Perbandingan Metode Backpropagation Neural Network dan Recurrent Neural Network dalam Memprediksi Curah Hujan di Kota Samarinda
Total View This Week0
Total View This Week0
Institusion
Institut Teknologi Kalimantan
Author
Kurniawan, Echsan
Subject
Q Science (General)
Datestamp
2023-07-17 08:35:18
Abstract :
Curah Hujan merupakan jumlah air hujan yang terakumulasi pada alat pengukur hujan dengan permukaan horizontal dengan asumsi air tidak mengalami perubahan volume. Intensitas curah hujan yang terlalu tinggi dapat memberikan dampak negatif di lingkungan masyarakat. Salah satu kota di Indonesia yang memiliki pertumbuhan dan perkembangan penduduk yang cukup pesat yaitu Kota Samarinda. Kota Samarinda sebagai Ibukota Provinsi Kalimantan Timur adalah daerah yang rawan sekali terhadap bencana banjir. Salah satu langkah antisipasi terkait bencana banjir adalah melakukan prediksi untuk mengetahui prakiraan jumlah curah hujan di masa depan. Artificial Neural Network (ANN) atau Jaringan Syaraf Tiruan (JST) adalah salah satu contoh metode dalam peramalan. Penelitian ini melakukan prediksi jumlah curah hujan pada wilayah Samarinda menggunakan ANN. Backpropagation Neural Network (BPNN) dan Recurrent Neural Network (RNN) merupakan arsitektur yang paling umum digunakan dalam memprediksi data. Tujuan dari penelitian ini adalah memprediksi curah hujan di Kota Samarinda pada tahun 2023 dengan metode ANN dan mengetahui akurasi tiap metode dalam memprediksi curah hujan. Metode dengan model BPNN(2-5-1) lebih baik dalam memprediksi data curah hujan Kota Samarinda dibandingkan dengan model RNN(2-2-1). Model BPNN(2-5-1) menghasilkan MAPE sebesar 17,06755% dan RMSE sebesar 55,51054. Sedangkan model RNN(2-2-1) menghasilkan MAPE sebesar 26,30745% dan RMSE sebesar 76,43409. Berdasarkan hasil prediksi jumlah curah hujan Kota Samarinda tahun 2023, diketahui bahwa jumlah curah hujan tertinggi terjadi pada bulan Januari sebesar 368,165 mm dan terendah terjadi pada bulan September sebesar 233,356 mm.
Curah Hujan merupakan jumlah air hujan yang terakumulasi pada alat pengukur hujan dengan permukaan horizontal dengan asumsi air tidak mengalami perubahan volume. Intensitas curah hujan yang terlalu tinggi dapat memberikan dampak negatif di lingkungan masyarakat. Salah satu kota di Indonesia yang memiliki pertumbuhan dan perkembangan penduduk yang cukup pesat yaitu Kota Samarinda. Kota Samarinda sebagai Ibukota Provinsi Kalimantan Timur adalah daerah yang rawan sekali terhadap bencana banjir. Salah satu langkah antisipasi terkait bencana banjir adalah melakukan prediksi untuk mengetahui prakiraan jumlah curah hujan di masa depan. Artificial Neural Network (ANN) atau Jaringan Syaraf Tiruan (JST) adalah salah satu contoh metode dalam peramalan. Penelitian ini melakukan prediksi jumlah curah hujan pada wilayah Samarinda menggunakan ANN. Backpropagation Neural Network (BPNN) dan Recurrent Neural Network (RNN) merupakan arsitektur yang paling umum digunakan dalam memprediksi data. Tujuan dari penelitian ini adalah memprediksi curah hujan di Kota Samarinda pada tahun 2023 dengan metode ANN dan mengetahui akurasi tiap metode dalam memprediksi curah hujan. Metode dengan model BPNN(2-5-1) lebih baik dalam memprediksi data curah hujan Kota Samarinda dibandingkan dengan model RNN(2-2-1). Model BPNN(2-5-1) menghasilkan MAPE sebesar 17,06755% dan RMSE sebesar 55,51054. Sedangkan model RNN(2-2-1) menghasilkan MAPE sebesar 26,30745% dan RMSE sebesar 76,43409. Berdasarkan hasil prediksi jumlah curah hujan Kota Samarinda tahun 2023, diketahui bahwa jumlah curah hujan tertinggi terjadi pada bulan Januari sebesar 368,165 mm dan terendah terjadi pada bulan September sebesar 233,356 mm.
File :
02191006_cover.pdf
02191006_statement_of_authenticity.pdf
02191006_notations.pdf
02191006_chapter_1.pdf
02191006_chapter_2.pdf
02191006_chapter_3.pdf
02191006_chapter_4.pdf
02191006_conclusions.pdf
02191006_bibliography.pdf
02191006_enclosure.pdf
02191006_presentation.pdf
02191006_cover.pdf
02191006_publishing_agreement.pdf
02191006_Form. TA-020.pdf
02191006_approval_sheet.pdf
02191006_preface.pdf
02191006_abstract_id.pdf
02191006_abstract_en.pdf
02191006_table_of_content.pdf
02191006_illustrations.pdf
02191006_tables.pdf
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
