Implementasi Model Arima, Anfis Dan Transformasi Wavelet Untuk Meramalkan Curah Hujan Di Stasiun Juanda

Windi, Windi (2024) Implementasi Model Arima, Anfis Dan Transformasi Wavelet Untuk Meramalkan Curah Hujan Di Stasiun Juanda. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6003202008-Master_Thesis.pdf Download (2MB)

Abstract

Analisis deret waktu (time series) adalah salah satu bahasan dalam ilmu statistika. Model analisis deret waktu yang sering digunakan untuk melakukan peramalan adalah ARIMA. ARIMA adalah salah satu metode peramalan yang biasanya baik digunakan untuk melakukan peramalan jangka pendek. Dengan seiringnya waktu metode tersebut memiliki keterbatasan dalam memodelkan data deret waktu, terutama pada data deret waktu nonlinear dan non stasioner. Salah satu model yang digunakan untuk peramalan data deret waktu nonlinear dan data deret waktu nonstasioner adalah Adaptive Neuro Fuzzy System (ANFIS) adalah penggabungan mekanisme sistem inferensi fuzzy yang digambarkan dalam arsitektur jaringan syaraf tiruan. ANFIS adalah suatu metode yang biasa digunakan untuk meramalkan dengan tingkat akurasi yang cukup baik dan analisis wavelet telah banyak diaplikasikan untuk permasalahan statistika secara umum. permasalahan khusus dari analisis time series yaitu estimasi densitas spektral untuk proses stasioner dan tidak stasioner. Curah hujan adalah salah satu data yang sering dianalisis dalam bentuk time series. Data time series adalah data yang dikumpulkan atau direkam pada interval waktu yang teratur. Dalam konteks curah hujan, data ini biasanya diukur setiap hari, bulan, atau tahun. Analisis data time series curah hujan dapat membantu dalam memahami pola curah hujan, tren jangka panjang, variabilitas musim, dan perubahan iklim. penelitian ini dilakukan untuk memprediksi curah hujan dengan membandingan beberapa model untuk meramalkan data time series yaitu ARIMA, ANFIS dan Transformasi Wavelet. Berdasarkan hasil penelitian model ANFIS memiliki performa yang baik dalam melakukan peramalan data curah hujan di Stasiun Juanda dengan melihat nilai RMSE lebih rendah.
========================================================================================================================

Time series analysis is one of the topics in statistics. The time series analysis model that is often used for forecasting is ARIMA. ARIMA is a forecasting method that is usually good for short-term forecasting. Over time, this method has limitations in modeling time series data, especially in nonlinear and non-stationary time series data. One of the models used for forecasting nonlinear time series data and nonstationary time series data is the Adaptive Neuro Fuzzy System (ANFIS) which is a combination of fuzzy inference system mechanisms described in artificial neural network architecture. ANFIS is a method commonly used to predict with a fairly good level of accuracy and wavelet analysis has been widely applied to statistical problems in general. A special problem in time series analysis is the estimation of spectral density for stationary and non-stationary processes. Rainfall is one of the data that is often analyzed in time series form. Time series data is data that is collected or recorded at regular time intervals. In the context of rainfall, this data is usually measured every day, month or year. Analysis of rainfall time series data can help in understanding rainfall patterns, long-term trends, seasonal variability, and climate change. This research was conducted to predict rainfall by comparing several models for predicting time series data, namely ARIMA, ANFIS and Wavelet Transformation. Based on the research results, the ANFIS model is better than the ARIMA model and Wavelet Transformation for predicting daily rainfall at Juanda Station, seen from the lower RMSE value.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	ARIMA, ANFIS, Transformasi Wavelet, Membership Function.
Subjects:	H Social Sciences > HA Statistics > HA30.3 Time-series analysis
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Statistics > 49101-(S2) Master Thesis
Depositing User:	Windi Windi
Date Deposited:	10 Aug 2024 14:12
Last Modified:	10 Aug 2024 14:12
URI:	http://repository.its.ac.id/id/eprint/115018

Actions (login required)

View Item