Model Penduga Curah Hujan Zona Musim Menggunakan Prediktor Simultan Dan Hybrid Artificial Neural Networks (Studi Kasus: Wilayah Propinsi Jawa Timur)

Saikhu, Ahmad (2019) Model Penduga Curah Hujan Zona Musim Menggunakan Prediktor Simultan Dan Hybrid Artificial Neural Networks (Studi Kasus: Wilayah Propinsi Jawa Timur). Doctoral thesis, Institut Teknologi Sepuluh Nopember.

Text 05111560010007-Disertation.pdf Download (7MB)

Abstract

Pemodelan curah hujan cukup penting untuk perencanaan sumber daya air, pertanian, infrastruktur, pertambangan dan merupakan penelitian penting di bidang hidrologi. Penelitian pemodelan curah hujan, diantaranya adalah model konseptual yang bertumpu pada interaksi dan proses antara dinamika atmosfer, suhu permukaan laut, dan posisi matahari sehingga memiliki kompleksitas tinggi dan berbiaya mahal. Kedua adalah model empiris, dipilih untuk menemukan hubungan data input dan output ketika pengguna tidak memahami secara lengkap hubungan faktor-faktor fisik yang terjadi dan berfokus pada akurasi. Curah hujan di Indonesia dipengaruhi faktor lokal (cuaca) dan iklim regional (global) sehingga pemilihan prediktor yang relevan adalah faktor yang penting untuk efisiensi. Model curah hujan di suatu wilayah yang memiliki akurasi tinggi belum tentu sesuai untuk wilayah lainnya karena model tersebut bersifat khas akibat dari sejumlah faktor. Model curah hujan wilayah tropis yang mampu mensimulasikan dan memprediksi curah hujan di Indonesia secara efektif sangat dibutuhkan. Model empiris ARIMA memiliki kelemahan kurang sesuai untuk data nonlinier sehingga akurasinya rendah. Untuk mengatasi kekurangan ini, pilihannya adalah metode ANN yang juga memiliki kelemahan tidak menjamin akurasi yang optimal karena bergantung pada karakteristik data. Untuk mengatasi kekurangan ARIMA maupun ANN adalah dengan mengidentifikasi sebanyak mungkin variabel prediktor dengan mempertimbangkan faktor waktu dan lokasi (spatio-temporal), pola hubungan linier/non-linier dan fitur lokal/global. Karenanya dalam penelitian ini dibangun pendekatan baru model penduga curah hujan wilayah Zona Musim di Indonesia melalui kombinasi proses ekstraksi, seleksi variabel prediktor dan penggabungan model GSTAR dan RNN. Metode DPCCA digunakan untuk ektraksi fitur, sedangkan untuk seleksi prediktor yang relevan, digunakan metode PCSUF. Optimalitas hasil seleksi prediktor dievaluasi dengan trace merit-value (MV) dan % jumlah prediktor. Kinerja model GSTAR, spatio-temporal RNN dan hybrid GSTAR-RNN diukur dengan AIC-corrected, RMSE, r dan R 2 . Pengujian kinerja dari metode seleksi fitur dan model peramalan yang diusulkan, dipilih dua wilayah, yaitu Surabaya dengan tiga stasiun cuaca dan Malang-Pasuruan dengan tiga stasiun cuaca, masing-masing untuk data periode harian dan bulanan dengan 11 variabel prediktor. Studi kasus diselesaikan dengan 12 variasi model untuk memperoleh model terbaik. Dari pengujian empat studi kasus, diperoleh bahwa metode DPCCA dan PCSUF cukup efektif untuk memperoleh prediktor spatio-temporal yang optimal berdasarkan ukuran trace-MV dan % jumlah prediktor. Hal ini dibuktikan dengan kinerja pemodelan peramalan curah hujan menggunakan spatio-temporal RNN di mana nilai MSE, r dan R 2 testing yang lebih baik dibandingkan tanpa PCSUF. Demikian juga, spatio-temporal RNN memiliki kinerja lebih baik dibandingkan dengan GSTAR maupun Hybrid GSTAR-RNN.
=================================================================================================================================
Rainfall modeling is quite important for water resource planning, agriculture, infrastructure, mining and hydrology research interest. Research in rainfall modeling, such as a conceptual model that relies on interactions and processes between atmospheric dynamics, sea-surface temperature, and sun position so that they have highly complexity and expensive cost. Another is the empirical model, which is find the relationship between input and output data when the user does not fully understand the relationship between physical factors and focused on accuracy. Rainfall in Indonesia is influenced by weather and global climates thus the selection of relevant predictors is important factor for efficiency. Rainfall models in a certain area that has high accuracy are not necessarily suitable for other regions because that model has unique characteristic due to several factors. Rainfall model in tropical regions that able to effectively simulate and predict rainfall in Indonesia have not been proposed. The ARIMA empirical model is unsuitable for non-linear data, thus it produces a low accuracy. Meanwhile ANN method also cannot guarantee an optimal accuracy since it depends on the characteristics of data. In order to overcome those weaknesses, we have to identify predictor variables as many as possible by considering time and location factors (spatiotemporal), linear/non-linear relationship patterns and local/global features. Therefore, in this study, a new approach is developed for the Seasonal Zone rainfall estimator model in Indonesia through a combination of extraction processes, predictor variables selection and a combination of GSTAR and RNN models. The DPCCA method is used for feature extraction, while for the relevant predictors selection, the PCSUF method is used. Optimality of predictor selection results is evaluated by trace merit-value (MV) and% number of predictors. The performance of the GSTAR, spatiotemporal RNN, and hybrid models is indicated by AIC-corrected, RMSE, r and R2. Performance evaluation of the proposed feature selection methods and forecasting model, has been acquired from the two selected regions, Surabaya and Malang-Pasuruan with three weather stations for each city. The data is collected daily and monthly basis with 11 predictor variables. Case studies were completed with 12 variations of models to obtain the best model. As a result from 4 case studies, DPCCA and PCSUF methods are able to effectively obtained an optimal spatio-temporal predictors based on trace-MV measurements. It proved by the performance of rainfall forecasting modeling using spatiotemporal RNN where the MSE, r and R2 testing values are better than without PCSUF. Moreover, spatiotemporal RNN has a better performance compared to GSTAR and hybrid GSTARRNN.

Item Type:	Thesis (Doctoral)
Additional Information:	RDIf 006.3 Sai m-1 2019
Uncontrolled Keywords:	rainfall, merit-value, DPCCA, PCSUF, GSTAR, ST-RNN, curah hujan, merit-value
Subjects:	Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
Divisions:	Faculty of Information Technology > Informatics Engineering > (S3) PhD Thesis
Depositing User:	Ahmad Saikhu
Date Deposited:	12 Jan 2024 08:09
Last Modified:	12 Jan 2024 08:09
URI:	http://repository.its.ac.id/id/eprint/98389

Actions (login required)

View Item