Klasifikasi dan Forecasting Spatio-Temporal Multivariate dengan Recurrent Neural Network pada Data Meteorologi

Zakiya, Nurotuz (2019) Klasifikasi dan Forecasting Spatio-Temporal Multivariate dengan Recurrent Neural Network pada Data Meteorologi. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 05111540000095-Undergraduated_Theses.pdf Restricted to Repository staff only Download (3MB) | Request a copy

Abstract

Cuaca dan iklim memiliki peranan yang penting dalam kehidupan manusia. Cuaca dan iklim dapat berdampak mempengaruhi kehidupan manusia seperti nelayan dan petani yang memerlukan keterangan atau data cuaca dan iklim untuk melaksanakan pekerjaannya. Cuaca dan iklim juga dapat menyebabkan terjadinya bencana seperti banjir dan tanah longsor. Data cuaca dan iklim diperlukan dalam memprediksi atau memperkirakan kejadian yang akan terjadi di masa depan. Pada wilayah yang beriklim tropis, curah hujan menjadi komponen penting dalam membedakan musim hujan dan musim kemarau. Tinggi rendahnya curah hujan yang ada di suatu tempat akan berbeda dengan curah hujan di tempat lainnya. Curah hujan memiliki variabel faktor yang memiliki ketergantungan satu sama lain serta dipengaruhi oleh faktor waktu dan wilayah serta iklim global yang dinamis. Penentuan prediktor yang relevan adalah penting untuk efisiensi model penduga curah hujan. Meskipun beberapa penelitian pemodelan iklim di suatu wilayah/negara memiliki akurasi tinggi, belum tentu model tersebut sesuai untuk wilayah lainnya dikarenakan berbagai faktor. Penentuan variabel prediktor dengan mempertimbangkan faktor spatio-temporal dan fitur lokal/global mengakibatkan jumlah input yang sangat banyak. Seleksi fitur dapat memilih sejumlah variabel input seminimal mungkin sehingga mendapatkan variabel prediktor yang relevan sekaligus meminimalkan redundansi variabel. Recurrent Neural Network (RNN) merupakan salah satu jaringan saraf tiruan yang dapat digunakan untuk memprediksi (forecasting) data sekuensial yaitu pada data time series. Untuk membantu mendapatkan input variabel yang sesuai digunakan metode Support Vector Machine (SVM). Penelitian bertujuan untuk memprediksi curah hujan dengan menggabungkan metode klasifikasi SVM dan metode RNN. Hasil yang didapatkan pada data harian Stasiun Perak 1, data harian Stasiun Perak 2, data bulanan Stasiun Perak 1 dan data bulanan Stasiun Perak 2 terbukti memiliki nilai Rsquare yang tinggi dengan nilai yang berurutan yaitu 0,921; 0,941; 0,909 dan 0,896.
====================================================================================================================================
Weather and climate have an important role in human life. Weather and climate can affect people's lives such as fishermen and farmers who need weather and climate information or data to carry out their work. Weather and climate can also cause disasters such as floods and landslides. Weather and climate data is needed in predicting or predicting events that will occur in the future. In areas with tropical climates, rainfall is an important component in distinguishing the rainy season and the dry season. The high and low rainfall in a place will be different from the rainfall in other places. Rainfall has factor variables that are dependent on each other and are influenced by time and region factors and a dynamic global climate. Determination of relevant predictors is important for the efficiency of the rainfall estimator model. Although some climate modeling studies in a region / country have high accuracy, this model is not necessarily suitable for other regions due to various factors. Determination of predictor variables taking into account spatio-temporal factors and local / global features results in a very large number of inputs. Feature selection can select a number of input variables to a minimum so that they get relevant predictor variables while minimizing variable redundancy. Recurrent Neural Network (RNN) is one of the artificial neural networks that can be used to predict (sequential) sequential data, namely in time series data. To help get the appropriate input variables, the Support Vector Machine (SVM) method is used. The study aims to predict rainfall by combining the SVM classification method and the RNN method. The results obtained in the Perak Perak 1 daily data, the Perak Perak 2 daily data, the Perak Perak 1 monthly data and the Perak Perak 2 monthly data proved to have high Rsquare values with sequential values of 0.921; 0.941; 0.909 and 0.896.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Seleksi fitur, minimum Redundancy Maximal Relevance, Support Vector Machine, Recurrent Neural Network
Subjects:	T Technology > T Technology (General) T Technology > T Technology (General) > T174 Technological forecasting
Divisions:	Faculty of Information and Communication Technology > Informatics > 55201-(S1) Undergraduate Thesis
Depositing User:	Nurotuz Zakiya
Date Deposited:	23 Jul 2026 07:00
Last Modified:	23 Jul 2026 07:00
URI:	http://repository.its.ac.id/id/eprint/67687

Actions (login required)

View Item