Prediksi Curah Hujan Menggunakan Rantai Markov Untuk Perencanaan Musim Tanam Tanaman Pangan

Razid, L. Abd. (2019) Prediksi Curah Hujan Menggunakan Rantai Markov Untuk Perencanaan Musim Tanam Tanaman Pangan. Masters thesis, Institut Teknologi Sepuluh Nopember.

[img] Text
Tesis Fix.pdf
Restricted to Repository staff only

Download (1MB) | Request a copy

Abstract

Musim tanam adalah istilah dalam budidaya tanaman pangan dalam periode waktu tertentu dalam satu tahun yang sangat ideal dalam menanam tanaman pangan. Data yang digunakan dalam membuat perencanaan musim tanam tanaman pangan meliputi data hidrologi (curah hujan), data klimatologi (suhu, kelembaban udara, kecepatan angin, dan lama penyinaran matahari), dan data tanaman yang akan ditanam (jenis tanaman dan nilai koefisien tanaman). Metode yang digunakan untuk melakukan prediksi adalah Rantai Markov. Data hasil prediksi curah hujan menggunakan Rantai Markov digunakan untuk menentukan jumlah air yang tersedia dan kebutuhan air minimal, kemudian dikaitkan dengan lama waktu tanam untuk membuat rancangan musim tanam efektif. Rancangan musim tanam efektif ditentukan dengan penjadwalan setiap jenis tanaman pada tahun 2017. Dari hasil simulasi menggunakan rantai markov diperoleh rata-rata hasil prediksi data curah hujan adalah 62,17 mm/hari dan rata-rata hasil prediksi data suhu adalah 24,43oC, kelembaban udara adalah 84,19%, kecepatan angin adalah 95,71 m/s, lama penyinaran matahari adalah 58,12%. Validasi hasil prediksi data hidrologi (curah hujan) menggunakan metode Rantai Markov diperoleh nilai error rata-rata 2,25%, sehingga metode Rantai Markov yang digunakan cukup baik untuk memprediksi data hidrologi (curah hujan). Dari hasil analisa jumlah ketersediaan air dan kebutuhan air minimal untuk tanaman pangan setiap musim tanam diperoleh bahwa jadwal musim tanam tahun 2017 untuk kabupaten Lombok Timur di mulai pada September II, Lombok Tengah, Lombok Barat dan Lombok Utara dimulai pada September I. ================================================================================================ The growing season is a term in the cultivation of food crops in a certain period of time within a year which is ideal to plant crops. The data used in planning the crop planting season are hydrological data (rainfall data), climatological data (temperature, air humidity, wind speed, and long solar radiation), and plant data to be planted (crops types and plant coefficient value). The method used to make predictions is to use Markov Chain. Predicted rainfall data using markov chain were used to determine the amount of available water and minimum water requirements, then attributed to the length of planting time to make effective planting season design. The design of effective planting season was determined with scheduling each type of plant in 2017. Based on the simulation result using Markov Chain, it was obtained the average prediction result of rainfall data is 62,17 mm/day and average prediction result of temperature data is 24,43oC, air humidity is 84,19 %, wind speed is 95,71 m/s, long solar radiation is 58,12%. Validation of predicted results of hydrological data (rainfall) using markov chain method, it was obtained average of error value is 2,25%, so Markov Chain is quite good to predict hydrological data (rainfall). Based on the analysis of available water and minimum water requirements for crop every season, it was found that the schedule of planting season in 2017 for Lombok Timur Regency starts from September II, Lombok Tengah, Lombok Barat and Lombok Utara begins on September I.

Item Type: Thesis (Masters)
Additional Information: RTMa 519.233 Raz p-1 2018
Uncontrolled Keywords: Tanaman Pangan, Curah Hujan, Rantai Markov
Subjects: Q Science
Q Science > QA Mathematics
Q Science > QA Mathematics > QA274.7 Markov processes--Mathematical models.
Divisions: Faculty of Science and Data Analytics (SCIENTICS) > Mathematics > 44101-(S2) Master Thesis
Depositing User: L.ABD.RAZID -
Date Deposited: 21 Feb 2022 07:47
Last Modified: 21 Feb 2022 07:47
URI: https://repository.its.ac.id/id/eprint/62122

Actions (login required)

View Item View Item