Multi Output Neural Network Untuk Peramalan Temperatur Di Semarang Dengan Pendekatan Bayesian

Zahrati, Zubdatu (2016) Multi Output Neural Network Untuk Peramalan Temperatur Di Semarang Dengan Pendekatan Bayesian. Masters thesis, Institut Technology Sepuluh Nopember.

[img]
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: https://repository.its.ac.id/id/eprint/75289

Actions (login required)

View Item View Item