Aini, Novi Nur (2017) Peramalan Curah Hujan Dengan Menggunakan Gstar-Backpropagation Neural Network. Sarjana thesis, Universitas Brawijaya.
Abstract
Perubahan iklim adalah berubahnya kondisi fisik atmosfer bumi antara lain suhu dan distribusi curah hujan yang membawa dampak luas terhadap berbagai sektor kehidupan manusia. Salah satu upaya mitigasi perubahan iklim adalah dengan membuat model peramalan curah hujan. Peramalan terhadap curah hujan melibatkan keterkaitan antar waktu dan lokasi. Model space time sudah banyak dikembangkan, diantaranya adalah model Spasial Temporal Autoregressive (STAR) yang diperkenalkan oleh Pfeifer dan Deutsch (1980), Generalized Space-Time Autoregressive (GSTAR) dan GSTAR-OLS yang dikembangkan oleh Borovkova dkk (2002) dan GSTAR-SUR yang dikembangkan oleh Iriany, dkk (2013). Selain melibatkan keterkaitan antar waktu dan lokasi, data curah hujan juga seringkali bersifat nonlinier. Salah satu metode untuk menganalisis data nonlinier adalah dengan menggunakan metode jaringan saraf tiruan. Peneliti menggunakan metode GSTAR-Backpropagation Neural Network dengan tujuan mendapatkan model peramalan yang lebih baik. Penelitian dilakukan dengan memodelkan data curah hujan di enam lokasi di Jawa Barat. Dari hasil pemodelan didapatkan model GSTAR(1,2,3,4,5,6,7,36(1)) BNN(96-120-6) sebagai model yang terbaik dengan nilai MSE sebesar 0.012124. Berdasarkan hasil peramalan data testing dapat disimpulkan bahwa Model GSTAR (1,2,3,4,5,6,7,36(1)) Backpropagation Neural Network (96-120-6) dapat digunakan untuk meramalkan curah hujan di wilayah Jawa Barat.
English Abstract
Climate change is the changing temperature and rainfall distribution that bring widespread impact on various sectors of human life. One of the efforts to mitigate climate change is to make a model of rainfall forecasting. Forecasting rainfall involves linkages between time and location. The time-space model has been developed, the Spatial Temporal Autoregressive (STAR) model introduced by Pfeifer and Deutsch (1980), Generalized Space-Time Autoregressive (GSTAR) and GSTAR-OLS developed by Borovkova et al (2002) and GSTAR-SUR Developed by Iriany et al (2013). Besides being involved in interconnection between time and location, rainfall data is nonlinear. One method to analyze nonlinear data is by using artificial neural network method. Researchers used the GSTAR-Backpropagation Neural Network method with better forecasting purposes. The study was conducted by modeling rainfall data in six locations in West Java. From modeling result of model GSTAR (1,2,3,4,5,6,7,36 (1)) BNN (96-120-6) as best model with value of MSE equal to 0,012124. Model GSTAR (1,2,3,4,5,6,7,36 (1)) BNN (96-120-6) can be used to forecast rainfall in West Java.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/FMIPA/2017/275/051705974 |
| Uncontrolled Keywords: | Backpropagation Neural Network, Curah Hujan, GSTAR, nonlinie |
| Subjects: | 500 Natural sciences and mathematics > 551 Geology, hydrology, meteorology > 551.5 Meteorology > 551.57 Hydrometeorology > 551.577 Precipitation |
| Divisions: | Fakultas Matematika dan Ilmu Pengetahuan Alam > Statistika |
| Depositing User: | Nur Cholis |
| Date Deposited: | 19 Oct 2017 02:03 |
| Last Modified: | 24 Nov 2021 02:18 |
| URI: | http://repository.ub.ac.id/id/eprint/3996 |
Preview |
Text
135090500111025_NOVI NUR AINI_FULL SKRIPSI.pdf Download (2MB) | Preview |
Actions (login required)
 |
View Item |