Analisis Peramalan Curah Hujan Menggunakan Metode Mesin Pembelajaran Ekstrim (Studi Kasus: Stasiun Klimatologi Jawa Timur)

Pramono, Anjas and Arief Andy Soebroto, S.T., M.Kom (2024) Analisis Peramalan Curah Hujan Menggunakan Metode Mesin Pembelajaran Ekstrim (Studi Kasus: Stasiun Klimatologi Jawa Timur). Sarjana thesis, Universitas Brawijaya.

Abstract

Penelitian ini fokus pada analisis peramalan curah hujan di Indonesia, sebuah negara tropis yang terdapat curah hujan tinggi sehingga menyebabkan banjir dan tanah longsor. Stasiun Klimatologi Jawa Timur, terletak di Kabupaten Malang, merupakan pusat informasi cuaca dan sering terkena dampak banjir. Studi ini mengidentifikasi pola data historis secara sistematis untuk peramalan yang akurat. Metode peramalan yang digunakan adalah Jaringan Saraf Tiruan, khususnya Extreme Learning Machine (ELM). ELM dianggap efektif dengan tingkat kesalahan rendah dan kecepatan pelatihan yang tinggi. Penelitian ini membandingkan kinerja ELM dibandingkan metode tradisional seperti KNN dan SVM, menunjukkan superioritas ELM dalam kecepatan dan kinerja komputasi. Sebuah studi kasus menggunakan judul "Analisis Peramalan Curah Hujan Menggunakan Metode Extreme Learning Machine (Studi Kasus: Stasiun Klimatologi Jawa Timur)" menyoroti penerapan ELM dalam konteks ini. Temuan penelitian ini dapat mendukung upaya pencegahan banjir melalui peramalan yang lebih akurat. Kinerja peramalan curah hujan dengan metode ELM memperoleh nilai Mean Squared Error (MSE) 0,021 rasio parameter data pelatihan dan data pengujian sebesar 50% - 50% dan jumlah hidden neuron sebanyak 10 neuron.

English Abstract

This research focuses on analyzing rainfall forecasting in Indonesia, a tropical country with high rainfall that causes floods and landslides. The East Java Climatology Station, located in Malang Regency, is a weather information center and is often affected by flooding. This study identifies historical data patterns systematically for accurate forecasting. The forecasting method used is Artificial Neural Network, specifically Extreme Learning Machine (ELM). ELM is considered effective with low error rate and high training speed. This research compares the performance of ELM against traditional methods such as KNN and SVM, showing the superiority of ELM in computational speed and performance. A case study using the title "Rainfall Forecasting Analysis Using Extreme Learning Machine Method (Case Study: East Java Climatology Station)" highlights the application of ELM in this context. The findings of this study can support flood prevention efforts through more accurate forecasting. The performance of rainfall forecasting with the ELM method obtained a Mean Squared Error (MSE) value of 0.021, a ratio of training data parameters and test data of 50% - 50% and the number of hidden neurons of 10 neurons.

Item Type: Thesis (Sarjana)
Identification Number: 0524150293
Uncontrolled Keywords: analisis peramalan, curah hujan, jaringan syaraf tiruan, ELM- forecast, rainfall, artificial neural network, ELM, MSE
Divisions: Fakultas Ilmu Komputer > Teknik Informatika
Depositing User: soegeng sugeng
Date Deposited: 12 Jun 2024 04:34
Last Modified: 12 Jun 2024 04:34
URI: http://repository.ub.ac.id/id/eprint/220584
[thumbnail of DALAM MASA EMBARGO] Text (DALAM MASA EMBARGO)
Anjas Pramono.pdf
Restricted to Registered users only

Download (6MB)

Actions (login required)

View Item View Item