameter terbaik diperoleh C= 1, γ=0,125 dan ε=0,5 memiliki performa yang sedang dengan nilai R^2=54,56%. Secara keseluruhan, model SVR tanpa faktor meteorologi lebih unggul dalam memprediksi curah hujan di Jawa Timur pada tahun 2017-2023, menjadikannya pilihan yang lebih efektif dalam penerapan model SVR. Peningkatan keakuratan prediksi curah hujan dapat memberikan manfaat signifikan dalam pengambilan keputusan terkait sumber daya air dan mitigasi dampak perubahan iklim di wilayah tersebut.

ENGLISH:

Future prediction analyzes past trends by assuming that the future trends will follow historical trends. The research aims to evaluate the Support Vector Regression (SVR) method using the grid search optimization algorithm to predict rainfall in East Java. It employed two main approaches: rainfall prediction with and without considering meteorology factor. It employed two main approaches: rainfall prediction with and without considering the meteorology factor. The research result shows that the SVR model, without considering the meteorology factor, using the Radial Basis Function (RBF) kernel with the parameter C= 1, γ=0,0625 and ε=0 creates an accurate accuracy level with R^2 value of 99,98%. Meanwhile, the SVR model by considering meteorology factor, also using the Radial Basis Function (RBF) kernel but with the best parameter C= 1, γ=0,125 dan ε=0,5 has a quite good performance with R^2 value of 54,56%.. Generally, the SVR model, without considering the meteorology factor, is better in predicting the rainfall in East Java in 2017-2023. Therefore, it becomes a more effective choice in the SVR model implementation. The rainfall prediction accuracy can be significantly beneficial in making decisions related to water resources and mitigating climate changes in the area.

مستخلص البحث:

لتنبؤاملستقبلي هو حتليل االجتاهات السابقة من خالل افرتاض أن االجتاهات املستقبلية ستظل مشاهبة لالجتاهاتالسابقة. هدف هذا البحثإىل تقييم طريقة احنداراملتجه الداعم (SVR) ابستخدام خوارزمية حتسني البحثالشبكييف التنبؤ هبطول األمطار يف جاوىالشرقية. املدخالنالرئيسيان املستخدمان يف هذا البحثمها: التنبؤهبطول األمطار دون مراعاة عوامل األرصاد اجلوية والتنبؤ هبطول األمطار مع مراعاة عوامل األرصاد اجلوية. أظهرتالنتائج أن منوذجSVRبدون عواملاألرصاداجلوية، ابستخدام نواة دالة األساس الشعاعي (RBF) مع املعلماتC=1و