KOMPARASI AKURASI MODEL DATA MINING UNTUK PREDIKSI KEJADIAN CUACA EKSTRIM DI SUMATERA BARAT

KURNIAWAN, DESINDRA DEDDY (2024) KOMPARASI AKURASI MODEL DATA MINING UNTUK PREDIKSI KEJADIAN CUACA EKSTRIM DI SUMATERA BARAT. Other thesis, Universitas Bina Darma.

	Text (BAB 0) BAB 0.pdf Download (1MB)
	Text (BAB 1) BAB 1.pdf Download (356kB)
	Text (DAFTAR PUSTAKA) DP.pdf Download (707kB)
	Text (LAPORAN HASIL) LH_11zon (34).pdf Restricted to Repository staff only Download (4MB)
	Text (LAMPIRAN) L.pdf Download (1MB)

Abstract

Faktor cuaca mempunyai peranan yang sangat penting bagi aktifitas manusia apalagi fenomena cuaca ekstrim yang terjadi. Cuaca ekstrim dapat mengakibatkan potensi bencana hidrometeorologi yang meyebabkan kerugian baik jiwa maupun harta. Saat ini adanya perubahan iklim juga memberikan andil terhadap kejadian cuaca ekstrim yang lebih tinggi frekuensinya. Untuk itu penelitan terkait prediksi cuaca ekstrim khususnya hujan sangat lebat sangat dibutuhkan untuk melakukan antisipasi terhadap dampaknya. Penelitian terkait prediksi kejadian cuaca ekstim sampai saat ini masih terus dilakukan dengan menggunakan berbagai macam model. Dengan memanfaatkan data pengamatan udara atas Radiosonde (RASON) dan data curah hujan harian yang ada di Stasiun Meteorologi Minangkabau Padang Pariaman Sumatera Barat maka dilakukan pemodelan prediksi cuaca ekstrim dengan kriteria kejadian hujan lebat yang memiliki intensitas curah hujan diatas 50 mm/hari atau 50 mm/24 jam. Dari model prediksi data mining yang sudah dilakukan dengan menggunakan Model Support Vector Machine (SVM) dalam hal ini adalah Support Vector Regreesion (SVR) diperoleh nilai Mean Squared Eror (MSE) 395.47, Root Mean Squared Eror (RMSE) 19.89 dan R2 (Coefficient of Determination) score -0.16. Untuk Model Artificial Neural Network (ANN) didapatkan nilai Mean Squared Eror (MSE) 392.57, Root Mean Squared Eror (RMSE) 19.81 dan R2 (Coefficient of Determination) score -0.15 dengan nilai akurasi hanya 0.21 serta nilai model loss 393. Sedangkan untuk model klasifikasi data mining menggunakan Model Decision Tree didapatkan nilai Model Accuracy 0.28 dan Model Naïve Bayes (NB) didapatkan nilai model accuracy 0.56. Dari hasil komparasi ini didapatkan bahwa model prediksi dengan menggunakan Model Decision Tree lebih akurat untuk memprediksi kejadian hujan ekstrim di wilayah Sumatera Barat.

Actions (login required)

View Item