Prediksi curah hujan bulanan berbasis indeks iklim global di Pacet menggunakan Ensemble Multi-Layer Perceptron

INDONESIA:

Kecamatan Pacet, Kabupaten Mojokerto, merupakan wilayah dataran tinggi dengan kemiringan lereng curam dan struktur tanah yang gembur, sehingga memiliki tingkat kerentanan tinggi terhadap bencana tanah longsor. Oleh karena itu, prediksi curah hujan bulanan menjadi langkah penting dalam upaya mitigasi bencana. Penelitian ini bertujuan untuk memprediksi curah hujan bulanan di Pacet menggunakan pendekatan Artificial Neural Network (ANN) berbasis Multilayer Perceptron (MLP) dengan skema ensemble bagging dan variabel input berupa indeks iklim global dan variabel target merupakan data curah hujan CHIRPS curah hujan, anomali, longsor, MLP, ensemble bagging yang telah terbukti akurat di wilayah Jawa Timur. Model dasar (base learner) yang digunakan dalam ensemble merupakan arsitektur MLP terbaik dengan konfigurasi dual hidden layer (1–1) yang sebelumnya diperoleh dari hasil evaluasi berbagai skenario arsitektur. Skema ensemble bagging dilakukan dengan teknik bootstrap resampling sebanyak 100 kali (resampling with replacement), di mana setiap hasil prediksi model dirata-ratakan untuk memperoleh keluaran akhir. Hasil prediksi tersebut kemudian diverifikas menggunakan tabel kontingensi BMKG (akurasi, false alarm, dan miss classification) terhadap ambang curah hujan ekstrem >500 mm per bulan berdasarkan ambang probabilitas 50%, 60%, 70%, 80%, dan 90%,. Hasil penelitian menunjukkan bahwa model MLP tunggal mencapai akurasi 88,4%, dengan false alarm 22,8% dan miss classification 29,3%. Selanjutnya, MLP ensemble bagging menunjukkan peningkatan kinerja, mencapai akurasi tertinggi 89,0%, false alarm 22,2% dan miss classification terendah 26,3%. pada ambang batas Pa50, sementara false alarm terendah 20,0% diperoleh pada ambang batas Pa70. Temuan ini menunjukkan bahwa MLP ensemble bagging meningkatkan stabilitas dan keandalan prediktif dibandingkan dengan model MLP tunggal. Pendekatan ini mampu meningkatkan keandalan prediksi anomali curah hujan bulanan, sehingga dapat digunakan sebagai alat bantu dalam sistem peringatan dini bencana longsor di wilayah Pacet.

ENGLISH:

Pacet District, located in Mojokerto Regency, is a highland area characterized by steep slopes and loose soil structure, resulting in a high level of vulnerability to landslides. Therefore, predicting monthly rainfall becomes an essential step in disaster mitigation efforts. This study aims to predict monthly rainfall in Pacet using an Artificial Neural Network (ANN) based on a Multilayer Perceptron (MLP) with an ensemble bagging scheme. The input variables consist of global climate indices, while the target variable uses CHIRPS rainfall data, which has been proven accurate for the East Java region. The base learner used in the ensemble is the best-performing MLP architecture with a dual hidden layer configuration (1–1), selected based on the evaluation of various architectural scenarios. The ensemble bagging scheme is implemented through 100 bootstrap resampling iterations (resampling with replacement), and the prediction outputs of all models are averaged to obtain the final result. The predictions are then verified using BMKG’s contingency table metrics (accuracy, false alarm, and miss classification) against an extreme monthly rainfall threshold of >500 mm, evaluated at probability thresholds of 50%, 60%, 70%, 80%, and 90%. The results show that the single MLP model achieves an accuracy of 88.4%, with a false alarm rate of 22.8% and a miss classification rate of 29.3%. Meanwhile, the MLP ensemble bagging approach demonstrates improved performance, achieving the highest accuracy of 89.0%, a false alarm rate of 22.2%, and the lowest miss classification rate of 26.3% at the 50% probability threshold (Pa50). The lowest false alarm rate of 20.0% is observed at the 70% probability threshold (Pa70). These findings indicate that the MLP ensemble bagging approach enhances the stability and predictive reliability compared to the single MLP model. This approach effectively improves the reliability of monthly rainfall anomaly prediction and can serve as a supporting tool for landslide early warning systems in the Pacet region.

ARABIC:

منطقة باجيت، مقاطعة موجوكيرتو، هي منطقة مرتفعة ذات منحدرات شديدة الانحدار وتربة منفوشة، ما يجعلها عرضة بشكل كبير لانزلاقات الأراضي. لذلك، يُعد التنبؤ بالأمطار الشهرية خطوة مهمة في جهود التخفيف من الكوارث. تهدف هذه الرسالة إلى التنبؤ بالأمطار الشهرية في باجيت باستخدام مدخل الشبكات العصبية الاصطناعية (ANN) المستند إلى متعدد الطبقات (MLP) مع مخطط التجميع بالحقائب ومتغيرات الإدخال هي مؤشر المناخ العالمي، ومتغير الهدف هو بيانات هطول الأمطار CHIRPS التي أثبتت دقتها في منطقة جاوى الشرقية. النموذج الأساسي المستخدم في التجميع هو أفضل هيكل MLP مع تكوين مزدوج للطبقة المخفية (1–1) الذي تم الحصول عليه مسبقًا من تقييم سيناريوهات هيكلية متعددة. تم تنفيذ مخطط التجميع بالحقائب باستخدام تقنية إعادة أخذ عينات بالتمهيد 100 مرة (إعادة أخذ العينات مع الاستبدال)، حيث يتم حساب متوسط كل نتائج تنبؤ النموذج للحصول على المخرجات النهائية. بعد ذلك، تم التحقق من صحة نتائج التنبؤ باستخدام جدول التوافق من وكالة الأرصاد الجوية والمناخ والجيوفيزياء BMKG (الدقة، الإنذار الكاذب، والتصنيف الخاطئ) مقابل عتبة هطول الأمطار القصوى > 500 ملم شهريًا بناءً على احتمالية 50%، 60%، 70%، 80%، و90%. أظهرت نتائج البحث أن نموذج MLP الفردي يصل إلى دقة 88.4%، مع إنذار كاذب بنسبة 22.8% وتصنيف خاطئ بنسبة 29.3%. بعد ذلك، أظهر نموذج MLP التجميع بالحقائب تحسينًا في الأداء، حيث وصل إلى أعلى دقة 89.0%، وإنذار كاذب 22.2% وتصنيف خاطئ منخفض بنسبة 26.3% عند عتبة Pa50، بينما كانت أقل نسبة إنذار كاذب 20.0% عند عتبة Pa70 . أشارت هذه النتائج إلى أن MLP التجميع بالحقائب يعزز الاستقرار والموثوقية التنبؤية مقارنةً بالنموذج MLP الفردي. يمكن لهذا المدخل تعزيز موثوقية التنبؤ بالشذوذ في هطول الأمطار الشهري، مما يجعله أداة مساعدة في نظام الإنذار المبكر بالانهيارات الأرضية في منطقة باجيت.