Cascading Self Organizing Maps Dengan Model Markov Orde Satu Untuk Prediksi Sifat Hujan Harian
View/ Open
Date
2017Author
Andriani, Siska
Buono, Agus
Hidayat, Rahmat
Metadata
Show full item recordAbstract
Prediksi cuaca memiliki peran penting dalam kehidupan kita sehari-hari,
salah satunya adalah untuk menciptakan strategi dalam menghasilkan produksi
pertanian. Prediksi cuaca yang mana dalam hal ini adalah prediksi sifat hujan harian
dapat digunakan untuk menentukan waktu tanam, pemilihan bibit, dan faktor-faktor
lain di bidang pertanian, sehingga mengurangi risiko gagal panen. Prediksi sifat
hujan harian bisa dimodelkan menggunakan beberapa metode salah satunya model
markov orde satu dan model monte carlo.
Tujuan dari penelitian ini yaitu melakukan pemodelan untuk prediksi sifat
hujan harian menggunakan metode markov orde satu dan metode monte carlo
berdasarkan sembilan kelompok kelas kategori sifat hujan harian yang ditentukan
menggunakan Self Organizing Maps (SOM).
Data yang digunakan dalam penelitian ini adalah data curah hujan harian
Waingapu dan Anomali Suhu Permukaan Laut (ASPL) Nino 3.4 tahun 1973-2013.
Sebelum melakukan pemodelan data curah hujan aktual ditentukan terlebih dahulu
awal musim hujan menggunakan metode Liebmann dan dihitung nilai korelasi
dengan ASPL Nino 3.4, korelasi bulan tertinggi dijadikan sebagai input untuk
menentukan kelas kategori sifat hujan menggunakan SOM, setelah dikelompokkan
menjadi tiga kelas masing-masing kelas dihitung nilai Awal Musim Hujan (AMH),
Awal Musim Kemarau (AMK) dan panjang musim untuk menentukan sembilan
kelompok kelas kategori sifat hujan, kemudian setelah dikelompokkan menjadi
sembilan kelompok kelas kategori sifat hujan masing-masing dimodelkan
menggunakan metode markov orde satu dan metode monte carlo sehingga
dihasilkan sembilan model markov orde satu dan model monte carlo.
Model menggunakan metode markov orde satu memiliki nilai akurasi terkecil
72.73% pada kelas AMH mundur hujan dan nilai akurasi terbesar yaitu 100% pada
kelompok kelas AMH mundur dan kelas AMH normal sebelum hujan. Sedangkan
model menggunakan monte carlo nilai akurasi terkecil 67.31% pada kelas AMH
mundur setelah hujan dan nilai akurasi terbesar 98.68% pada kelas AMH normal
sebelum hujan. Model menggunakan markov orde satu maupun monte carlo
memiliki hasil akurasi cukup baik, namun model menggunakan markov orde satu
menghasilkan nilai akurasi lebih tinggi dari model menggunakan monte carlo.