Zahrati, Zubdatu (2016) Multi Output Neural Network Untuk Peramalan Temperatur Di Semarang Dengan Pendekatan Bayesian. Masters thesis, Institut Technology Sepuluh Nopember.
Preview |
Text
1314201037-Master_Thesis.pdf - Accepted Version Download (2MB) | Preview |
Abstract
Kota Semarang memiliki pertambahan luasan UHI sebesar rata-rata 8,4%
per tahun dalam kurun waktu 1994-2002. Suhu yang tinggi menyebar dengan cepat
ke seluruh kota sehingga dapat mengakibatkan dampak negatif. Penelitian
mengenai kasus-kasus iklim dan cuaca banyak yang telah menggunakan NN
dikarenakan model NN dapat menangkap hubungan nonlinier. Pada penelitian ini
akan dilakukan pemodelan temperatur di Semarang dengan menggunakan tiga
model yaitu Vector Autoregressive (VAR), Feed Forward Neural Network
(FFNN), dan Bayesian Neural Network (BNN). Tujuan dari penelitian ini adalah
memperoleh perbandingan hasil kinerja model VAR, FFNN, dan BNN. Penelitian
ini akan menggunakan data temperatur di stasiun Semarang dan Ahmad Yani. Data
yang digunakan dalam penelitian ini adalah data sekunder dari Badan Meteorologi,
Klimatologi, dan Geofisika (BMKG). Data dibagi menjadi dua tipe, yaitu data insample
dan data out-of-sample. Temperatur di stasiun Semarang diduga berkaitan
dengan stasiun Ahmad Yani pada waktu yang sama atau berbeda sehingga
dilakukan pemodelan secara multivariate dengan model VAR. Pemilihan input
optimum berdasarkan pemodelan VAR. Model VAR yang terpilih adalah
VARIMA (3,1,0) berdasarkan identifikasi MPACF dan nilai AIC terkecil. Model
NN yang digunakan adalah Feed Forward Neural Network (FFNN). Pemilihan
model terbaik adalah FFNN (2,2,2) dengan nilai AIC terkecil. . Karena pada model
FFNN sering terjadi kasus overfitting maka salah satu cara mengatasi adalah
Bayesian Neural Network. Kriteria in-sample menggunakan AIC sedangkan out-ofsample
menggunakan MAPE dan RMSE. Dari ketiga model tersebut maka dapat
diperoleh kesimpulan bahwa model FFNN mempunyai kinerja lebih baik daripada
VAR dan BNN berdasarkan kriteria in-sample. Sedangkan model BNN mempunyai
kinerja lebih baik daripada VAR dan FFNN berdasarkan kriteria out-of-sample
====================================================================================================
Semarang has an increasing extent of UHI for about 8,4% per year within
1994 sampai dengan 2002. The high temperature that spread rapidly throughout the
city causes a negative impact. The research on cases of climate and weather much
has been used neural network model because it can capture nonlinear relationship.
This study will be done modeling of temperature in Semarang using three models:
Vector Autoregressive (VAR), Feed Forward Neural Network (FFNN), and
Bayesian Neural Network (BNN). The purpose of this study is to obtain the
comparison of the performance of the VAR, FFNN, and BNN model. This study
will use temperature data in Semarang and Ahmad Yani station. The data used in
this study is secondary data from the Meteorology, Climatology, and Geophysics
institution (BMKG). The data were divided into two type, in-sample data and outof-
sample data. The temperature in Semarang station allegedly to be related with
Ahmad Yani station at the same or different time each other, so need to be done
multivariate modeling with VAR modeling. Selection of the optimal input based on
VAR modeling. The selected VAR model is VARIMA (3,1,0) based on MPACF
identification and the smallest AIC value. Because of FFNN model often overfitting
so one way to overcome is the Bayesian Neural Network. Criteria in-sample using
the AIC, while out-of-sample using MAPE and RMSE. Of the three models it can
be concluded that the model FFNN has a better performance than the VAR and
BNN based on the criteria in-sample. While the model BNN has a better
performance than the VAR and FFNN based on the criteria out-of-sample
| Item Type: | Thesis (Masters) |
|---|---|
| Additional Information: | RTSt 519.542 Zah m |
| Uncontrolled Keywords: | Bayesian Neural Network, Feed Forward Neural Network, Temperatur, Vector Autoregressive |
| Subjects: | Q Science > QA Mathematics > QA279.5 Bayesian statistical decision theory. |
| Divisions: | Faculty of Science and Data Analytics (SCIENTICS) > Statistics > 49101-(S2) Master Thesis |
| Depositing User: | Mr. Tondo Indra Nyata |
| Date Deposited: | 04 Mar 2020 06:37 |
| Last Modified: | 04 Mar 2020 06:37 |
| URI: | http://repository.its.ac.id/id/eprint/75289 |
Actions (login required)
 |
View Item |